合成孔径雷达测量技术发展与应用

合成孔径雷达(SAR,Synthetic Aperture Radar)测量,通过搭载在卫星或飞机上的雷达系统发射微波信号并接收地面反射回来的信号,来获取地表的信息,可以在任何天气和光照条件下工作,具有全天时、全天候的特点,是一种主动微波遥感技术。SAR测量时,雷达系统沿直线轨迹运动,同时发射微波信号并接收地面反射回来的信号,生成高分辨率的二维图像,即SAR图像。SAR测量具有大范围覆盖、多极化和多角度观测、穿透力、高分辨率,可用于干涉测量的特征。SAR可以从卫星或飞机上对地表进行大范围的观测,在不同的极化和入射角度下获取数据,穿透云层、植被等遮挡物,获取地表以下的信息。同时,SAR凭借侧视成像的特点,可以被用来精确估计地球表面物体的标高,这使得未来SAR技术的使用领域进一步扩大。

合成孔径雷达图像特征关键度分析与分类算法研究

针对合成孔径雷达(SAR)图像目标分类问题,从灰度和纹理特征分析出发,提出了一种SAR图像分类特征量的关键性度量指标。利用关键系数的概念定义了关键特征量、次关键特征量、非关键特征量和关键度。从灰度模型和纹理模型的特征统计量中选择关键度高的特征量,如灰度模型中的均值和方差、纹理模型中的角二阶矩、对比度、均匀性和相关性。针对SAR图像分类往往是多类别、多特征的情况,通过构造特征向量,定义向量距离,按照最小距离方法进行目标分类。为了提高计算速度和更好地描述特征量,引入了窗口方法。仿真和计算结果表明该方法行之有效。

特征提取与主成份分析的合成孔径雷达图像的分类方法研究

合成孔径雷达的图像分类,在军事和民事上具有重要意义。为了更好地实现分类,提出一种基于特征提取与主成份分析的方法(FEPCA)。特征集包括图像的Pauli特征、相干矩阵特征、小波特征、纹理特征。由于原始特征数目过多,因此采用主成份分析压缩特征维数。最后,选择人工神经网络作为默认分类器。实验部分选择WML算法与HA算法作为对比算法,对San Francisco的实测数据与地面真实场景显示,所提出的FEPCA算法为95.94%精确度,高于WML的94.82%与HA的95.73%精确度。因此,该算法优于WML与HA算法。

基于影像融合技术的合成孔径雷达(SAR)图像目标识别方法的探讨

对美国密歇根大学电子工程系的研究人员提出的一种多源数据融合算法进行了介绍,对SAR图像与可见光图像融合的一系列相关技术及其主要步骤进行了探讨,简要概括了评价融合后图像效果的标准和方法,并介绍了目标的检测与识别。

高精度合成孔径雷达图像分类算法仿真

研究合成孔径雷达图像准确性问题。合成孔径雷达图像分类过程中,特征集包括图像的Pauli特征、相干矩阵特征、小波特征、纹理特征等多特征,由于原始特征数目过多,并且采集特征伴随巨大的随机性,几乎不能建立多目标描述模式。传统的图像分类方法面临多特征、强随机性的特征集合时,因为无固定化的特征约束,导致分类效果不好的问题。为了避免上述缺陷,提出了一种基于最优分类平面的合成孔径雷达图像分类算法。利用局部二值模式纹理分析方法,进行合成孔径雷达图像特征提取,为图像分类提供准确的数据基础。利用最优分类平面方法,实现合成孔径雷达图像的分类。实验结果表明,利用上述算法进行高精度合成孔径雷达图像分类,能够获取准确的分类结果。

基于RaySAR软件的上海外滩建筑群合成孔径雷达图像模拟

利用RaySAR软件对上海市外滩建筑群进行合成孔径雷达(SAR)成像模拟.绘制了不同反弹次数信号对应的反射率图、信号反弹次数分布图.结合目标的几何物理信息,分析了模拟SAR图像中的点、线状特征、不同反弹次数信号和建筑具体结构之间的对应关系.试验表明,雷达信号的反弹次数与建筑物结构细节密切相关.基于真实雷达影像序列,按PSInSAR方法选取的永久散射体点的位置及其分布与SAR模拟图像中的二次、尤其是三次反弹信号的成像吻合度较高,初步实现永久散射体点在建筑物上的精确定位.

合成孔径雷达图像的近岸海面风场反演

根据海面微波散射原理 ,给出了星载合成孔径雷达 (SyntheticApertureRadar,SAR)图像海面风场反演的方法。该方法包括SAR图像辐射定标、海面风向确定和风速计算。利用该方法由加拿大RadarsatSAR图像反演获得了中国海南省东南部近岸海区海面风场 ,并与预报风场作了比较。结果显示 ,二者相符得很好 ,风速的均方根误差为 0 94m/s ,风向的均方根误差为 4 0 3°。

基于多层支持向量机的极化合成孔径雷达特征分析与分类

为了充分利用极化合成孔径雷达(SAR)图像不同极化特征对不同地物目标类型的刻画能力,提出一种基于多层支持向量机(SVM)的极化SAR特征分析与分类方法。该方法首先通过特征分析确定适合不同地物类型的最佳特征子集;然后采用分层分类树的方式,根据每一种地物类型的特征子集逐层进行SVM分类;最终得到整体分类结果。RadarSAT-2极化SAR图像分类实验结果表明所提方法水域、耕地、林地、城区4类地物分类精度为85%左右,总体分类精度达到86%。该算法充分利用了不同地物目标类型的特性,提高了分类精度,也降低了算法时间复杂度。

海洋合成孔径雷达图像斑点噪声的滤除

针对海洋合成孔径雷达(SAR)图像结构信息不明显、水下目标识别困难这一问题,提出了基于经验模式分解(EMD)的算法和H(o|¨)lder指数调整相融合的框架,该框架可以有效地滤除海洋SAR图像的斑点噪声并增强其结构信息,使得人眼可以分辨其特征信息。该融合框架利用EMD将海洋SAR图像分解成不同频率成分的分量,不同层次的分量根据其结构信息和噪声的特征用不同的H(o|¨)lder指数来调整,H(o|¨)lder指数的大小随着分量层数的增加而减小,即在不同尺度下分别抑制斑点噪声,从而恢复其中所包含的结构信息。试验结果表明,利用该框架可以有效抑制SAR图像中的斑点噪声和增强与水下目标相关的结构信息,使人眼可以分辨海洋SAR图像的特征结构。

基于控制点影像库的合成孔径雷达图像几何校正

近年来，多谱段和高分辨率合成孔径雷达(SAR)成像技术已取得巨大进步，人们也高度重视其潜在的应用前景。但是，因为雷达斜视成像性质和地形起伏影响，SAR图像在山区的几何畸变非常复杂，采用常规方法不能达到正射校正的结果，所以目前SAR图像的应用情况并不尽人意。实际应用的雷达图像正射纠正方法，特别是密集三角形格网的数字微分纠正方法需要大量纠正控制点，但是，雷达图像噪声和目标边缘模糊使自动匹配的选点算法难以成功。提出了一种基于控制点影像库的纠正控制点选点方法，用以提高点位精度和工作效率。该方法包括纠正区域控制点影像建库、灵活交互操作机制设计和点匹配操作。对不同空间分辨率雷达图像的实验处理结果表明，该方法具有较好的应用价值。

合成孔径雷达图像自动配准算法研究

针对合成孔径雷达图像配准对精度和时间的需求,文中对基于相似三角形的配准算法进行了改进:通过角度判断相似三角形,计算简单且可阻止病态三角形影响配准结果;鉴于用于视频追踪的强角点的优良性能,首次引入它作为配准点特征;基于开源计算机视觉库开发了图像自动配准软件,文中简述软件实现过程,分析了代码优化问题;与传统判断相似三角形的配准算法以及常用配准算法相比,实验数据表明,该算法能够精确求解几何形变参数,且运算时间降至毫秒级,对3种几何形变的配准率均高于97%。

合成孔径雷达图像重建的断层投影技术

本文提出了一种新的聚束式合成孔径雷达 (SAR)成像算法 ,这种算法的基础是SAR的断层投影成像模型 ,在约束优化重建技术中融入了成像目标的先验特征。通过对MITLinclin实验室ADTS数据库提供的雷达图像数据进行重建 ,给出了SAR成像结果 ,与传统SAR成像算法相比 ,此算法具有更高的抗噪力 ,能更好地区分不同的目标区域。

基于通道注意力机制的小样本SAR飞机图像分类方法

合成孔径雷达(Synthetic Aperture Radar,SAR)以其全天候、全天时、高分辨率、大幅宽的特点,成为对地观测的重要手段,图像分类是SAR图像解译的一个重要方向.和光学图像相比,SAR图像的成像机理较复杂,存在较多噪声干扰,导致图像清晰度较差、样本标注的难度大,无法保证深度学习算法对样本量的需求,因此,对小样本SAR图像进行图像分类成为当前SAR图像解译领域的重点研究问题之一.基于这一问题展开了基于元学习的SAR图像分类模型的研究,以实现小样本条件下SAR图像的高精度识别.构建基于注意力机制的原型网分类方法,设计了通道注意力模块来自动获取图像特征的重要程度,促进提取对图像分类更有判别力的特征;同时,对模型设计预训练网络,以充分利用已有数据的信息,学习更好的先验信息,提高分类的准确率.在自建的高分辨率SAR图像数据集上对该小样本分类模型进行了实验.消融实验表明,注意力模块和预训练模块对模型的性能均有一定的提升效果.通过对比实验,证明和当前常用的小样本学习方法相比,构建的分类方法能在SAR图像分类中获得较高的准确率,在第一组实验的5-way 1-shot实验中得到的分类精度提高了5.9%,在5-way 5-shot实验中提高了1.92%.

基于Mult-TWDTW算法的时序SAR图像土地覆盖分类

合成孔径雷达(SAR)图像为土地覆盖分类提供了重要的时序数据源.现有的时间序列匹配算法可以充分挖掘时序特征的相似性信息,从而获得较好的分类效果.本文引入了综合考虑形状相似性和物候差异的经典时序匹配算法TWDTW (time weighted dynamic time warping)指导SAR土地覆盖分类,并针对传统TWDTW仅考虑单一特征时间序列上的相似性匹配问题,提出了一种基于多特征联合的时间加权动态时间规整算法(Mult-TWDTW).该方法首先提取后向散射系数、干涉相干性以及双极化雷达植被指数(dual polarization radar vegetation Index,DpRVI)这3种特征,然后在TWDTW算法基础上联合多个特征设计了Mult-TWDTW模型.为验证所提方法的有效性,使用Sentinel-1A时序数据在丹江口区域完成土地覆盖分类,并将Mult-TWDTW与MLP、1D-CNN、Kmeans、SVM和使用单特征的TWDTW算法进行对比.实验结果显示,Mult-TWDTW算法得到了最好的分类效果,总体精度和Kappa系数可以达到95.09%和91.76,表明Mult-TWDTW算法有效联合了多个特征信息,能够提升时序匹配算法在多种土地覆盖类别分类中的潜力.

基于散射点拓扑和双分支卷积神经网络的SAR图像小样本舰船分类

随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题。在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力。该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取。在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合。该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合,从而增强模型的泛化能力并提高分类精度。实验结果表明,在OpenSARShip数据集上,所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%。而在FUSAR-Ship数据集上,所提方法分别取得了54.44%和71.36%的平均准确率。所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%,证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性。

合成孔径雷达图像的特征选择

讨论了合成孔径雷达图像分类中常用的特征 ,并且通过对各特征的分析及对各种特征组合的测试 ,给出了快速选择有效的特征应遵循的原则。最后给出适合于合成孔径雷达图像城区分类的特征。

基于卷积神经网络的SAR图像舰船分类

针对合成孔径雷达图像中斑点噪声导致图像分类准确率低的问题,提出一种基于改进VGG16的分类算法。在卷积层中加入一层注意力层,专注于重要特征,抑制不重要特征,从而抑制斑点噪声。在目标函数中引入Fisher损失函数,用该函数对特征的类内距离和类间距离进行约束,从而使得由于斑点噪声所造成的分类错误减少。通过实验可知,相比于改进前的网络,分类准确率提高了5.63百分点,有效改善了因为斑点噪声所造成的分类准确率低的问题。

合成孔径雷达图像的恒虚警率目标检测

目的 对合成孔径雷达 (SAR)图像实施恒虚警率 (CFAR)目标检测 .方法 利用 K-Gamma和Weibull分布的杂波模型分别对海面和陆地的人造目标实施检测 ;同时 ,对不同杂波背景下 CFAR检测方法进行比较 .结果与结论 通过检测结果的比较 ,证实了 K-Gamma分布和 Weibull分布分别适合于海面和陆地杂波背景下的目标检测 ;在非均匀杂波背景中 ,有序统计量 (OS)较单元平均 (CA)

基于集成改进卷积注意力块的SAR图像目标分类算法

在合成孔径雷达(Synthetic Aperture Radar,SAR)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分SAR特征之间的差异。为了解决此问题,文章提出了1种基于集成改进卷积注意力块(Improved Convolutional Block Attention Module,ICBAM)的SAR图像目标分类算法ICBAM_CNN。首先,该模块通过引入方差参数至传统CBAM模块中,设计了1种改进的CBAM注意力机制,有助于分类识别网络更好地学习SAR图像不同目标卷积层输出与通道注意力之间的差异信息,提升不同SAR目标特征的可分离性;然后,ICBAM设计了1种中心坐标注意力机制,能更好地捕捉SAR图像中目标的中心分布特征,有效抑制杂波对SAR目标分类影像的干扰;最后,为了提高效率,将改进后的ICBAM模块集成到CNN网络中,实现SAR图像目标分类。ICBAM_CNN深度融合了SAR图像目标的多层级特征,提升了SAR目标特征的可分离性,可实现SAR图像目标的高精度、高效率识别分类。通过MSTAR数据集进行实验,结果表明,相比于传统CBAM方法,改进ICBAM方法的精确率提升了2.44%,召回率提升了2.24%,F1-score提升了2.34%。

基于变差系数的合成孔径雷达图像超像素分割算法

由于简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对含有相干斑噪声的合成孔径雷达(synthetic aperture radar,SAR)图像边缘分割不理想,提出了一种基于变差系数(coefficient of variation,CV)的SAR图像超像素分割算法。该算法首先对SAR图像进行各项异性高斯平滑预处理,使得图像相干斑得到平滑的同时边缘信息不被破坏;其次,采用CV估计边缘信息,使得图像的同质区与边缘区更容易区分;最后用加入边缘信息的SLIC算法进行聚类,生成超像素。实验结果表明:该算法在SAR图像分割下与3种经典超像素算法相比,其召回率至少提高了5%,且超像素个数大于400时,欠分割错误率降低了2%。该算法使得SAR图像超像素分割的准确度提高,其边缘和图像真实边缘更加贴切。