极化SAR目标相对最优极化研究

目标相对最优极化就是选取一种极化状态,使得研究目标和背景地物的接收功率对比达到最大。通过讨论了目标相对最优极化问题,提出了改进的模型和解算方法,利用实际数据对其模型和方法进行了实验,验证了其有效性和正确性。

极化SAR目标相对最优极化研究

极化SAR通过测量地物目标的散射回波得到极化散射矩阵或Stokes矩阵,利用极化合成技术得到任意发射和接收极化组合下的天线接收功率。目标相对最优极化就是选取一种收发极化状态使得研究目标和背景地物的接收功率对比度达到最大。文中首先分析了目标相对最优极化的模型,指出了它们的优缺点,然后提出了一种新的改进模型,并用交替迭代方法进行了模型的解算,最后结合荷兰Flevoland地区全极化数据作了试验,证明了其有效性和正确性。

基于改进广义相对最优极化的极化SAR舰船检测方法

为了提高极化合成孔径雷达(SAR)图像的舰船检测性能,提出了一种基于改进广义相对最优极化模型的极化SAR图像融合方法。改进的模型包含两个因子的乘积。第一个因子是最优极化状态下的雷达接收功率;第二个因子对应最优检测准则下的3个极化参数(极化熵、平面相似性参数、二面角相似性参数)的融合结果。使用该方法融合图像能够使得目标和杂波的对比度最大,而杂波的方差最小,从而提高了目标检测的性能。实验表明,该方法能够得到更好的接收机性能(ROC)曲线。

一种SAR相对最优极化问题研究

极化SAR运用地物目标的散射回波数据及天线收发两端的极化矢量合成功率图像。目标的相对最优极化(最优极化对比增强;OPCE问题)目的在于寻找一种收发极化状态而使得期望目标和背景杂波的接收功率对比度最大化。系统总结了SAR目标相对最优极化问题的解析算法与数值算法,对原有方法提出了一定程度的改进和新理解,并通过数据实验验证了算法的有效性以及合理性。

基于特征选择与GOPCE的舰船检测方法

原始的广义相对最优极化(GOPCE)中,通过最大化目标与背景极化参数融合结果的比值,而求取极化参数的最优系数向量,但没有考虑参数融合结果中目标与杂波的分布。为提高基于极化合成孔径雷达图像的舰船目标检测性能,提出了一种基于极化特征选择及改进GOPCE的目标检测方法。首先提出了一个改进的优化准则,同时考虑了最大化信杂比与最小化目标与杂波分布的方差。基于改进的优化准则,选择了3个最优极化特征,并求解对应的最优系数向量,获取了目标与背景区分度更大的融合图像。实验结果表明,该方法有效提高了目标的检测性能。

基于极化散射参数与Fisher-OPCE的监督目标分类

该文提出了基于Fisher准则相对最优极化(Fisher-OPCE)的监督极化SAR图像的分类方法。首先,结合广义相对最优极化的思想,利用3个反映目标极化散射特性的参数对Fisher-OPCE进行了改进。以改进的模型为基础,提出了一种类似单边二叉树的分类方法,以保证功率差别较大的两类地物的错分现象尽量小;其次利用极化参数组合的系数对分类结果进行了优化。利用NASA/JPL的AIRSAR系统对美国旧金山地区的实际观测数据进行分类,结果表明用此方法可以清晰的显示出分类地物的纹理信息,每类目标的散射特性保持一致,实验结果验证了该方法的有效性。