综合去取向和广义体散射的三分量极化目标分解模型

该文深入分析了Freeman分解中存在的体散射过度估计问题,并发展了一种综合去取向理论和广义体散射模型的三分量极化目标分解模型解决该问题。首先,在分解前对极化协方差矩阵进行去取向处理以削弱交叉极化分量;然后采用一种广义体散射模型以适应林地中HH分量和VV分量的比值变化;最后,增加功率限制处理以完全消除负功率问题。实验采用德国Oberpfaffenhofen地区L波段机载ESAR数据进行验证,并与其他改进模型进行比较,结果表明,综合处理后的分解模型能显著地解决体散射过度估计问题,且分解结果更接近地物的实际散射机理。

一种适合方位建筑物的基于物理散射模型的极化SAR影像四分量分解方法

针对走向与雷达飞行方向不平行的建筑物(简称为方位建筑物),提出了一种基于物理散射模型的极化SAR影像四分量分解方法.该方法用于区分散射类型易混淆的方位建筑物和植被.本文首先对方位角补偿后的相干矩阵进行相位旋转;然后构造一种修正的体散射模型,该模型包含纯体散射模型和方位二面角散射模型;最后加入两个能量限制条件,有效避免了负能量像素点的出现.实验结果表明,与已有的四分量分解方法相比,提出的分解方法有效解决了方位建筑物被误识别为植被等体散射类型的问题且消除了负能量,有利于从植被中区分方位建筑物.

一种自适应的混合Freeman/Eigenvalue极化分解模型

全极化SAR数据的极化分解在土地利用分类、目标检测与识别以及地表参数反演等领域得到了广泛应用。目前,主要有基于特征值分解和基于模型分解2类极化分解方法。混合Freeman/Eigenvalue极化分解结合了两者的优势,避免了基于模型的极化分解中负功率问题并且能够利用已知的散射机制解释分解后的散射分量。为了进一步拓展该分解在不同地表类型中的应用,通过引入参数Neumann一般化体散射模型,提出了一种自适应的极化分解模型。利用德国Black Forest地区的L波段AirSAR(airborne synthetic aperture Radar)全极化数据进行实验,并与现有的Yamaguchi三分量模型和自适应非负分解(adaptive nonnegative eigenvalue decomposition,ANNED)对比分析,以验证模型的有效性。研究表明,自适应的混合Freeman/Eigenvalue极化分解模型保证了分解能量的非负性及完全分解,适应于不同类型的地表,能有效地区分不同地类。

双基地激光测风雷达回波信号仿真研究

本文针对传统的体散射模型并未考虑大气不均匀性对信号传输的影响等问题,通过引入垂直非均匀的大气参数改进了模型,并利用其建立了体目标的双基地激光测风雷达方程,仿真了侧向散射回波信号,并与单基地雷达进行了对比分析。研究表明:水平方向上,双基地激光测风雷达的回波信号分布特征与单基地雷达差异较大,其回波信号等值线在近地面为卵形线,随着探测高度的增加,回波信号等值线逐渐变为以主、被动雷达为焦点的椭圆形,并最终趋近于圆形;垂直方向上,双基地激光测风雷达的回波信号随高度衰减剧烈,近地面的回波能量约为10^(-10) J,4 km高度的回波能量约为10^(-15) J,在中低层大气(0~10 km),回波信号中气溶胶散射占比大,在高层大气(10 km以上),分子散射占比大。

利用改进三分量分解与Wishart分类的极化SAR图像建筑提取方法

本文针对基于Freeman分解的建筑提取方法存在的问题,提出采用圆极化相关系数实现选择性去取向,同时引入广义体散射模型,构建了面向建筑提取的改进三分量分解模型,以准确分析地物的散射特性。在此基础上,发展了一种综合利用改进三分量分解与Wishart迭代分类算法的极化SAR图像建筑提取方法。使用E-SAR全极化数据的试验结果表明,本文方法能够有效减少建筑与植被的误分,并提高建筑信息提取的准确性。

一种改进的极化SAR图像四成分分解方法

目标分解是极化合成孔径雷达(SAR)应用的重要基础,其中四成分分解算法在对城市等复杂地物的分析中有很好的应用。原四成分分解得到的体散射分量通常较大,这是由于所应用的体散射模型不能完全描述实际复杂地物的随机散射过程造成的。为了更好分析地物的实际物理散射特性,结合新的体散射模型,提出了一种改进的全极化SAR图像四成分分解算法。对目标散射相干矩阵进行定向角旋转,利用新的体散射模型对目标矩阵进行分解,在分解过程中加入功率限制以防止分解中负功率的出现。最后对NASA/JPL实验室AIRSAR-L波段的旧金山数据,以及ALOS/PALSAR的北京地区极化数据进行了分析,实验结果验证了该方法的有效性。

一种面向建筑物提取的极化雷达影像分解方法

针对基于物理散射模型分解的建筑物与植被混淆的问题,发展了一种面向建筑物提取的全极化SAR影像多分量分解方法,用于区分散射类型易混淆的方位建筑物(走向与雷达方位向不平行的建筑物)与植被。该方法根据植被与建筑物的不同散射机制,预先剔除了植被像元,修正了体散射模型,改进了常规的全极化SAR多分量分解方法。通过H/α/A分解和非反射对称比筛选出植被像元,抑制植被区域对多分量分解效果的影响;引入修正的体散射模型,改进多分量分解模型;对植被区域进行Yamaguchi四分量分解,其他区域进行改进的多分量分解。利用E-SAR和AIRSAR全极化数据进行实验。结果表明,与传统的多分量分解方法相比该方法能够有效去除建筑物中的自然地物虚警从而提高检测精度。

一种极化SAR协方差矩阵综合四分量分解模型

基于多视协方差矩阵发展了一种综合选择性去取向和广义体散射的极化SAR四分量分解模型。首先引入交叉极化相关系数进行螺旋体散射抑制和非反射对称地物去取向;然后采用一种随HH和VV功率比值自适应变化的广义体散射模型来替代原体散射模型;最后通过功率限制处理以完全消除分解负功率像素,该处理不仅能够保持地物主导散射类型不变,而且包含与Krogager分解三分量对应的非相干分解。通过机载L波段ESAR和AirSAR极化数据实验并与其他分解模型的比较,验证了该分解模型的有效性。

线性变化消光S-RVoG模型的多基线PolInSAR森林高度反演

随机地体散射(random volume over ground, RVoG)模型广泛应用于极化干涉合成孔径雷达(polarimetric synthetic aperture radar interferometry, PolInSAR)森林高度反演当中。该模型假设森林是随机均匀同质体,模型中消光系数为恒定值,未充分考虑森林的垂直异构性及地形起伏的影响。提出了一种基于线性变化消光Slope-RVoG(S-RVoG)模型的多基线PolInSAR森林高度反演方法。该方法假定消光系数随着高度呈线性变化,并根据地形坡度对垂直向有效波数进行校正,采用多基线PolInSAR数据解算线性变化消光S-RVoG模型参数,进而获取森林高度。通过选取欧空局AfriSAR 2016项目获取的P波段F-SAR机载PolInSAR数据进行实验验证。实验结果显示,提出的算法所获取的森林高度结果与激光雷达获取的森林高度相比,均方根误差(root mean square error,RMSE)为4.27 m,相对误差为9.9%。相较于传统S-RVoG模型多基线算法获取的森林高度RMSE为5.97 m,精度提高约28.4%。