极化合成孔径雷达

摘要： 作物类型分类是极化合成孔径雷达(PolSAR)图像中最重要的应用之一。然而,由于成本和系统限制,越来越多的双极化SAR系统已经投入使用。由于双极化模式的限制,双极化SAR数据集存在严重的贴现特性,使得双极化SAR图像难以获得令人满意的分类精度,因此有必要提取更适合于双极化SAR数据集的散射特征。基于H/α分解的基本理论,引入了一个新的参数来测量农作物的时变散射特性,并针对双极化SAR图像提出了时变散射特征驱动的卷积神经网络(CNN)。实验结果表明:提出的CNN分类方法达到了最高的分类精度。与不同的特征组合输入相比,提出的新参数能稳定地提高分类器的分类性能,H、α、θ和强度特征的组合也能达到最佳的分类性能。

摘要： 针对全极化SAR图像在监督分类中存在的人工标注样本费时费力以及大量未标记样本未有效利用等问题,提出一种顾及特征优化的半监督自训练分类方法。该方法以支持向量机作为半监督学习的基分类器。首先,引入混合编码遗传算法对多类极化特征进行有效选择和分类器参数优化。在此基础上,利用核模糊聚类算法从大量未标注样本中预选取出信息量较大的样本点作为候选点,并借助半监督自训练学习进一步标注候选样本,实现同时利用无标注和有标注样本进行分类。在AIRSAR和ALOS PALSAR影像上的实验表明,该方法能自适应地优选分类特征集,且在较少人工标注的样本下能获得较高的分类精度。

摘要： 有监督的极化合成孔径雷达(极化SAR)图像地物分类任务需要像素级人工标注,如何减少其对大量精确标注样本的依赖是目前的一个研究重点。极化SAR图像的空间邻域内存在信息冗余和特征相关性,充分利用空间邻域信息有助于提升样本特征的判别性和鲁棒性。通过引入基于极化统计HSV颜色特征的自适应超像素聚类算法,提出一种借助邻域相关性的样本特征增强方法。实验结果表明该方法可以在仅有少量标注样本的条件下提升分类结果的鲁棒性和准确率。

摘要： G0分布统计模型在极化合成孔径雷达(Polarimetic Synthetic Aperture Radar,PolSAR)图像非高斯建模领域中应用广泛,其纹理参数估计的精度将直接影响到模型拟合的准确性.目前在参数估计中普遍采用基于协方差矩阵对数累积量(MLC)的估计方法.最近的研究表明,基于多视极化白化滤波器分数阶矩(MPWF-FM)的参数估计方法比MLC方法具有更小估计方差和均方误差(MSE).但是该方法需进行遍历求解,并且当纹理参数较小时存在失效的问题.针对G0分布模型纹理参数估计问题,综合上述2种方法,提出了一种基于多视极化白化滤波器对数累积量(MPWF-LC)的参数估计新方法.对几种参数估计方法进行了仿真比较,结果表明新方法的估计性能优于MLC和MPWF-FM方法.利用实测数据验证了新的参数估计方法的准确性与有效性,该方法为G0分布统计模型参数的快速有效估计提供了新途径.

摘要： 对海监视是极化SAR的重要应用,密集区域的舰船目标检测是当前面临的主要挑战之一.舰船密集区域受多目标串扰,传统的恒虚警率(CFAR)检测滑窗难以选取纯净的海杂波样本用于确定检测门限,将导致检测性能下降.针对这一问题,该文从特征提取和检测器设计两方面出发,提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法.在特征提取方面,雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系,由此带来的散射多样性隐含信息可通过极化旋转域分析进行挖掘.该文利用极化相关方向图及导出的一系列极化旋转域特征,根据目标杂波比(TCR)分析,优选TCR最高的3个极化特征量用于构建目标检测器.在此基础上,该文在检测器设计方面提出了一种基于K均值聚类的杂波超像素筛选方法,有效避免了密集区域舰船目标对邻近杂波的影响,基于筛选的杂波像素点得到舰船目标CFAR检测结果.基于Radarsat-2和高分三号星载全极化SAR数据的对比实验表明,所提方法能有效实现密集区域舰船目标检测,检测品质因数达到95％.

摘要： 卷积神经网络(Convolution Neural Network,CNN)在极化合成孔径雷达(Synthetic Aperture Rader,SAR)图像分类的应用中在类别非边界区域取得了好的分类结果,在类别边界区域没有取得好的分类结果,随机森林分类器(Random Forest Classifier,RFC)在极化SAR图像分类领域也得到了不错的分类结果,但是在类别非边界区域的分类结果没有CNN好.提出在类别边界区域使用RFC的分类结果,在类别非边界区域使用CNN的分类结果,通过此种集成学习方式得到了更好的分类结果.

摘要： 基于实数域的卷积神经网络(CNN)模型无法充分利用极化合成孔径雷达(PolSAR)图像丰富的相位信息,并且逐像素切片预测存在大量冗余计算,导致分类效率低下.针对以上问题,本文提出一种改进编解码网络模型.首先构建复数域CNN模型,并进行低采样率下的模型训练;然后构建复数域双通道编解码网络模型,引入改进空洞空间金字塔池化(IASPP)以解决多尺度地物预测问题,引入辅助通道以解决分类边缘粗糙问题;最后训练编解码网络模型,将训练好的复数域CNN模型参数传递给该模型以加速模型收敛.在基于AIRSAR平台的16类地物数据上进行实验验证,结果表明改进编解码网络相较于CNN模型具有更高的分类精度和更快的分类速度.

摘要： 目前全极化合成孔径雷达(Polarirnetric Synthetic Aperture Radar,PolSAR)图像的机场跑道检测以基于分类的方法为主,检测效率较低,且需要更多的先验信息.针对此问题,本文提出一种基于图像分割与分类的无监督机场跑道检测方法.首先定义了图像的伪散射功率(Pseudo Scattering Power,Pspan),并结合Pspan和Tsallis熵对图像进行阈值分割,得到机场跑道感兴趣区域;然后利用密度峰值搜索和Wishart距离结合的分类器进行二分类,最后根据机场跑道的纹理和几何特征对分类结果进行进一步辨识,确定真实机场跑道区域.分别利用不同系统采集的多组实测PolSAR数据进行实验,结果表明该方法能够检测出图像中的所有机场,且外部轮廓清晰,结构完整,检测效率提高.

摘要： 对极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)实施有效的电子干扰是合成孔径雷达电子对抗领域的重要课题.针对PolSAR电子干扰的基本原理,首先推导出了接收机输出端和成像处理后的PolSAR方程,并与极化散射矩阵联系起来,完整地描述了不同极化状态组合下的信噪比和杂噪比;然后构建了PolSAR接收机输出端的干扰方程以及成像处理后的非相干、部分相干和完全相干干扰方程,总结了PolSAR电子干扰有效功率的能量分配与守恒规律;最后基于上述方程论证了不同极化配置对PolSAR干扰的效果.对于PolSAR电子干扰技术研究和相关装备研制具有重要的理论指导意义.

摘要： 合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术已经成为一种高分辨对地观测的重要手段之一,而极化SAR图像地物分类一直是其中的研究热点.基于复Wishart分布的最大似然(Maxi-mum Likelihood,ML)分类器是最经典的极化SAR图像分类算法之一,但由于地物类型的复杂性、区域的不均匀性等原因使得基于像素的ML-Wishart分类器的分类精度不高.针对这个问题,本文提出了一种基于复Wishart分布的局部最大后验概率(Maximum a Posteriori,MAP)竞争方法,该算法通过计算伪先验概率,并在每个像素的局部窗口中实施MAP分类器,可以提高复杂区域图像的分类精度.该文主要研究了4种基于Wishart分布的分类算法,包括经典复Wishart分类算法、混合复Wishart模型、基于马尔科夫随机场(Markov Random Field,MRF)的混合复Wishart模型和基于局部竞争策略的MAP分类算法.在混合模型建模中,不同于以往的对整幅图像进行建模的模型策略,本文采用对单个类别进行混合建模的策略.实验对比分析了上述4个分类器和SVM分类器在C波段RADARSAT-2多时相的全极化SAR农田数据上的分类效果.实验结果表明,所提出的基于局部竞争策略的分类器对数据的分类结果稳定,具有最高的分类精度,基于混合Wishart的MRF模型分类结果次之.

摘要： 极化合成孔径雷达观测系统获取的影像需要经过极化定标处理才能进行定量的分析与应用.当前的极化定标方案普遍采用分布式地物解算串扰和交叉极化通道不平衡误差,需要在定标前选取满足一定散射特征的分布式地物作为定标参考样本.利用螺旋散射的极化特征与分布特点,提出了一种新的极化定标参考地物自动提取方法.该方法根据极化目标分解构建螺旋散射比率特征,并采用自适应阈值分割方法自动提取地物样本.采用C波段机栽极化雷达影像进行实验,结果表明,所提方法能够保持影像极化定标的准确性,并能提高极化定标的精度.

摘要： 针对极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑抑制时难以兼顾保持结陶、极化信息这个难题,本文结合精极化Lee滤波和不动点迭代矩阵估计方法,提出一种抑制极化SAR图像相干斑的混合方法.该方法首先根据极化白化滤波变换后的变差系数计算极化SAR图像的异质度指数,通过确定异质程度的阈值,将极化SAR图像分为均质像元和异质像元,对于均质像元采用精制极化Lee滤波算法,对于异质像元则利用不动点迭代矩阵估计方法处理.实验结果表明,提出的混合方法不仅能够有效抑制相干斑噪声,同时对细节信息和极化信息有良好的保持能力.

摘要： 给出了一种散射模型与Wishart分类相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像非监督分类方法.首先利用去取向三分量散射模型进行粗分类,将像素划分为三种基本散射类型和混合散射类型;然后,在基本散射类型内根据占优散射机制的功率进行细分类,并根据Wishart距离对细分类的结果进行类别合并,合并到指定的类别数;最后对四种散射类型的像素分别重新进行Wishart迭代,从而实现极化SAR数据的非监督分类.利用美国AIRSAR机载系统采集的实测数据进行实验,并且同已有分类方法进行比较,结果表明本文方法改善了分类效果,且降低了体散射过估计.

摘要： 为解决极化SAR溢油检测特征筛选的问题,收集46景多波段极化SAR数据,选取423个油膜、疑似油膜和无油膜海面样本,针对19种极化SAR特征,开展极化SAR特征参数溢油检测分析和极化特征参数相关性分析,确定极化SAR溢油检测应重点关注的特征参数.

摘要： 为解决极化SAR溢油检测特征筛选的问题,收集46景多波段极化SAR数据,选取423个油膜、疑似油膜和无油膜海面样本,针对19种极化SAR特征,开展极化SAR特征参数溢油检测分析和极化特征参数相关性分析,确定极化SAR溢油检测应重点关注的特征参数.

摘要： 为解决极化SAR溢油检测特征筛选的问题,收集46景多波段极化SAR数据,选取423个油膜、疑似油膜和无油膜海面样本,针对19种极化SAR特征,开展极化SAR特征参数溢油检测分析和极化特征参数相关性分析,确定极化SAR溢油检测应重点关注的特征参数.

摘要： 极化SAR图像的非监督地物分类是极化SAR图像解译的重要内容之一.本文提出了一种新颖的极化SAR图像非监督地物分类算法.首先,将极化SAR图像进行快速超像素分割;然后,基于超像素提取Freeman极化分解和HSI色彩两个特征向量,并直接堆叠成一个高维特征向量,进而针对分割得到的超像素基于图模型构建一个距离矩阵和一个相似度矩阵;同时提出一种改进的视觉趋势评估(Visual Assessment of Tendency)算法基于距离矩阵以自动估计地物类别数目;再次,基于相似度矩阵采用谱聚类算法获取初始分割;最后,进行层次融合和误分超像素的类别修正.该算法能够实现地物自动非监督分类,且基于超像素分类的思想使得该算法具有较高的计算效率,并达到较高的分类精度.基于仿真和实测极化SAR图像的实验验证了本文算法的优越性.

摘要： 极化SAR图像的非监督地物分类是极化SAR图像解译的重要内容之一.本文提出了一种新颖的极化SAR图像非监督地物分类算法.首先,将极化SAR图像进行快速超像素分割;然后,基于超像素提取Freeman极化分解和HSI色彩两个特征向量,并直接堆叠成一个高维特征向量,进而针对分割得到的超像素基于图模型构建一个距离矩阵和一个相似度矩阵;同时提出一种改进的视觉趋势评估(Visual Assessment of Tendency)算法基于距离矩阵以自动估计地物类别数目;再次,基于相似度矩阵采用谱聚类算法获取初始分割;最后,进行层次融合和误分超像素的类别修正.该算法能够实现地物自动非监督分类,且基于超像素分类的思想使得该算法具有较高的计算效率,并达到较高的分类精度.基于仿真和实测极化SAR图像的实验验证了本文算法的优越性.

摘要： 极化SAR图像的非监督地物分类是极化SAR图像解译的重要内容之一.本文提出了一种新颖的极化SAR图像非监督地物分类算法.首先,将极化SAR图像进行快速超像素分割;然后,基于超像素提取Freeman极化分解和HSI色彩两个特征向量,并直接堆叠成一个高维特征向量,进而针对分割得到的超像素基于图模型构建一个距离矩阵和一个相似度矩阵;同时提出一种改进的视觉趋势评估(Visual Assessment of Tendency)算法基于距离矩阵以自动估计地物类别数目;再次,基于相似度矩阵采用谱聚类算法获取初始分割;最后,进行层次融合和误分超像素的类别修正.该算法能够实现地物自动非监督分类,且基于超像素分类的思想使得该算法具有较高的计算效率,并达到较高的分类精度.基于仿真和实测极化SAR图像的实验验证了本文算法的优越性.

摘要： 极化SAR图像的非监督地物分类是极化SAR图像解译的重要内容之一.本文提出了一种新颖的极化SAR图像非监督地物分类算法.首先,将极化SAR图像进行快速超像素分割;然后,基于超像素提取Freeman极化分解和HSI色彩两个特征向量,并直接堆叠成一个高维特征向量,进而针对分割得到的超像素基于图模型构建一个距离矩阵和一个相似度矩阵;同时提出一种改进的视觉趋势评估(Visual Assessment of Tendency)算法基于距离矩阵以自动估计地物类别数目;再次,基于相似度矩阵采用谱聚类算法获取初始分割;最后,进行层次融合和误分超像素的类别修正.该算法能够实现地物自动非监督分类,且基于超像素分类的思想使得该算法具有较高的计算效率,并达到较高的分类精度.基于仿真和实测极化SAR图像的实验验证了本文算法的优越性.

摘要： 本发明属于遥感图像处理技术领域，公开了一种杂波分布无关的极化合成孔径雷达船只检测方法，包括：对极化合成孔径雷达获取的Sinclair矩阵进行预处理；使用自适应线性极化滤波的方法进行目标增强，并以最大化目标与背景对比度为准则，将自适应滤波器的选取问题建模为优化模型；对最优极化滤波器与船只索引集合进行交替优化，极化滤波器的优化用过计算广义特征向量实现，船只索引集合使用扰动更新法进行优化；在只计算杂波统计中心矩的基础上，以给定的虚警概率计算统计分布无关的检测门限。本发明所采用的自适应极化增强技术和分布无关的检测门限计算方法，有效解决了在极化合成孔径雷达船只目标检测中所产生极化特征选取困难，杂波统计建模繁琐的问题。

摘要： 本发明提出一种基于多尺度注意力机制的全极化孔径雷达影像超分辨率重建方法，构建了内嵌特征层上采样、空间注意力、通道注意力、多尺度注意力、自适应损失函数等模块的残差卷积神经网络，联合监督型与零投型训练机制，获得训练收敛的网络。通过训练好的网络，对待处理低分辨率合成孔径雷达影像进行超分辨率重建，得到高分辨率全极化合成孔径雷达影像，在保持影像极化信息的同时，对其空间信息进行有效重建。

摘要： 一种基于子孔径分析的极化合成孔径雷达图像分类方法，属于雷达成像技术领域，涉及极化合成孔径雷达(PolSAR)图像处理技术。首先采用H/α平面对全分辨率极化SAR图像进行初始分类；然后对全分辨率极化SAR图像进行子孔径分解；然后根据初始分类，用所有子孔径图像的相干矩阵计算初始类别中心Vm；再计算所有子孔径图像中每一个像素点与各类别中心的距离测度，将像素点归类于距离测度最小的那一类；最后迭代终止条件是否达到，若达到，终止迭代；若未达到，返回步骤2继续迭代。本发明可以综合目标在不同视角下的散射特性，以及散射特性的变化，提高分类精度，带来更好的分类效果。

摘要： 本发明公开了一种基于三个点目标的全极化合成孔径雷达快速极化校正的方法，该方法通过三面角反射器、二面角反射器以及旋转22.5度二面角反射器的三个点目标，依据目标实测与理论散射矩阵来获取校正矩阵，然后利用校正矩阵对全极化合成孔径雷达的回波数据进行校正，从而对全极化合成孔径雷达各极化通道之间的幅度与相位不平衡及串扰进行校正。本发明方法校正处理过程简单、实用性强、成本低、精度高、易于操作，不需要依赖于成像区域的先验知识，且对系统性能不需做任何假设，可用于实验室环境和野外环境下对全极化合成孔径雷达系统的极化校正。

摘要： 本发明涉及一种全极化合成孔径雷达图像归类方法，包括：读入待分类图像的目标相干矩阵T，进行去取向处理，得到去取向后的极化相干矩阵对去取向后的极化相干矩阵进行去非对称性处理，得到去非对称性处理后的极化相干矩阵Tsym；根据得到的去非对称性处理后的极化相干矩阵Tsym，对X‑Bragg模型的自适应估算参数进行估算，获取最优参数δ、Δ；根据上述获取的最优参数δ、Δ，对待分类图像按属性进行归类。本发明还涉及一种全极化合成孔径雷达图像归类系统及终端。本发明能够提供分类效果良好的全极化合成孔径雷达图像归类。

摘要： 本发明公开了一种散射机理驱动的极化合成孔径雷达图像人造目标提取方法，包括：S1、根据极化相干矩阵的元素值在旋转建筑物区域、非旋转建筑物区域和自然区域中的相对幅度特征，利用分别对应二次散射、交叉极化散射以及反射不对称性的极化相干矩阵元素T22、T33、T13和T23构造矩阵元素组合特征MCF；S2、计算目标的极化协方差矩阵，根据目标的极化协方差矩阵得到共极化相关系数，将矩阵元素组合特征与共极化相关系数结合形成特征决策检测器；S3、利用直方图阈值方法在极化合成孔径雷达图像中确定检测阈值，利用所述检测阈值与特征决策检测器进行判断确定检测区域。本发明能够对建筑物散射机理进行更加准确、充分的分析。

摘要： 本发明公开了一种基于散射模型的极化合成孔径雷达图像舰船检测方法，包括：S1、根据极化合成孔径雷达图像建立旋转二面角散射模型；S2、建立八成分极化目标分解式并计算不同散射成分的贡献；S3、基于不同散射成分的贡献计算散射贡献组合器特征；S4、将散射贡献组合器特征与保护滤波器相结合，得到舰船检测器的响应；S5、基于整幅极化合成孔径雷达图像的舰船检测器响应，得到舰船检测的阈值；S6、将舰船检测器的响应与阈值进行对比，根据比对结果判断是否为舰船目标。本发明使用旋转二面角散射模型和八成分分解框架来提升目标散射表征的精度，设计散射贡献组合特征来有效增强舰船目标与海杂波的散射差异，从而提升舰船检测效果。

摘要： 本发明公开了一种π/4简缩极化合成孔径雷达建筑物区域提取方法，该方法利用简缩极化特征，合理地提取建筑物区域，为π/4简缩极化SAR建筑物提取方法提供了新思路。该方法包括：π/4简缩极化SAR图像数据预处理；获取预处理后的π/4简缩极化SAR图像，计算得到简缩极化特征；利用简缩极化特征，计算得到水体提取器、建筑物区域平行/垂直于雷达视线方向的正交建筑物区域提取器和建筑物区域与雷达视线方向存在大型倾斜角度的倾斜建筑物区域提取器；通过选取典型区域进行统计分析，得到水体提取器、正交建筑物提取器和倾斜建筑物区域提取器阈值，并将阈值用于提取建筑物区域，获取建筑物区域提取结果。

摘要： 本发明属于图像解译技术领域，具体公开了一种极化合成孔径雷达复图像数据变换方法，包括：步骤1、选取SAR复图像；步骤2、将SAR复图像转换为幅度图像A和相位图像Φ；步骤3、计算幅度图像A的均方差σ；步骤4、根据幅度图像A的均方差σ，计算U图像；步骤5、计算相位图像Φ；步骤6、根据相位图像Φ，计算相位V图像；步骤7、计算结果(U,V)即为最终的SAR复图像数据变换结果。本发明通过该方法变换获得的U和V具有近乎相同的数值范围和统计分布形式，有利于提高相位数据在SAR图像目标增强和探测中的应用程度和深度，提高SAR遥感图像的解译精度。

摘要： 本发明公开了一种基于卷积神经网络的极化合成孔径雷达图像舰船检测方法，包括：S1、对极化合成孔径雷达图像进行数据预处理，构建表征极化特性与几何特性的极化合成孔径雷达图像舰船检测数据集；S2、构建用于极化特征提取与几何特征提取的双分支卷积神经网络，通过极化特征与几何特征构建分类回归任务子网络；S3、按照预设的训练参数、损失函数和训练策略，基于极化合成孔径雷达图像舰船检测数据集对双分支卷积神经网络进行训练，利用双分支卷积神经网络执行极化合成孔径雷达图像舰船检测和指标评估。本发明能够大大地提升网络的鉴别能力以及从复杂的近岸远海场景中有效地检测出舰船。