极化SAR

摘要： 随着高分辨率和极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol-SAR)技术的发展,Pol-SAR应用前景越来越广阔,但是Pol-SAR数据中相干斑噪声的存在,严重影响了后续目标分类、目标检测和识别跟踪等应用。针对Pol-SAR相干斑去噪问题,提出了基于Pol-SAR相干斑模型的形状自适应非局部均值滤波算法。该算法对于极化协方差矩阵C的对角线元素和非对角线元素分别进行处理,对对角线元素按照乘性噪声模型处理,计算复相关系数,再对非对角线元素进行处理。实验结果表明,所提算法在极化SAR相干斑抑制上具有良好的效果。

摘要： 为提升极化合成孔径雷达(SAR)地物分类精度,提出一种基于AdaBoost改进型随机森林和支持向量机(SVM)结合的二级分类结构。首先将AdaBoost改进型随机森林作为初级分类器,该分类器能根据决策树的分类能力赋予权重,分类能力越强则权重越高,从而提升初级分类精度。初级分类器还能评估输入特征的重要性,获得重要性排名。根据重要性排名进行特征筛选,用筛选后的特征训练SVM分类器,获取二级分类结果。最后利用邻域投票法将两级分类结果融合。AIRSAR极化数据对比实验表明,该分类结构可有效提升极化SAR地物分类精度。

摘要： 在极化合成孔径雷达(PolSAR)地物分类研究中,基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足,提出一种基于卷积神经网络和EM算法的轻量化图像分割网络,称为低秩重构网络(low-rank-reconstructionnet,LRR-Net),应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发,利用EM算法对特征进行低秩重构,将特征从高维空间映射到低维空间,在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估,结果表明模型在保证分类精度的前提下,降低了模型复杂度。

摘要： 极化SAR图像的配准是极化SAR图像处理的基础,需要具备较高的精度与速度.基于深度学习的极化SAR图像配准大多数是结合图像块特征的匹配与基于随机抽样一致性的参数迭代估计来实现的.目前尚未实现端到端的基于深度卷积神经网络的一步仿射配准.该文提出了一种基于弱监督学习的端到端极化SAR图像配准框架,无需图像切块处理或迭代参数估计.首先,对输入图像对进行特征提取,得到密集的特征图.在此基础上,针对每个特征点保留k对相关度最高的特征点对.之后,将该4D稀疏特征匹配图输入4D稀疏卷积网络,基于邻域一致性进行特征匹配的过滤.最后,结合输出的匹配点对置信度,利用带权最小二乘法进行仿射参数回归,实现图像对的配准.该文采用RADARSAT-2卫星获取的德国Wallerfing地区农田数据以及PAZ卫星获取的中国舟山港口地区数据作为测试图像对.通过对升降轨、不同成像模式、不同极化方式、不同分辨率的极化SAR图像对的配准测试,并与4种现有方法进行对比,验证了该方法具有较高的配准精度与较快的速度.

摘要： 极化合成孔径雷达(PolSAR)使用二维脉冲压缩技术获取高分辨力极化信息图像,目前已广泛应用在军事侦察、地形测绘、环境与自然灾害监视、海上舰船目标检测等领域.如何解决复杂海杂波的建模与参数估计、慢小目标检测、密集目标检测等问题仍然是当前PolSAR图像舰船目标检测的难点.该文归纳梳理了PolSAR图像舰船目标检测的4类主流方法:极化特征目标检测方法、慢速运动目标检测方法、舰船目标尾迹检测方法以及基于深度学习的目标检测方法等,同时给出了各类方法所存在的问题以及可能的解决方法,并预测了其未来研究重点和发展趋势.

摘要： 研究首先基于影像的相干矩阵提取特征参数,即雷达植被指数(RVI),再对影像的协方差矩阵进行Freeman分解,得到三种散射机制参数,分别为体散射、面散射和二面角散射.然后组合这些特征参数应用于支持向量机(SVM)中,对极化SAR图像进行分类,并与Wishart监督分类比较.结果表明,雷达植被指数有助于提高植被的分类精度,且该方法的分类精度明显高于Wishart监督分类.

摘要： 我国星载合成孔径雷达(SAR)面临着卫星通用性、应用维度与深度以及广域观测效能等局限性,缺少面向全球并实现长期、稳定、高性能环境动态监测的卫星系统.随着国际环境日趋复杂,我国亟需发展面向全球动态环境监测的SAR卫星系统,实现大范围、高重访、长期、稳定、高精度的对地观测.该文提出一个高频时序多维地球环境监测SAR星座(简称See-Earth)计划,从系统构想、技术体制、性能分析、应用潜力以及新体制扩展几方面来进行探讨.

摘要： 极化合成孔径雷达(极化SAR)是当前最先进的遥感监测技术之一.它可以全天时、全天候地进行对地观测,并提供高分辨率、具有丰富地表信息的数据.极化SAR图像分类近年来被广泛研究和应用,而蓬勃发展的深度学习技术大大加速了其进展.基于此现状,本文对深度学习在极化SAR图像分类上的应用进行了综述.综述涵盖了不同类别的深度学习算法,包括监督、无监督、半监督和主动学习算法在此任务上的应用分析.另外,本文分析当前极化SAR图像分类所面临的挑战以及未来的发展趋势.

摘要： 针对目前将极化SAR影像数据的变化检测技术应用于恶劣环境下的搜救，本文给出了一种改进的变化检测方法，对原始的基于极化似然比模型的算法进行修正，通过去取向处理来降低地物目标的随机取向对检测的影响，凸显人工目标的真实散射特性，并利用不同地物类型在极化通道相关性上的差异进行目标筛选，缩小对人工目标搜索的范围，提高此类目标搜救的效率。利用美国宇航局喷气推进实验室的AIRSAR系统在美国大沼泽地区上空采集的两时相全极化数据进行验证，实验结果表明该方法比原始方法在人工目标的变化检测中更具有效性。

摘要： 针对目前将极化SAR影像数据的变化检测技术应用于恶劣环境下的搜救，本文给出了一种改进的变化检测方法，对原始的基于极化似然比模型的算法进行修正，通过去取向处理来降低地物目标的随机取向对检测的影响，凸显人工目标的真实散射特性，并利用不同地物类型在极化通道相关性上的差异进行目标筛选，缩小对人工目标搜索的范围，提高此类目标搜救的效率。利用美国宇航局喷气推进实验室的AIRSAR系统在美国大沼泽地区上空采集的两时相全极化数据进行验证，实验结果表明该方法比原始方法在人工目标的变化检测中更具有效性。

摘要： 针对目前将极化SAR影像数据的变化检测技术应用于恶劣环境下的搜救，本文给出了一种改进的变化检测方法，对原始的基于极化似然比模型的算法进行修正，通过去取向处理来降低地物目标的随机取向对检测的影响，凸显人工目标的真实散射特性，并利用不同地物类型在极化通道相关性上的差异进行目标筛选，缩小对人工目标搜索的范围，提高此类目标搜救的效率。利用美国宇航局喷气推进实验室的AIRSAR系统在美国大沼泽地区上空采集的两时相全极化数据进行验证，实验结果表明该方法比原始方法在人工目标的变化检测中更具有效性。

摘要： 针对目前将极化SAR影像数据的变化检测技术应用于恶劣环境下的搜救，本文给出了一种改进的变化检测方法，对原始的基于极化似然比模型的算法进行修正，通过去取向处理来降低地物目标的随机取向对检测的影响，凸显人工目标的真实散射特性，并利用不同地物类型在极化通道相关性上的差异进行目标筛选，缩小对人工目标搜索的范围，提高此类目标搜救的效率。利用美国宇航局喷气推进实验室的AIRSAR系统在美国大沼泽地区上空采集的两时相全极化数据进行验证，实验结果表明该方法比原始方法在人工目标的变化检测中更具有效性。

摘要： 本文介绍了永久散射体干涉测量技术监测地面沉降的原理方法及研究现状，并在此基础上分析该技术的发展趋势，认为高精度的城市地表形变监测，以及与极化SAR相结合的研究方法是今后的发展方向。

摘要： 本文介绍了永久散射体干涉测量技术监测地面沉降的原理方法及研究现状，并在此基础上分析该技术的发展趋势，认为高精度的城市地表形变监测，以及与极化SAR相结合的研究方法是今后的发展方向。

摘要： 本文介绍了永久散射体干涉测量技术监测地面沉降的原理方法及研究现状，并在此基础上分析该技术的发展趋势，认为高精度的城市地表形变监测，以及与极化SAR相结合的研究方法是今后的发展方向。

摘要： 目前获取极化SAR目标的特征信息，有统计分布特征和极化目标分解特征，这些特征信息包含目标散射的极化特性、能量及相位特性。分析挖掘特征信息与地物目标之间的关联，对于地物分类和识别具有重要意义。形式概念分析作为一种重要的数据挖掘和规则提取工具，通过构建概念格，并在概念格基础上快速准确地挖掘出极化SAR数据中隐含的关联规则。实验表明，采用形式概念分析提取的分类规则能够分类识别出不同地物目标，为研究极化散射特性之间的联系、区分混合散射机制地物开辟了一条新的思路。

摘要： 目前获取极化SAR目标的特征信息，有统计分布特征和极化目标分解特征，这些特征信息包含目标散射的极化特性、能量及相位特性。分析挖掘特征信息与地物目标之间的关联，对于地物分类和识别具有重要意义。形式概念分析作为一种重要的数据挖掘和规则提取工具，通过构建概念格，并在概念格基础上快速准确地挖掘出极化SAR数据中隐含的关联规则。实验表明，采用形式概念分析提取的分类规则能够分类识别出不同地物目标，为研究极化散射特性之间的联系、区分混合散射机制地物开辟了一条新的思路。

摘要： 目前获取极化SAR目标的特征信息，有统计分布特征和极化目标分解特征，这些特征信息包含目标散射的极化特性、能量及相位特性。分析挖掘特征信息与地物目标之间的关联，对于地物分类和识别具有重要意义。形式概念分析作为一种重要的数据挖掘和规则提取工具，通过构建概念格，并在概念格基础上快速准确地挖掘出极化SAR数据中隐含的关联规则。实验表明，采用形式概念分析提取的分类规则能够分类识别出不同地物目标，为研究极化散射特性之间的联系、区分混合散射机制地物开辟了一条新的思路。

摘要： 本发明公开了一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备，其方法为：选取带标签和不带标签的极化SAR数据计算生成协方差矩阵，分别作为源域和目标域数据集；使用源域样本初始化源域及目标域的聚类中心；将源域和目标域数据输入至各自对应的复卷积神经网络，得到重构特征；通过计算重构特征与聚类中心的距离，为目标域样本确定伪标签，并更新目标域的聚类中心；重复聚类迭代，直到聚类迭代收敛或达到聚类最大迭代次数；通过最小化目标函数，迭代更新两个复卷积神经网络的参数，直到网络参数收敛，此时目标域数据集各样本类别即为最终地物类别。本发明可高效对极化SAR数据进行地物分类。

摘要： 本发明涉及一种基于相对极化全变差的极化SAR影像相干斑抑制方法，通过对极化SAR影像的极化相干矩阵分离为主对角线元素和非对角线元素，应用窗口卷积局部全变差和全局全变差更新主对角线元素，由原非对角线元素和更新后的主对角线元素重构极化相干矩阵，利用相邻像元上的极化相干矩阵比值和更新前后的极化相干矩阵距离，获得须保留极化特征的像元位置。本发明仅对不属于上述像元位置的极化相干矩阵的主对角线元素进行相干斑抑制，解决了现有极化SAR相干斑抑制中不能很好地将极化SAR影像的结构信息和散射特性两者相结合进行相干斑抑制的问题，使得极化SAR的相干斑抑制在结构信息和散射特性两方面都得到保持。

摘要： 本发明公开了一种基于极化散射机制非平稳性建模的极化SAR图像分类方法。解决现有极化SAR图像分类中对不存在明显主散射机制混合像元，受噪声影响，准确度低的问题。实现步骤是对实测图像初始分类；根据极化散射特性估计辅助随机场，关联极化散射特性和非平稳性；用辅助随机场划分像素点平稳性；对平稳像素点计算相关函数，得到一元势能函数，数据项，二元势能函数；对非平稳像素点计算隶属度；由获得的函数构建模糊三重判别随机场(FTDF)模型的后验概率模型，用最大后验概率准则分类；若标记随机场收敛，输出结果，否则按照迭代规则重复构建分类模型，直至达到终止迭代要求，输出分类结果。本发明检测精度高，抗噪性能好，可用于极化SAR图像分类。

摘要： 本发明公开了一种全极化多输入多输出合成孔径雷达(FP‑MIMO‑SAR)极化校准方法，该方法采用可旋转双天线有源极化校准器(RODAPARC)和标准金属圆柱体作为极化校准体，并通过以下两个步骤实现极化校准：首先利用RODAPARC双站极化散射矩阵(PSM)和有源极化校准器全极化(PARC‑FP)雷达极化校准模型，对FP‑MIMO‑SAR中N组收发通道、每通道4种极化组合进行有源极化校准，获得N组极化校准参数；然后利用标准金属圆柱定标体进行无源极化校准，对N组极化校准参数进行优化，实现雷达系统的辐射定标、串扰和通道不平衡校准。

摘要： 本发明提出一种仅基于面目标的极化定标算法，该算法基于雷达照射场景中的自然地物具有旋转对称性这一假设，仅利用待定标的SAR影像数据，通过数学迭代运算估计极化定标参数。在此过程中，不需要利用雷达照射场景中的已知点目标信息。实际数据的极化定标实验说明本发明提出的方法是一种有效的全极化SAR数据的极化定标方法。

摘要： 本发明提供了一种考虑SAR幅相不平衡的全极化SAR海面风场反演方法及系统。该方法包括：根据全极化SAR系统失真矩阵，计算SAR幅相不平衡数据；计算SAR图像参数；根据SAR幅相不平衡数据和SAR图像参数，利用最小二乘法训练建立风场经验反演模型。本发明提供的考虑SAR幅相不平衡的全极化SAR海面风场反演方法及系统能够解决传统风场反演方法不考虑SAR幅相不平衡的问题。

摘要： 本公开实施例中提供了一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，属于遥感影像数据处理技术领域，具体包括：获取时序极化SAR数据，其中，时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；时序数据统计散射成分SSC特征提取；源域SSC特征和目标域SSC特征无监督域适应；源域训练模型；基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；多时相数据变化区域获取及变化类别跟踪。通过本公开的方案，将有限的标注样本在不同时相数据之间进行重复使用，以获取快速准确的地物变化检测和地物类别具体转变信息，提高了检测的效率、精准度和适应性。

摘要： 本发明公开了一种基于极化散射特征的全极化SAR卷积神经网络分类方法，所示方法包括：将获取的极化SAR影像进行辐射定标、滤波预处理后进行反射对称分解处理，得到极化特征参数；对极化特征参数进行归一化处理；通过提取不同数目的极化特征，构建卷积神经网络模型训练样本集；对卷积神经网络模型进行训练；利用训练好的卷积神经网络模型进行极化SAR影像分类；与现有的研究方法相比，本发明通过研究不同极化特征组合方案，基于深度学习的方法结合了极化SAR影像中的后向散射信息和像素邻域间的信息特征，利用多层卷积提取地物的特征，从样本中挖掘有助于分类的信息，从而获得较高精度的分类结果。

摘要： 本发明公开了一种基于极化特性驱动的全极化SAR图像舰船检测方法，包括：S1、对全极化SAR图像进行预处理，获取全极化SAR图像的极化特性数据；S2、构建极化特性驱动的卷积神经网络，将极化特性数据输入主干网络和密集结构提取极化特性数据中包含的极化特性，并在特征金字塔中进行多尺度融合，所述主干网络和密集结构用于网络中上下文特征重用；S3、按照预设的训练参数和损失函数，对极化特性驱动的卷积神经网络进行训练形成全极化SAR图像目标检测网络，并利用训练好的极化特性驱动的全极化SAR图像目标检测网络执行全极化SAR图像舰船检测和指标评估。本发明能够有效的提升场景中小目标的检测能力以及在强散射背景下能够有效的检测出舰船。

摘要： 本发明公开了一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备，其方法为：选取带标签和不带标签的极化SAR数据计算生成协方差矩阵，分别作为源域和目标域数据集；使用源域样本初始化源域及目标域的聚类中心；将源域和目标域数据输入至各自对应的复卷积神经网络，得到重构特征；通过计算重构特征与聚类中心的距离，为目标域样本确定伪标签，并更新目标域的聚类中心；重复聚类迭代，直到聚类迭代收敛或达到聚类最大迭代次数；通过最小化目标函数，迭代更新两个复卷积神经网络的参数，直到网络参数收敛，此时目标域数据集各样本类别即为最终地物类别。本发明可高效对极化SAR数据进行地物分类。