结合极化白化滤波和SimSD-CapsuleNet的PolSAR图像配准

极化合成孔径雷达(PolSAR)图像配准在地物分类、变化检测、图像融合中都具有广泛应用。现有的PolSAR图像配准方法,无论是基于深度学习还是传统方法,大多采用PolSAR幅度影像信息进行处理。这种处理方式导致大量极化信息丢失,同时在PolSAR图像固有相干斑噪声影响下,配准精度和可靠性表现不佳。为此,本文首先发展了一种有效的基于极化白化滤波(PWF)精细化处理的关键点检测器,利用PWF对PolSAR图像进行相干斑噪声抑制,通过阈值约束、形态学腐蚀及非极大值抑制来选取显著且分布均匀的匹配关键点。进一步地,本文设计了一种孪生简单稠密胶囊网络(SimSD-CapsuleNet)来快速提取PolSAR图像的浅层纹理特征和深层语义特征,同时为了充分利用极化信息,本文将极化协方差矩阵作为输入数据。本文计算了胶囊形式特征描述符之间的距离,并将其输入硬L2损失函数用于模型的训练。本文方法在不同传感器获取的不同分辨率PolSAR图像上进行验证。结果表明,该方法能够在更短的时间内获取更加均匀且数量更多的匹配关键点,结合PWF和深度神经网络可以实现快速准确的PolSAR图像配准。

极化SAR相干斑抑制——极化白化滤波器

相干斑抑制是合成孔径雷达(SAR)图像和极化SAR图像后处理的首要问题。该文针对最优的极化相干斑抑制滤波器——极化白化滤波器(PWF)仅输出一个强度图像的缺陷,对 PWF进行了改进,得到了各个极化通道的强度图像。

极化白化滤波器的一种多通道扩展

为减小相干斑对分类、检测的影响,通常要对极化合成孔径雷达图像进行相干斑抑制。极化白化滤波器(PWF)是利用多个极化通道的复数据抑制相干斑的有效方法,但其输出只有一个通道。为了在后续处理中能够利用全极化数据,该文对PWF进行了改进,提出了多通道极化白化滤波器法(MCPWF)。该方法在保持PWF最少相干斑图像输出的同时,还能得到各个极化通道滤波后的输出。Pi-SAR实测数据的实验结果验证了该方法的有效性。

基于极化变换的极化匹配滤波器及其通带理论

借助极化基变换思想,通过矩阵特征值与特征矢量的方法求取了部分极化情况下极化匹配滤波器的极化天线最优接收极化方式,即最优极化Jones矢量解。分析了极化白化滤波器与匹配滤波器的性能差异,提出了极化白化-匹配联合滤波方法。针对极化匹配滤波器,分析了其最优极化接收Jones矢量在极化复平面上的表征。并在极化复平面上分析了极化通带的特性,得出在poincaré球上的极化球冠的通带映射到极化复平面变化为极化圆的表征模式,给出了极化圆随通带大小变化的趋势,这是极化通带理论的一个新发展,为极化滤波创造了简便的判决方法,同时为极化滤波中的数据处理提供了新的途径。

基于PWF融合的高分辨极化雷达目标检测算法

本文研究了高分辨全极化体制下目标的检测问题 .提出了串联检测的思想 :首先利用极化信息进行融合增强 ,改善一维成像质量 ,然后利用高分辨特性 ,将目标的检测转化为目标强散射中心的检测 .仿真实验验证了PWF改善了成像质量 。

基于无监督分类的多视极化SAR相干斑滤波

相干斑噪声是引起SAR图像降质的主要原因之一。多视极化白化滤波器(MPWF)是一种专门应用于多视极化SAR图像降噪的有效技术。其中,滤波器参数估计的精确度直接决定了其滤波性能的好坏。对此,该文提出了一种新的基于无监督分类的自适应窗算法。该算法以分类图像作为对象;在滑动矩形窗内以中心像素作为参照物,自动搜索与其同类的像素并用于MPWF参数估计。实验结果表明,与其他几种典型的算法相比,该法不仅有效地抑制了相干斑,而且对图像的纹理信息具有很好的保持能力。

极化SAR图像中PNF与PWF的CFAR检测性能对比

Marino于2012年提出了一种极化凹口滤波器(polarimetric notch filter,PNF)[1],引起了业界内的广泛关注,但至今尚未查询到公开文献将其与极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像目标恒虚警率(constant false alarm rate,CFAR)检测领域内著名的极化白化滤波器(polarimetric whitening filter,PWF)进行比较.文章推导了G0-Wishart分布下PWF输出像素强度的概率密度函数(probability density functions,PDF)和虚警概率(probability of false alarm,PFA),进而给出了检测门限的解析表达式.最后利用仿真数据和来自AIRSAR的实测数据对PNF与PWF的性能进行了比较,结果表明一般情况下PWF的整体检测效能优于PNF,而PNF对不同统计模型的适应性优于PWF,在高海况情形下的检测性能比PWF要好.研究结果对极化SAR图像CFAR检测方法的选择具有理论指导意义.

基于PWF的极化SAR图像匹配方法

极化合成孔径雷达(SAR)图像匹配是修正惯性导航累积误差和提高导航精度的重要手段。由于极化SAR图像的斑点噪声降低了目前多数匹配方法性能,故提出了一种基于极化白化滤波器(PWF)的极化SAR图像匹配方法,利用极化信息抑制斑点噪声从而改善了匹配效果。运用该方法和经典的极化总功率(SPAN)+尺度不变特征变换(SIFT)方法,对多组不同波段的SAR图像进行匹配试验,结果表明该方法在匹配点数、精度和成功率上均优于SPAN+SIFT匹配方法。

计算极化检测算法性能的一种方法

针对目标极化检测算法的一般表达式,在详细的数学推导的基础上给出了一种检测特性计算公式,并根据实验获得的杂波和目标极化协方差矩阵参数给出了计算机仿真结果。

一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法

提出了一种新的基于Cloude-Pottier分解和极化白化滤波(PWF)的全极化SAR数据分类算法。该算法利用PWF的结果来代替反熵A对复WishartH/α分类结果进行进一步细化,按PWF的值将复WishartH/α分类结果由8类分为16类,然后再次进行Wishart迭代分类。实验结果表明,该算法能有效地提高分类精度,分类结果明显优于常规的复WishartH/α分类结果和复WishartH/α/A分类结果。

一种PolSAR图像G0分布参数估计新方法

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(Matrix Log Cumulants,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(Mean Square Error,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。