自适应堆栈滤波在极化SAR图像分类预处理中的应用

堆栈滤波器属于非线性滤波器的一种,它在滤波后图像的边缘和细节保持方面有很好的效果。研究将自适应堆栈滤波器引入到对极化合成孔径雷达(pol-SAR)图像分类的预处理,即滤除极化SAR图像相干斑噪声。而递归过程在平均绝对误差(MAE)准则下对堆栈滤波器的优化也在缩短滤波程序执行时间和强化输出图像质量方面都有不错的效果。滤波后的图像将会首先进行相干数据分解(H/A/α分解),基于分解后的数据使用H-α/Wishart分类方法来进行极化SAR图像分类,分类效果将会与基于其他滤波预处理后的分类图像进行比较并得出最后结论。

基于同质像素预选择的极化SAR图像非局部均值滤波

该文针对在极化合成孔径雷达(Pol SAR)图像相干斑抑制过程中结构特征和极化散射特性保持的难题,提出一种基于同质像素预选择的非局部均值滤波算法(NLM-HPP)。该算法结合像素统计特性和极化散射机制选择滤波同质像素,并引入结构损失函数提高非局部均值(NLM)算法中像素间相似性度量的准确性,最后用改进的相似性度量对同质像素的协方差矩阵进行加权平均,实现对Pol SAR图像的相干斑抑制。对真实Pol SAR数据进行的实验结果表明,与现有的Refined Lee滤波、基于散射模型的滤波方法和两种非局部均值滤波相比,此方法在有效滤除相干斑点的同时能更好地保持Pol SAR图像的结构信息和极化信息。

Radarsat-2全极化SAR车辆目标典型方位特性分析

Radarsat-2卫星可为普通用户提供8 m分辨率全极化SAR影像服务,这为研究基于星载全极化SAR影像的目标检测与监视提供了数据保障。针对此新型星载SAR影像中的车辆目标,本文提出以目标RCS测量和极化分解两种技术相结合的目标特性分析方法,并以同型号、典型方位的大型卡车为例,进行了不同入射角条件下的两次同步实验。利用本文提出的分析方法对实验数据进行了分析,给出了卡车目标在不同成像方式下的极化特性分析结论。为进一步研究基于星载全极化SAR影像的道路交通监测提供了基础。

基于监督非相干字典学习的极化SAR图像舰船目标检测

提出了一种结构化非相干字典学习算法(Structured incoherent dictionary learning,SIDL),并将该方法应用于极化SAR(Polarimetric synthetic aperture radar,Po LSAR)图像舰船目标检测.在字典学习阶段,构建了一个新的目标函数,为了降低子字典对交叉样本的稀疏表示能力,将子字典对交叉样本的重构能量约束及子字典互相干性约束加入到字典学习目标函数中.通过这两个约束,降低了子字典对交叉样本的表示能力,目标和杂波的极化特征矢量在学习获得的字典下具有良好的区分特性.该方法不依赖于目标后向散射能量,只利用学习获得的极化字典,根据测试样本在极化字典下的稀疏表示进行目标的检测.实验采用RADARSAT-2数据进行了验证,对比实验结果表明,本文提出的方法可以更好地抑制杂波,对弱小目标实现检测,获得了更好的检测效果.

基于极化分解和膨胀卷积的极化SAR地物分类

针对基于深度学习的极化SAR地物分类中存在的标注数据少且未能利用SAR极化分解特征的问题,提出了一种基于极化分解和膨胀卷积的极化SAR地物分类方法.在低采样率下训练基于像素分类的卷积神经网络(CNN),将其卷积层参数迁移到同结构的膨胀卷积网络(DCNN),解决了膨胀卷积网络训练数据不足的问题;然后将反应地物散射特性的极化分解特征与包含高维空间语义信息的膨胀卷积特征图进行联合,使用联合特征构建随机森林(RF)进行分类.实验表明,特征图和极化分解的联合特征能够实现更为精确的分类,且由于引入膨胀卷积和随机森林,算法具有很高的实时性.

利用多特征融合和集成学习的极化SAR图像分类

该文提出了一种利用多特征融合和集成学习的极化SAR图像监督分类算法。该算法首先提取极化SAR图像的多重特征,包括EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及扩展四分量分解特征。为保证集成学习中基本分类器的差异性与准确性,算法从5组特征集中每次随机选取两组不同的特征进行串联融合,作为SVM分类器的输入。最后,利用随机森林学习算法将所有基本分类器的预测概率集成输出最终分类结果。像素级和区域级的分类实验表明了该文算法的有效性。

基于简缩极化干涉SAR数据的森林垂直参数反演

森林区域竖直结构参数的反演是极化干涉雷达的一个重要应用,基于RVo G模型,运用全极化干涉数据可成功获得森林区域的地形估计及树高反演。该文将基于单基线简缩极化干涉SAR(C-Pol In SAR)数据对森林区域进行林下地形估计及树高反演。推导单基线简缩极化干涉相干系数及相干区域,根据相干区域进行直线拟合,提出简缩极化干涉数据下的地形相位判别准则及体散射去相干估计方法,然后完成树高反演。通过L,P波段仿真数据以及实测机载数据对上述方法进行验证,获得正确地形及树高。简缩极化发射波极化状态不唯一,因此该文详细分析不同参数的椭圆极化对地形及树高等参数估计的影响,研究表明地形树高受椭圆极化波影响较小,也验证了估计方法的稳定性。

基于双边滤波的极化SAR相干斑抑制

在对极化SAR数据进行相干斑抑制过程中,保持其极化信息是首要考虑的问题,而对极化SAR数据各元素进行独立的滤波是不可取。依据极化SAR数据形式及噪声模型,该文将双边滤波推广至极化SAR数据处理,推导出一种新的相似性距离度量公式,所提方法可以直接对极化协方差矩阵C或极化相干矩阵T进行处理。该方法能够保持极化信息,有效地抑制相干斑,同时能够更好地保持点目标、纹理结构等,在处理大幅面的极化SAR数据时简单、快速、有效。

基于模型的π/4模式简缩极化干涉数据目标分解

基于模型的目标分解是极化合成孔径雷达(SAR)的一个重要应用,基于模型目标分解依赖于极化数据仅能获得各散射机制的能量信息。该文将基于模型的分解技术应用到π/4模式的简缩极化干涉SAR(C-Pol In SAR)数据中,对互相关矩阵进行分解,在获得各散射机制功率的同时获得对应的散射相位中心。该文首先推导出3种散射机制π/4简缩极化SAR干涉观测下散射模型,然后运用数值计算方法进行目标分解,最终求解出各散射机制的功率贡献及相位中心高度信息。仿真数据验证了该算法的有效性,分析了不同波段及不同地表参数对分解结果的影响。

基于SVM的极化SAR沿海滩涂分类

采用全极化SAR影像对江苏沿海滩涂进行了基于SVM的分类研究。首先在极化特征的基础上,引入影像的纹理特征,然后将这些特征进行不同的组合并进行归一化,最后利用SVM对江苏沿海滩涂进行分类和精度评估。结果表明,各向异性度参数与平均散射强度结合可以提高地物分类精度,纹理特征也会对养殖塘和水田的区分起到一定的作用。相干矩阵元素可以提供Cloude-Pottier分解所不包含的信息,将它们加入特征空间分类时,分类效果显著提高。另外,实验也表明,当过多的特征参与分类时,会影响最终的分类效果。

基于目标相干散射特性的极化SAR图像分解分类方法

基于对目标极化相干散射特性的分析,我们改进了Cloude和Lee等人提出的极化特征分解及非监督分类算法,以适应高分辨率极化SAR图像中复杂的地物细节特征。实验结果表明,相对传统方法,该方法更能够保留目标的细节特征、准确地估计目标极化相干矩阵,因此能够获得更好的分解分类结果。另外,该方法还具有较好的收敛性和鲁棒性。

一种双频极化SAR图像分类方法

本文提出了一种利用两种不同频率下的极化SAR图像进行地物分类的新方法,该方法包括了两个过程,初始类划分过程和迭代修正过程。初始类划分过程是基于目标的散射特性随频率变化而改变的趋势和程度实现的。与传统的双频极化SAR图像分类中的初始类划分方法不同,新的划分方法基于不同频率下所提取的特征量,定义了特征变化量和特征变化平面,在特征平面上直接进行多类目标的初始类划分,而不需要迭代和类合并过程。这种新的初始类划分方法反映了目标散射特性随频率的变化关系,物理意义直观,实现方法简单易行。将这种初始类划分方法与Wishart分类器相结合,就可以实现对极化SAR图像的无监督迭代分类。实测的SIR-C数据和AIRSAR数据的分类结果表明,该方法是一种有效的极化SAR图像分类方法。

基于幅相一致性校正的稳健植被参数反演方法

植被参数反演是极化干涉合成孔径雷达(Pol In SAR)的重要应用。传统反演方法未考虑观测样本数据幅度和相位的非平稳特性,以及观测信号非均匀分布对其散布区域线性变化主导方向估计的影响。针对这些问题,该文首先采用经过幅度和相位一致性校正的数据样本估计极化相干矩阵,提高了极化干涉复相干系数的估计性能,并提出了映射空间均衡化(MSR)处理技术以消除观测信号非均匀分布对主导方向提取的影响,通过引入主成分分析(PCA)方法进一步提高了参数反演算法的性能。利用欧空局(ESA)发布的软件PolSARPro仿真验证了该文方法在植被参数反演方面具有更好的稳健性和估计精度。

基于混合极化架构的极化SAR:原理与应用(中英文)

合成孔径雷达(Synthetic Aperture Radar,SAR)应用性能主要受限于同时获取高分辨与宽测绘幅宽的雷达图像的能力。而对于极化SAR(Polarimetric SAR,Pol SAR)系统而言,其测绘幅宽更加受限。近年来,称为混合极化(Hybrid-Polarity,HP)架构的新型极化SAR架构吸引了广泛的注意。相比于传统的线性极化SAR,基于混合极化架构的极化SAR具有两点重要优势:更宽的测绘幅宽与更低的硬件要求。该文首先回顾了包括系统设计、系统模型与定标方法在内的混合极化架构相关原理。接着详细阐述了混合极化架构在定标与发射配置两个方面在工程实现中的难点并提出了一种改进型混合极化架构。与此同时,还介绍了以实验验证为目的而开发的原型实验系统。该文的后半部分回顾了适用于基于混合极化架构的极化SAR的相关应用。由于基于混合极化架构的极化SAR系统产生的全极化数据可以直接转换为传统的线性全极化数据,因此这一部分内容主要集中在对应的双极化应用,即简缩极化(Compact Polarimetry,CP)应用上。

快速实现投影寻踪方法并分类极化SAR图像

针对序列投影寻踪聚类模型用于多视极化SAR图像分类存在的速度慢的问题,文章提出了一种基于Bootstrap方法的快速投影寻踪实现方法。文中定义了拟最佳投影方向,给出了用于分类的Bootstrap样本选取准则,于是,只需要较少的样本就可寻找到拟最佳投影方向,实现极化SAR图像的快速分类。分类结果和原有的序列投影寻踪聚类分类结果一样,与直接采用极化散射特性的方法相比,都能极大地改进分类结果。同时相比于原有算法又极大地提高算法实现的速度。

一种高分三号复数散射矩阵数据快速转换算法

高分三号具备聚束、全极化条带、波模式等12种成像模式。PolSARpro是欧空局支持下的一款极化SAR图像处理的开源软件,为了方便利用该软件处理高分三号数据,本文提出了一种按照PolSARpro软件的数据格式要求进行快速转换的算法,将高分三号极化数据快速精确转化为复数散射矩阵S2数据格式,通过KingMap V7.0平台实现了算法并在实际数据中进行测试,验证了算法的可行性和正确性。

A new scattering similarity based metric for ship detection in polarimetric synthetic aperture radar image

A new paradigm for ship detection in polarimetric synthetic aperture radar(Pol-SAR)image is presented.We firstly utilize the scattering similarity parameters to investigate the differences of scattering mechanism between ships and sea clutter.Based on these differences,we propose a novel ship detection metric,denoted as the scattering similarity based metric(SSM),to conduct ship detection task.The distribution model of SSM metric is investigated and modeled by kernel density estimation(KDE).Based on the statistical distribution,an adaptive constant false alarm rate(CFAR)detection scheme is implemented.We compare the proposed SSM with two classic polarimetric metrics,i.e.,the polarimetric cross-entropy(PCE)and the reflection symmetry metric(RSM).The experimental results conducted on C-band RADARSAT-2 Pol-SAR data demonstrate the feasibility and advantage of the proposed SSM metric both in sea clutter modeling and in ship detection.

极化SAR图像中基于子孔径分析的两种非平稳目标检测

为检测和区分极化遥感SAR图像中的非平稳目标,讨论了极化SAR图像中两种非平稳目标的检测和区分方法。用极大似然比对固定朝向非平稳目标进行检测,用变化系数对周期表面非平稳目标进行检测。仿真结果表明,两种方法分别能把两种非平稳目标检测出来。

基于子孔径分析的极化SAR图像非平稳目标检测

介绍了SAR图像子孔径分析的原理和应用,并对一幅全极化SAR图像进行了子孔径分解。并介绍了非平稳目标的检测准则。利用极大似然比检测方法,对生成的子孔径图像进行了非平稳目标的检测。

基于权重散射特征的FSVM算法在极化SAR影像分类中的应用

提出了一种基于权重散射特征的模糊支持向量机的极化SAR数据监督分类方法。首先,对极化SAR数据进行H/SPAN/A/α散射特征提取;其次,根据样本可分离度设置最佳散射特征权重参数C,得到最优分类输入数据(H/6SPAN/A/α);最后,利用FSVM算法对数据进行监督分类。实验结果证明,所提出的FSVMH/6SPAN/A/α分类结果优于FSVM-H/SPAN/A/α。