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。

面向极化目标分解的特征参数研究

为有效的解决极化特征分解中平均阿尔法角参数和熵参数的估计量偏低的问题,引入了加权平均函数、香农强度熵和极化度熵这3个参数,来描述地物散射回波的散射机制和散射随机性。给出了相干矩阵数据特征分解算法的实现流程,对AIRSAR数据集中的样本图像进行了定性的、定量的实验。实验结果表明,在不改变采样数量的前提下,新的参数值得到了提升。将新的参数应用于有监督威沙特距离分类,并通过蒙特卡罗仿真器验证了新的参数能够提高分类精度。

利用极化目标分解和WMRF的全极化SAR图像分类方法

提出了一种新的全极化SAR图像非监督分类方法,该方法将H/Alpha/A分解与马尔科夫随机场(Morkov rondom field,MRF)相结合。首先,根据地物的散射机制进行H/Alpha/A分解得到初始分类;然后,由基于Wishart分布的最大似然法迭代聚类更新分类结果;最后,结合WMRF(Wishart Markov randomfield)方法,由迭代条件模型法求取最大后验准则下的分割结果。NASA/JPL实验室的数据结果表明,该算法具有较好的分类效果,并获得了较高的分类精度。

极化SAR图像目标分解方法的研究进展

极化合成孔径雷达(极化SAR)经过近几年的迅速发展,已经成为遥感领域的一大研究热点。极化目标分解作为极化SAR图像分析的一种基本手段,所提取的极化信息是极化SAR图像目标检测和分类的基础,在极化SAR图像解译中起着关键作用。通过对近几年极化目标分解方法的发展作一个全面的阐述,重点介绍该领域出现的新技术,使相关研究人员能够更清晰地了解这一领域的最新进展。

双极化SAR目标分解方法研究及应用

在对常规雷达数据特征与地物分类研究的基础上,重点研究双极化SAR图像的目标分解方法,并基于神经网络将分解后得到的极化信息与常规雷达数据有机结合应用于植被的分类研究。结果表明,多种极化信息能够获取更多的地物信息,极大地提高了植被识别和分类能力。

SAR目标极化分解方法研究

从极化SAR图像数据中,我们可以提取目标的极化散射特性,从而实现全极化数据的分类和聚类等其他应用。这需要我们对极化数据进行分析,有效地分离出目标的散射特性,其理论核心是目标分解。本文针对几种现有的目标分解方法进行了深入的分析和研究,并从分解思想、分解结果、算法实现难点、计算量以及应用范围等多方面进行比较,以期对这些分解方法进行更深刻的理解,为目标分解方法的实际应用提供一定的理论参考。

极化SAR目标散射旋转域解译理论与应用

雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系。雷达目标的这种散射多样性给以极化合成孔径雷达(SAR)为代表的成像雷达信息处理与应用造成诸多不便,是当前目标散射机理精细解译和定量应用面临的主要技术瓶颈之一。该文回顾并介绍一种在绕雷达视线旋转域解译目标散射机理的新思路,主要包括新近提出的统一的极化矩阵旋转理论和极化相干特征旋转域可视化解译理论。目标散射旋转域解译方法的核心思想是将特定几何关系下获得的目标信息拓展到绕雷达视线的旋转域,为目标散射信息深度挖掘和利用奠定基础。该文详细分析上述方法导出的一系列新的极化特征参数集,并开展应用验证。对比研究证实了旋转域解译方法在地物辨识与分类等领域的应用潜力。

基于极化分解的极化SAR数据地质信息提取方法研究

全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)能够在不同收发极化组合下,测量地物目标的极化散射特性。获取的目标回波信号包含了不同极化状态下的幅度和彼此间的相对相位信息,因而大大提高了成像雷达对目标各种信息的获取能力,已经成为国内外微波遥感发展的热门方向之一。本文以Radarsat-2雷达影像为数据源,对新疆塔萨拉地区开展岩性、构造与矿化蚀变信息提取研究。通过H-A-Alpha极化目标分解,最大限度地提取目标极化信息。同时利用H-A-Alpha-Wishart非监督极化分类的方法,研究了区域地层展布特征和构造框架。与传统的单极化方法相比,全极化方法能获得更多的目标信息,降低了解译难度,可作为常规方法的有效补充。

一种改进的极化SAR自适应非负特征值分解

自适应非负特征值分解(ANNED)存在两个局限性,一是利用非负特征值分解(NNED)的搜索解法计算体散射功率,需要反复计算特征值,计算代价较高;二是ANNED的余项协方差矩阵可能存在负特征值,从而造成分解结果是无意义的。针对这两个局限性,该文提出了一种改进的ANNED,首先通过计算NNED中余项协方差矩阵主子式的零点提出NNED的快速解法,该方法在用于提取ANNED的体散射功率时不需要反复计算特征值,从而提高了计算速度;其次该快速解法用于调整ANNED的散射功率以此解决余项协方差矩阵存在负特征值的问题;实验表明,改进的ANNED能明显增强城区的二面角散射功率,减少城区的体散射功率,并有助于提高分类精度。

改进的极化SAR图像三分量分解方法

针对原始三分量分解方法中,偶次散射和表面散射类地物的体散射分量可能会过估计的问题,提出了一种基于H/α珔参数和一般散射机理模型的改进的三分量分解方法。首先在进行极化分解之前利用H/α珔参数判定目标的主导散射类型。对于主导散射类型明确的像素点,利用一般散射机理模型优先计算主导散射成分的相关扩展系数,然后再从剩余成分中提取非主导散射分量。对于主导散射类型不明确的像素点,采用传统的去取向三分量分解方法进行分解。对实测极化SAR图像进行实验表明,新方法不仅继承了传统三分量分解方法的优点,而且能在分解结果中更加有效地突出雷达目标的主导散射特征。

极化测量误差对人造目标散射解译性能的影响研究

极化雷达具有全天时全天候对目标和场景进行观测的优势,在诸多领域得到广泛应用。极化雷达作为一种多通道系统,不同极化通道间的交叉耦合和通道不平衡等非理想因素会使目标极化散射矩阵存在测量误差,进而影响对目标散射的解译性能。文中以人造目标为研究对象,利用极化测量误差模型和相干极化目标分解开展了极化测量误差对散射解译性能的影响研究。以Krogager分解为例,推导了三面角、二面角、偶极子和螺旋体等基本散射体的极化目标分解分量与测量误差源的解析表达式,给出了分解特征参数的变化曲线图,揭示了极化测量误差对散射解译性能的影响机理。在此基础上,基于"开拓者"无人机暗室实测数据开展定量分析。当Krogager分解误差小于10%时,要求极化隔离度小于-23 dB,极化通道幅度不平衡和极化通道相位不平衡分别小于3 dB和8.4°。研究工作为极化雷达系统参数设计等提供了指导。

合成孔径雷达极化成像解译识别技术的进展与展望

极化合成孔径雷达(SAR)能够获取目标的全极化信息,在对地观测、灾害评估、侦察监视等民用和军用领域得到广泛应用。国内主要高校、中科院、工业部门和用户单位在该领域开展了卓有成效的工作,取得一大批标志性研究成果。该文简要综述了极化SAR成像解译识别领域的主要研究进展。在解译层面,主要介绍了极化目标分解和极化旋转域解译等理论方法的研究进展。在应用层面,结合研究团队的工作,探讨了上述理论方法在舰船检测、地物分类和建筑物损毁评估等领域的应用成效。最后,对极化SAR目标解译识别技术的研究进行了展望。

基于主动深度学习的极化SAR图像分类

针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。

基于层次非负特征值约束的Yamaguchi分解

针对现有Yamaguchi分解的相干矩阵存在不满足非负特征值约束(NER)的问题,该文提出一种基于层次NER的Yamaguchi分解。该文分析得出,NER问题源自于散射功率的过估计,并指出只要解决了余项相干矩阵的NER问题,就能解决所有相干矩阵的NER问题。于是基于非负特征值分解(NNED),依次建立了抑制散射功率过估计的第1层至第4层NER方法,其中后层的NER方法需要分层次地执行前层的NER方法。第4层NER方法解决了余项相干矩阵的NER问题,进而解决了所有相干矩阵的NER问题。另外,该文还提出比原有NNED效率更高的快速NNED。实验结果表明,所提出的分解方法能显著增强城区的二面角散射功率与抑制城区的体散射功率,并能显著增强海洋区的面散射功率。

一种新的基于非反射对称非负特征值分解的Freeman分解

该文首次推导出了在非反射对称情况下非负特征值分解(NNED)的分析解法,即非反射对称NNED;并将其应用于Freeman分解,提出了一种基于非反射对称NNED的Freeman分解。在Freeman分解中,非反射对称NNED用于提取体散射功率,并用于调整体散射、二面角散射以及表面散射功率以确保余项协方差矩阵没有负特征值。相比于基于反射对称NNED的Freeman分解,所提的分解方法有效地利用了在反射对称条件下被假定为0的非对角线元素,能保证余项协方差矩阵没有负特征值,实测极化SAR数据实验表明,所提的分解方法能显著地加强城区的二面角散射功率并且减少城区的体散射功率。

高分辨率极化合成孔径雷达成像研究进展

合成孔径雷达(Synthetic aperture radar,SAR)是一种有效的地球遥感技术,对观测区域进行全天时、全天候的高分辨率大范围成像,在军事侦察、环境监测和地质测绘等领域有着十分广泛的应用。随着雷达技术和地球科学的发展,人们期望能够获取更多的目标特性,传统的单极化SAR已经难以满足越来越多元化的实际应用需求。极化合成孔径雷达(Polarimetric synthetic aperture radar,PolSAR)基于多个极化通道获取目标不同极化状态下的散射特性丰富了SAR图像的信息量,拓展了SAR的应用领域。从极化数据中准确地解译目标的物理特性是PolSAR应用的重要前提。本文对PolSAR的研究进展进行了总结,重点介绍了极化目标分解算法,给出了高分辨率PolSAR实测数据处理结果,并对未来研究方向进行了展望。

引入有取向二面角散射的Freeman-Durden分解

该文首先考察了当极化SAR方位向与农作物种植行向不一致时,入射电磁波到地表、农作物的二次散射与一般二次散射的区别。其次,为描述这种二次散射,建立了有取向的二面角散射模型,并将该模型引入到Freeman-Durden目标分解中,设计了相应的目标分解算法。最后,选取同一农作物种植区两种航迹的机载全极化SAR数据实现了该分解算法。实验结果证明,对于农作物种植区,改进后的Freeman-Durden分解能提升不同航迹下的极化SAR数据目标分解的一致性。

基于H/A目标极化分解理论的统计分析

极化分解理论是雷达测量数据与目标物理散射属性相联系的一座桥梁,在极化SAR信息处理中获得广泛的应用。基于目标方差矩阵的特征矢量分解(H/A)在极化分解理论中备受关注。在此背景下,用新方法重点分析了H/A分解中特征值、特征矢量以及H/A等参数的统计特性,给出了特征值分解的各参数物理机理以及描述其起伏特性的概率密度函数;指出了其受杂波影响导致分解的特征不稳定性,且视图数的不同会导致分解参数不同程度地偏离真实值,在此基础上分析了H/A分解中特征值、特征矢量以及H/A等极化分解参数最大似然估计的偏斜性评估,为准确获得极化特征参数打下了初步的理论基础。

一种结合纹理特征的极化SAR图像分类方法

为充分提取极化SAR图像中的信息来提高极化SAR图像分类精度,首先通过极化目标分解得到多个参数组成极化分解特征向量,然后提取纹理特征值得到纹理特征向量,最后将纹理特征向量与极化特征向量组合成新的特征向量,利用支持向量机SVM方法进行分类。对RadarSat-2的PolSAR数据进行分类实验,并对分类结果进行定性和定量比较分析。实验结果表明纹理特征与极化特征结合用于极化SAR图像分类可以提高分类精度。

基于双极化Sentinel-1A影像数据的鄱阳湖水域提取与汛期变化检测

合成孔径雷达(SAR)卫星影像数据具有不受气候条件限制的优势,且具有较高的重访率,可以在汛期恶劣气候条件下及时获取灾区影像,为科学开展抗洪救灾提供依据和信息保障。面向汛期应急监测和水域变化分析的应用需求,本文选取位于江西省九江市的鄱阳湖区域为研究区域,基于汛前6月25日和7月7日水位高峰期获取的两景双极化SAR影像数据,综合利用H/A/Alpha分解结果开展极化目标分析,并基于Wishart (距离最短原则的)非监督分类提取水体,成功获取了汛期前后空间分辨率为15 m水域空间分布图,经统计分析探明九江市鄱阳湖区域汛期新增面积达56 km2。实验结果表明:极化分解技术的介入,对于波浪较大和含沙量较高的水域识别具有较好的适应性,能正确判识和保留该类水体目标;同时,该途径还能够有效降低雷达阴影区造成的误判。