微波视觉与SAR图像智能解译

高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。

人体组织液特性对SAR值的影响及修正模型

比吸收率(specific absorption ratio,SAR)值测量所使用的组织液特性与规范标准中给出的组织液目标值会有一定偏差。此时,需要对SAR值的测量结果进行修正。针对此问题,提出了一种修正模型,修正模型基于电磁仿真的方法建立。通过在835 MHz频点与IEC 62209\IEEE 1528标准中的数据进行比较,对建模方法进行了验证。基于此建模方法,给出了3.5 GHz及28 GHz这2个下一代移动通信备选频段下的SAR值修正模型。使用此修正模型将减小SAR值测量的不确定度,进而提升各测量实验室间SAR符合性评定结果的一致性。使用此修正模型的另一个好处在于,该修正模型允许更大的组织液特性偏差,这将有助于降低SAR值测量的成本。

基于U-NET的双分支海上SAR溢油检测模型

为提高海上溢油SAR(Synthetic Aperture Radar)检测的准确率,本文提出一种基于U-NET和注意力门的海上溢油SAR检测模型(AW-net),该模型将U-NET中传统的单输入编码器替换为双分支编码器,分别输入纹理特征和SAR灰度特征,并进一步采用注意力门融合纹理信息和灰度信息。实验利用1景海丝一号(HISEA-1)SAR数据构建样本训练集进行AW-net模型训练,分别应用1景HISEA-1 SAR数据和1景Radarsat-2SAR数据开展模型测试,溢油检测准确率均优于U-NET、AttentionU-NET和FCN等语义分割模型,说明该模型具有较强的强鲁棒性和应用潜力。

基于逆Radon变换的圆迹SAR三维成像算法

随着合成孔径雷达(synthetic aperture radar,SAR)的应用需求不断提高,出现了圆迹SAR的成像模式,解决传统直线轨迹SAR只能获取二维斜距图像的问题,在地形测绘、建筑物提取、灾害评估等领域具有较高应用潜力。现有的圆迹SAR三维成像算法还存在计算量大、实现复杂等问题,通过对圆迹SAR模型的斜距几何分析,结合回波信号模型设计波数域补偿函数,将距离压缩曲线矫正为基线为零的正弦曲线;结合逆Radon变换,实现对目标的正弦曲线的二维聚焦;通过逐高度平面二维成像结果的堆叠,实现目标的三维成像。通过仿真分析了所提算法的成像质量,验证了所提算法三维成像的有效性。

利用海丝/巢湖SAR开展台风应急测绘实验

首次利用国产海丝/巢湖雷达卫星开展台风登陆、运移应急测绘实验研究。以2022年11月“尼格”台风为例,应急调度获取台风登陆3 h和12 h的3 m条带SAR影像,采用监督分类快速提取耕地淹没、道路水淹等变化。结果表明:①国产SAR影像成像清晰稳定,双星实现12 h同一区域覆盖;②24 h警戒线风暴潮预测模型增水范围是卫星应急调度的主要依据;③实验区耕地淹没面积从0.098 km^(2)缩小至0.064 km^(2),道路积水面积从5.032 km^(2)缩小至2.385 km^(2),未形成明显的城市内涝现象,说明利用高分辨率雷达卫星开展台风应急测绘是可行的。增加星座数量、优化轨道空间布局是保障应急数据快速响应的发展方向。

结合未知类特征生成与分类得分修正的SAR目标开集识别方法

现有合成孔径雷达(SAR)目标识别方法大多局限于闭集假定,即认为训练模板库内训练目标类别包含全部待测目标类别,不适用于库内已知类和库外未知新类目标共存的真实开放识别环境。针对训练模板库目标类别非完备情况下的SAR目标识别问题,该文提出一种结合未知类特征生成与分类得分修正的SAR目标开集识别方法。该方法在利用已知类学习原型网络保证已知类识别精度的基础上结合对潜在未知类特征分布的先验认知,生成未知类特征更新网络,进一步保证特征空间中已知类、未知类特征的鉴别性。原型网络更新完成后,所提方法挑选各已知类边界特征,并计算边界特征到各自类原型的距离(极大距离),通过极值理论对各已知类极大距离进行概率拟合确定了各已知类最大分布区域。测试阶段在度量待测样本特征与各已知类原型距离预测闭集分类得分的基础上,计算了各距离在对应已知类极大距离分布上的概率,并修正闭集分类得分,实现了拒判概率的自动确定。基于MSTAR实测数据集的实验结果表明,所提方法能够有效表征真实未知类特征分布并提升网络特征空间已知类与未知类特征的鉴别性,可同时实现对库内已知类目标的准确识别和对库外未知类新目标的准确拒判。

多域特征引导的无监督SAR图像舰船检测方法

如何在合成孔径雷达(SAR)图像标注样本有限的条件下,提升舰船检测性能一直是SAR图像处理中的热点问题。本文提出一种多域特征引导的无监督域适应方法,将知识从有标注的源域(光学图像)转移到未标注的目标域(SAR图像),降低对标记SAR图像数据依赖。同时,设计了频域转换模块、注意力区域增强模块和自适应权重模块来缩小光学、SAR图像域之间的域差距,提高源域与目标域特征对齐效率,增强网络在挑战性样本下的特征迁移能力。在公开发布的数据集上进行了大量实验。结果表明:所提的模块较基础模型AP50提升10%,总体性能优于其他先进的方法。

嵌入注意力机制的深度可分离卷积SAR目标识别

深度可分离卷积(Depthwise Separable Convolution,DSC)的应用使得深度学习的网络模型轻量化。在此基础上,提出了嵌入注意力机制的DSC合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别方法。通过将DSC与注意力机制结合,提高网络对目标重要特征的学习能力;将多个DSC进行叠加和并联,设计多尺度网络模块,增强不同深度网络的特征提取能力;通过残差连接缓解深层网络的梯度弥散和梯度爆炸问题。使用公开数据集实验表明,所提方法在网络模型参数量较小的情况下,获得99.0%的平均识别率,具有较强的识别优势。

改进FCOS的SAR图像舰船检测算法

针对SAR图像中舰船检测的目标尺度变化大及背景复杂等影响因素,提出一种基于FCOS的一阶段舰船目标检测算法。采用基于拆分注意力和分组卷积的ResNeSt网络作为主干网络进行提取特征,同时在特征金字塔基础上增加聚合路径和注意力机制,提升特征融合能力,实现对网络结构的优化。结果表明,改进方法相对于基线网络平均精度提升了2.15%,精准率提升了2.4%,召回率提升了3.59%。该研究在处理SAR图像中舰船检测任务时具有较好的性能。

基于演化多目标聚类的SAR图像变化检测

基于合成孔径雷达(SAR)图像的变化检测是遥感领域中一项具有挑战性的任务,如何在噪声鲁棒性和有效保留细节之间取得平衡是一个迫切需要解决的问题。然而,大多数SAR图像变化检测方法为了更好地抑制斑点噪声,不可避免地会在一定程度上丢失图像细节。为了解决这一问题,提出了一种基于演化多目标聚类的SAR图像变化检测多目标聚类算法,将变化检测问题转化为一个多目标优化问题。该方法同时构建了两个相互冲突的目标,即分别基于原始差异图与噪声滤波后差异图的聚类能量函数,并用基于分解的演化多目标优化算法MOEA/D对以上目标函数进行优化,实现对差异图不变区域与变化区域的聚类。利用该技术可得到一组变化检测图,用户可以根据自己的需求选择合适的结果。最后,在两个SAR图像数据集上进行了充分的实验,结果表明了该方法的有效性。

SAR干扰技术综述

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种全天时全天候并具备高分辨率的成像设备,在军用民用领域均有重要的应用价值。SAR在军事上被广泛地应用于发现各类战略性目标,如坦克、部队、巡逻艇、敌方武器系统部署以及其他重要的战略物资。在民用领域,SAR被用于地形测绘、预防各种天气现象如冰雹、洪水、干旱、飓风等。SAR技术的不断进步为重要军事目标的防御工作带来了极大的挑战,如何对SAR进行有效干扰,降低SAR对军事目标的检测与识别性能,从而保障军事目标能安全、高效地进行军事任务,仍是一个亟待解决的难题。本文阐述了对SAR干扰技术的发展现状,分析了现阶段SAR干扰技术的挑战与难点,并对其发展趋势进行了展望,以期为相关领域的研究人员提供有益参考。

基于编解码网络的SAR影像建筑物提取

针对合成孔径雷达(synthetic aperture radar,SAR)遥感图像中出现的散斑噪声和几何畸变对建筑物提取过程造成干扰的问题,提出了一种多尺度特征注意力融合(multi-scale feature attention fusion,MSFAF)网络。首先,结合深度神经网络和SAR图像的优势,在深层处设计了一个空间注意力融合(spatial attention fusion,SAF)模块,来整合不同层次的特征以及关注重要的空间信息。然后,利用不同尺度的卷积核以及对通道信息的转换,提出了一个多尺度细节提取(multi-scale detail extraction,MSDE)模块用于提取不同尺度的特征信息和重新分配通道信息,有利于缓解散斑噪声的干扰问题。实验证明了所提方法在SAR图像建筑物提取中取得了比其他现存方法更加优秀的性能。

基于SAR阻抗匹配的WPT最大效率跟踪控制方法

无线电能传输(WPT)技术因其安全、便捷、非接触等优点而备受关注。最大效率传输是WPT系统中一个重要课题。传统的最大效率跟踪方法通常设定系统在固定耦合条件进行负载阻抗匹配,然而,耦合系数会在初级和次级线圈相对位置变化时不可避免地发生变化。提出基于耦合系数辨识与半有源整流(SAR)阻抗匹配的最大效率跟踪控制方法,该方法利用SAR结合耦合系数识别进行阻抗匹配,开关控制电容(SCC)补偿其阻抗虚部,避免了整流电路中非线性因素的影响。同时系统响应较快且控制方法便于实现。仿真和实验结果表明,耦合系数和等效负载变化时,都可以准确估计耦合系数并跟踪至最大效率点和输出恒压。

珞珈二号01星高分辨率Ka频段SAR卫星遥感测绘关键技术及应用

介绍了珞珈二号01星研制过程中涉及的主要关键技术及卫星主要科技创新,强调Ka SAR卫星遥感领域系统性技术和工程应用经验的凝练和总结。珞珈二号01星是全球首颗高分辨率Ka SAR遥感测绘卫星,为星载SAR遥感测绘卫星频段选择和模式设计提供了技术方法和工程实践,推动了航天摄影测量领域的理论方法与关键技术创新,已在国家安全、应急管理与防灾减灾等领域发挥重要作用,社会经济效益显著。

基于向量法近似的圆弧SAR成像方法

Arc SAR是一种能够在短时间内可重复扫描360°的雷达成像技术,具有重访周期短,观测范围广等优点,在边坡检测、山体滑坡等场景中有着广泛的应用前景。在Arc SAR模式下雷达随着机械臂进行圆周运动来形成合成孔径,因其运动轨迹不是直线,所以不能直接运用传统直线导轨的成像方法,需为Arc SAR设计新的成像算法,然而现有的成像方法不能很好地平衡精度和复杂度。在距离多普勒算法中,由于采用泰勒展开来近似斜距,导致成像质量不佳,或是需采取分割策略进行成像。因此,提出了一种新的距离多普勒算法,利用目标与雷达的向量关系进行近似,求得了近似斜距表达式,继而得到了距离多普勒域的信号表达式。基于这一表达式,提出了相应的相位误差补偿方法,完成了图像聚焦。最后通过点目标仿真验证了该算法的有效性。

变应性鼻炎对SARS-CoV-2感染的影响调查

目的探讨患有变应性鼻炎(allergic rhinitis,AR)是否会影响新型冠状病毒(SARS-CoV-2)感染的比率和严重程度。方法招募AR患者及无AR的对照者,进行单中心回顾性问卷调查。问卷内容包括受访者的基本人口学特征,是否有SARS-CoV-2感染,感染症状的严重程度评分,以及可能影响感染严重度的危险因素,完成问卷后进行统计分析。结果AR组SARS-CoV-2感染率为83.9%(162/193),对照组感染率为86.0%(166/193),两组比较差异无统计学意义(P>0.05)。AR组的感染症状严重度总评分为10(7,14)分,与对照组[10(6,13)分]比较,差异无统计学意义(P>0.05)。AR患者感染SARS-CoV-2后的憋气、呕吐、腹泻症状要比对照组更严重。男性AR患者的SARS-CoV-2感染症状严重度总评分[8.0(5.8,11.0)分]低于女性AR患者[10.5(8.0,14.0)分],差异有统计学意义(P=0.002)。结论在本研究调查的SARS-CoV-2感染轻症群体中,AR患者与对照组的感染率及严重度均未见差异,但性别可能会影响AR患者感染症状的严重程度。

基于Sentinel-2与时序Sentinel-1 SAR特征的赣南柑橘种植区识别方法

为准确获取柑橘果园空间分布信息,实现柑橘种植结构调整、产量估算和资源管理,以赣南3个柑橘种植主产区(信丰县、安远县及寻乌县)为研究区域,针对南方地区多云多雨导致传统光学影像较为缺乏的问题,使用Sentinel系列数据和PIE-Engine平台,构建和优选了光谱特征、植被水体指数特征、红边波段特征和纹理特征,并引入时间序列Sentinel-1合成孔径雷达(SAR)数据的后向散射系数,共同探讨不同特征组合对柑橘种植园的识别提取效果,基于随机森林算法并融合Sentinel-2与时序Sentinel-1 SAR特征识别提取了赣南柑橘种植区。结果表明:5、9、11月柑橘种植园与其他地物的平均后向散射系数分离性最佳,是识别提取柑橘的关键时期;指数特征及纹理特征参与分类改善了分类效果且提高了分类精度;相较于单一SAR特征及指数、纹理特征,加入时序SAR特征的分类结果中总体精度达90.084%,Kappa系数达0.863,错分、漏分误差较小,符合实际地物分布情况,说明了时序SAR特征的可用性和实用性。本研究可为多云多雨的南方柑橘果园的识别提取提供参考。

通道剪枝与知识蒸馏相结合的轻量化SAR目标检测

轻量化SAR目标检测方法对快速检测SAR影像中的地物目标具有重要意义。针对轻量化检测方法精度不高的问题,设计了一种通道剪枝与知识蒸馏相结合的轻量化SAR目标检测方法。该方法通过对复杂网络中批归一化层的缩放因子γ进行稀疏化训练,判别对应特征通道的重要程度,进而裁剪次要通道,并在微调训练后将其作为教师网络,构造知识蒸馏框架指导轻量模型训练,提高轻量模型的检测精度。采用YOLOv5-6.1算法搭建了检测框架,并在重组的MSAR和SSDD多类目标数据集上进行了训练和检测试验,结果表明该方法能够在保持模型体积仅3.73 MB的轻量化条件下,提升SAR目标检测精度,验证了本文方法的有效性。

基于时频分析的SAR目标微波视觉特性智能感知方法与应用

合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。

基于跨域小样本学习的SAR图像目标识别方法

由于SAR图像获取难度大,可供研究的样本数量较少,解决有限样本条件下SAR图像目标识别问题成为业界公认的挑战。随着深度学习在计算机视觉领域的发展,衍生出了多种小样本图像分类方法,因此考虑采用跨域小样本学习范式解决小样本SAR图像目标识别问题。具体地,先在多个源域中训练得到不同域的特征提取器,而后通过知识蒸馏的方法获取一个通用的特征提取器,这里采用中心核对齐的方法,将提取的特征映射到一个更高维的空间,从而更好地区分原特征之间的非线性相似性;通过上一阶段获得的通用特征提取器提取目标域图像特征,最后采用原型网络的方法预测样本的类别。实验证明,该方法在缩减模型参数的同时,获得了88.61%的准确率,为解决小样本SAR图像目标识别问题提供了新的思路。