SAR图像独立极化方位角整合的极化目标分解法

基于物理模型的极化目标分解方法由于其物理意义明确且易于实现,成为了极化SAR非相干极化目标分解的主流方法之一,然而这类方法在大方位角城市建筑区域往往存在体散射过估计和散射机制模糊问题,为此,本文提出了一种基于独立极化方位角整合的六分量极化目标分解方法。该方法不再采用极化方位角补偿的策略,而是引入3个独立的极化方位角分别对偶次散射模型、偶极子模型和四分之一波模型进行描述,得到了更一般的改进的偶次散射模型、广义偶极子模型及广义四分之一波模型。本文方法简化了表面散射模型和偶次散射模型,在降低未知变量的同时,有效地解耦了各散射分量;所采用的6种模型完全解释极化相干矩阵的9个元素,充分利用了极化相干矩阵信息;分析了极化相干矩阵主对角线元素的旋转不变性,利用该性质避免了极化方位角参与计算,同时分解过程避免了除法导致的计算异常,保证了极化分解结果的稳定性。利用GF-3和UAV SAR全极化数据进行试验,试验结果表明,本文方法能够在保证森林植被、海洋水体等自然区域的主导散射正确提取的情况下,有效地改善城市建筑特别是大方位角建筑区域的体散射高估问题,总体分解结果更为符合实际地物散射过程。

一种基于精细极化目标分解的舰船箔条云识别方法

用于干扰舰船目标的箔条云通常具有与舰船目标相近的尺寸和雷达散射截面积,这使得舰船与箔条云的识别成为一个非常有挑战性的问题。该文提出一种基于精细极化目标分解的识别方法。为了能够有效地识别舰船目标与箔条云,该文首先结合3种精细化散射模型,提出了一种基于精细散射模型的七成分分解方法。通过这种分解方法可以有效地刻画舰船目标的散射特性。为了将舰船与箔条云的极化特性进行有效的对比和区分,该文根据分解得到的散射成分贡献构造了一个稳健的散射贡献差特征。最后,通过将构造的散射贡献差与极化散射角结合,构造了新的特征矢量并利用支持向量机实现了最终的识别。实验利用仿真和实测的极化雷达数据对所提方法进行了验证,结果表明该方法优于现有的其他方法,并能够达到最高98%的正确识别率。

利用多尺度融合的SAR图像变化检测方法

为充分利用图像的细节信息,提高变化检测算法的鲁棒性和稳健性,本文融合了多个尺度间的特征,提出了一种自适应SAR图像变化检测方法。首先采用小波函数对对数比差异图进行多尺度分解,而后采用独立重构的方式,得到不同尺度下的重构图像。接着采用均值循环迭代分割算法,以甄别变化区域与未变化区域。最后将不同尺度下的判别结果,采用马尔科夫随机场融合的方式,来获取最终的变化二值图。通过对不同尺度下的图像进行融合,该方法不仅有效地利用了尺度信息,而且对边缘的检测更加细致。实验结果表明该算法能够有效地提高SAR图像变化检测的精度和鲁棒性。

极化SAR非相干目标散射机理分解方法及应用研究

作为高分辨率微波成像系统从获取单一“图像”到定量化测量里程碑式的突破,极化合成孔径雷达在测量不同通道下幅度和相位的基础上,可以完整而准确地获取不同地物目标的散射信息。由于其明确的物理特性,极化非相干目标散射机理分解在散射机理分析中发挥着不可替代的作用。当今,城市发展已成为新时期人类文明前进的重要标志,建筑物毁损、道路规划以及自然灾害变化检测等产生的建筑物地域特征内涵都需要科学的评估。

联合数学规划策略和精细极化分解的极化SAR舰船目标检测

由于人造目标具有方位多变和结构复杂等特点,设计具有强泛化、易分辨的特征来实现极化合成孔径雷达(synthetic aperture radar,SAR)目标精准检测是一个非常有挑战性的问题.受数学规划思想的启发,在基于物理模型的极化分解框架下,本文设计了一种散射贡献组合特征检测器用于检测极化SAR舰船目标.一方面,利用类差倒数变换和sigmoid函数变换,首先构造了一种旋转二面角散射模型,它能充分反映由方位变化所导致的同极化和交叉极化响应之间的快速转变.结合类偶极子混合散射模型,以及通过设计基于根的判别式的模型求解策略,随后提出了一种极化信息完全利用的八成分目标分解方法,它能够有效刻画舰船目标的局部结构散射并显著改善体散射过估问题.另一方面,通过分析舰船目标不同散射机理的分布显著特性,以及舰船目标相对海杂波的散射独有特性,利用线性及非线性运算等数学规划策略,首先设计了一种稳健的散射贡献组合器特征.随后将该特征与保护滤波器结合,进一步增强其分辨能力以实现最终的舰船目标检测.实验利用不同实测极化SAR数据对所提方法进行了定性和定量验证,结果表明该方法优于现有的其他舰船目标检测方法,检测品质因素最高可达0.96.