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。

基于DRCNN的PolSAR图像分类综合实验设计

为了让学生更好地了解和掌握深度学习TensorFlow框架和CNN网络,采用基于不同区域的多尺度卷积神经网络(DRCNN)设计了PolSAR图像分类综合设计实验,旨在实现遥感图像的自动化分类和理解。极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像能够提供更加丰富的极化信息,更好地刻画地物特征,对国防建设和国家发展具有重要意义。实验利用Python语言,在CNN基础上进行改进研究,设计了多区域的多尺度CNN模型,实现了极化SAR图像的数据处理、特征学习和分类一体化设计。该实验不仅可以帮助学生综合应用图像处理与深度学习知识,理解和利用CNN来进行极化SAR图像分类的基本原理和方法,还能使学生更加深入、熟练地掌握TensorFlow框架,提高学生的科研素质和动手实践能力。

微波视觉三维SAR实验系统及其全极化数据处理方法

三维合成孔径雷达在测绘制图、防灾减灾等诸多领域有应用潜力,已经成为SAR的重要研究方向。为减少三维SAR的观测次数或天线阵元数量,推动三维SAR的应用和发展,中国科学院空天信息创新研究院牵头研制了微波视觉三维SAR实验系统,旨在为微波视觉SAR三维成像提供实验平台和数据。该文针对微波视觉三维SAR实验系统及其全极化数据处理方法进行介绍,涵盖了极化校正、极化相干增强、极化约束三维成像、三维融合可视化等全流程的关键步骤。基于发布的SAR微波视觉三维成像全极化数据集,给出了三维成像结果示例,验证了微波视觉三维SAR实验系统的全极化性能以及处理方法的有效性。该文发布的数据集将为SAR三维成像研究提供良好的数据条件。

基于双极化SAR数据的深圳市地表形变研究

旨在挖掘数据的极化信息,利用覆盖深圳市填海地区的Sentinel-1A卫星IW模式升轨影像,进行基于双极化SAR数据提取地表形变的相对优化极化组合选择实验,以PSInSAR技术处理影像,获取填海区域地表形变速率,分析重点沉降区域时序形变特征,结合SBAS技术处理结果进行对比验证。实验表明,使用VV+VH极化组合方式的SAR数据在地表形变提取的精度与范围上均优于VV极化方式的SAR数据;发现研究区域主要有三个形变漏斗,分布在宝安区福州大道附近、蛇口水湾路附近、福田区益田地铁站附近。最大沉降速率-16.7~-14.26 mm/a,集中在福田区南部;最大抬升速率为7.6~10.4 mm/a,集中在蛇口区域。

PolSAR有源假目标干扰的鉴别与对消

本文针对分时极化测量体制,研究了极化合成孔径雷达(PolSAR)有源假目标干扰的鉴别与对消问题.首先建立了真实雷达目标和有源假目标干扰的极化信号模型,指出了真实雷达目标和有源假目标干扰的极化特性差异.在此基础上,提出了一种在慢时间多普勒域进行有源假目标干扰鉴别和对消的原理和方法,并给出了抗有源假目标干扰的PolSAR成像的工程实现流程.仿真实验验证了该方法的有效性.

基于目标分解的面向对象决策树PolSAR影像分类

为了解决极化合成孔径雷达(Polarization Synthetic Aperture Radar,PolSAR)影像单一分类方法不能充分利用其中的丰富信息问题,结合目标分解理论、面向对象思想和C5.0决策树算法,对PolSAR影像进行多种方式的极化分解,提取包含地物散射机理信息的各种极化参数,并将提取的参数分割为对象,最后,采用C5.0决策树算法进行分类.采用RADARSAT-2全极化SAR数据进行实验,并将分类结果与经典的分类方法进行了对比,证明了本文提出方法的有效性.该成果将在PolSAR影像分类中发挥更大的作用.

改进的多视PolSAR非局部均值滤波算法

像素点间相似性度量是非局部均值滤波算法的关键所在。从信息论角度出发,提出了一种改进的多视Pol SAR非局部均值滤波方法。该算法在综合分析各类矩阵测度基础上,选定Kullback-Leibler距离作为最优相似度量,结合多视极化相干矩阵服从复Wishart分布,给出了极化相干矩阵的KL距离,并在预处理中应用了极化旋转。实验结果表明,改进方法能够在保持边缘细节的同时有效抑制相干斑。

PolSAR图像的改进非局部均值滤波算法

为了在抑制相干斑的同时更好地保留地物目标的极化散射信息和结构信息,提出了一种基于变异系数(coefficient of variance,C.V)的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像自适应非局部均值滤波算法。该算法结合图像子块的统计特性和目标点的极化散射特性筛选同质像素,然后引入C.V自适应选取平滑系数来计算滤波所用的权重,最后对同质像素进行非局部均值滤波。用不同系统采集的PolSAR数据进行的实验结果表明,与精致LEE滤波、NL-Pretest滤波以及最新的滤波方法相比,本文算法不仅能够有效抑制相干斑噪声,而且图像的边缘和极化散射特性也得到了更好地保持。

基于多级分类的PolSAR图像机场跑道检测

提出一种复杂场景极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像机场跑道多级分类检测方法。首先利用先验信息进行h/q第一级分类,得到图像中各类训练样本模板;然后利用PolSAR图像极化相干矩阵的统计特性进行第二级分类;再根据跑道的弱回波特性,利用极化总功率检测器完成第三级分类,提取图像中疑似机场跑道区域;最后根据机场跑道的尺寸及结构特征进行判别,确定机场跑道区域。采用美国UAVSAR机载系统获取的多组实测数据对算法进行验证,并与现有的两种方法进行比较,结果表明,本文算法能有效地检测出跑道,并保持跑道结构完整、轮廓清晰且虚警率低。

超高分辨率PolSAR图像去噪对极化特征的影响

随着超高分辨率极化合成孔径雷达(PolSAR)图像数据的出现,有必要对PolSAR图像的去噪过程对于极化分解结果的影响进行评测。相干斑去噪过程的实施将对观测场景中的PolSAR图像原有极化属性产生不同程度的影响,这将会导致分解结果出现偏差。以非相干分解模型为评估对象,以喷气推进实验室(JPL)提供的开源机载超高分辨率PolSAR系统数据为实验样本,提出了一种利用绝对相对误差的定量评测方法。评测结果显示:对于超高分辨率图像,相干斑噪声的影响明显变小,分解窗口可相应的缩小为7×7的尺寸。研究结果对于PolSAR图像的后期遥感应用中的参数选择具有重要参考意义。

多特征实优化PolSAR图像舰船目标增强方法

极化合成孔径雷达(PolSAR)数据蕴含了丰富的极化信息,已被广泛应用到海上舰船检测中。针对检测过程中存在的相干斑模糊、甚至淹没目标问题,采用多个特征通过实优化,提出了一种新的PolSAR图像舰船增强方法。在大量实验基础上,该方法首先选择了效果较好的极化白化滤波、极化熵与Pauli分解中舰船成分作为参与优化的元素,然后利用实优化融合来提取最优目标增强特征图,最后通过Radarsat-2全极化数据进行了验证。实验结果表明,该算法能有效抑制相干斑,同时增强海上舰船目标。

基于3D卷积神经网络的PolSAR图像精细分类

PolSAR(Polarimetric Synthetic Aperture Radar)图像分类的传统方法在前期需要对数据进行特征提取,涉及较多的人为参与,且分类精度有待进一步提高。此外,在采用监督分类方法时,某些地物存在小样本问题,针对这些问题并结合PolSAR图像精细分类的需求,提出基于3D卷积神经网络的PolSAR图像地物精细分类方法,将传统卷积神经网络扩展为三维并将其应用于PolSAR图像分类中,利用PolSAR数据多通道特性,充分挖掘数据中的信息,提高分类性能,并采用虚拟样本扩充的方法改善某些地物的小样本情况,获得更好的分类结果。实验结果表明:3D卷积神经网络较2D卷积神经网络在PolSAR图像地物精细分类中有较好的性能,且虚拟样本扩充方法能够有效改善小样本分类问题。

一种基于分布目标的PolSAR法拉第旋转角和通道不平衡参量的估计方法

星载极化SAR定标时除了考虑雷达系统本身的交叉耦合δ和通道不平衡f系统失真参数的校正外还需要考虑法拉第旋转角fi的校正问题。该文提出了一种利用分布目标统计特性估计法拉第旋转角fi和通道不平衡f的方法,该方法不需要预先知道所用目标的散射矩阵,而只需要两种不同类型分布目标满足互易性和不相关性。在实际应用中,同一场景内要找到满足要求的两种不同类型分布目标(如森林、草地、农田等)是比较容易的事情,因此该方法具有实际应用价值。该文还通过半物理仿真实验对该方法的有效性进行了验证。

基于SAR影像数据的多分辨率CFAR目标检测算法及精度分析

本文的研究目标是利用极化合成孔径雷达图像统计特性提高目标检测精度。从合成孔径雷达(SAR)成像机理出发,通过研究目标杂波的统计特性以及不同分辨率情况下人造目标的检测效果,探讨一种基于小波变换和恒虚警率(CFAR)的多分辨率算法进行目标检测的方法。实验分析比较传统CFAR目标检测算法与基于小波变换的多分辨率CFAR目标检测算法,实验结果表明,本文算法检测效果明显优于传统CFAR目标检测算法。

基于多波段全极化SAR图像的建筑轮廓自动提取方法

多波段全极化合成孔径雷达(Multiband-PolSAR)可以获得地物目标在频率、极化两个维度上的多个观测量,在地物信息提取方面具有良好的应用潜力。然而数据维度增加,其数据处理和应用难度也随之增加,相较于处理单波段单极化SAR数据,处理Multiband-PolSAR数据需要额外考虑多维数据配准和融合的问题。该文选择以建筑轮廓自动提取应用为目标,依托中国科学院空天信息创新研究院在国家高分辨率观测系统重大专项支持下牵头研制的一部机载多维度SAR系统获得的数据,引入SAR-SIFT方法解决了多维数据配准的问题。其次,该文提出一种基于目标散射机制的多维信息融合方法,改进了Ferro等人(doi:10.1109/TGRS.2012.2205156)提出的全自动非监督建筑轮廓提取方法,证明了多波段多极化信息融合方法的作用。多波段多极化信息融合前后的实验结果表明,融合后的特征图像对比度增高,像素的空间连续性变好,且对单体建筑轮廓的识别更精准,自动提取的多边形矢量与真实建筑轮廓的吻合度更高。该文是连接多维SAR技术与建筑提取应用的重要一环,并且为基于多维SAR的3维建筑结构重建研究创造了条件。

顾及地形辐射校正的极化SAR图像分类应用

针对极化SAR(Polarimetric SAR,PolSAR)影像在复杂地形区域中存在严重的地形效应问题,该文将极化方位角(Polarisation Orientation Angle,POA)、有效散射面积(Effective Scattering Area,ESA)及角度效应(Angular Variation Effect,AVE)校正方法应用到PolSAR影像的分类中,并针对AVE校正提出一种n值确定方法。首先,对预处理后的SAR数据进行POA校正,对校正结果进行地理编码;其次,进行基于投影角的ESA校正;然后,基于训练样本确定AVE校正中的n值,进而实现AVE校正;最后,利用GF-3 PolSAR影像进行基于复Wishart分类器的分类实验。研究结果表明,POA校正前后变化不明显;ESA校正可实现约3 dB的校正效果,总体分类精度提升约9.42%;此外,选用受地形影响最大的林地n值进行AVE校正得到的结果最好,总体分类精度较ESA阶段而言提升约8.2%。

基于极化SAR影像绘制库容曲线的研究

我国部分水库没有库容曲线或水库库容曲线年代久远,不能真实地反映实际库容情况。为精准高效地掌握库容曲线,以王家湾水库为例,基于多时相极化合成孔径雷达(Synthetic Aperture Radar,SAR)影像数据,利用多分量散射模型(multiplecomponent scattering model,MCSM)提取水库水域的面积,再结合水库水位观测资料,拟合出水位与面积的函数关系式,利用微积分原理推演出水库库容曲线,通过水量平衡法进一步证实库容曲线的精度。结果显示水量平衡法计算库容增加值与库容函数及库容曲线推求库容增加值差值很小,证明了库容函数及库容曲线的正确性。研究结果表明,利用极化SAR影像绘制库容曲线方法在保证库容精度的前提下,能显著提高绘制效率,可节省大量人力、物力、财力。

贝叶斯集成框架下的极化SAR图像分类

对于极化合成孔径雷达(SAR)图像,由于雷达角度和地物形状导致属于同一类的数据可能存在较大的差异性.针对此问题提出了一种基于贝叶斯集成框架的极化SAR图像分类方法.该算法采用贝叶斯集成,通过学习不同个体而获得的分类面来改善极化SAR图像分类性能.首先,输入极化SAR图像,并获得其对应的极化SAR数据及特征.从图像的每一类中任意选择像素点作为图像分类的原始训练样本,并对其进行随机划分获得不同的样本子集.然后,基于获得的样本子集构造对应极化SAR图像的贝叶斯集成框架.最后,通过构造的贝叶斯集成框架对极化SAR图像进行分类.特别在构造贝叶斯集成框架中采用支撑矢量机作为基本的分类器算法.实验结果表明,所提出的算法相比经典的极化SAR分类方法和单个SVM的极化SAR分类方法获得更好的分类性能.

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。