面向植被边坡的地基SAR高相干点选择

基于高相干点进行相位分析,才能有效保证地基SAR（Synthetic Aperture Radar,合成孔径雷达）形变测量的准确性。在差分干涉测量领域中,广泛使用幅度离差法,可以有效地选择出岩石、建筑物等PS（Permanent Scatterer,永久散射体）点作为高相干点,但对于植被边坡,采用该方法选择出高相干点数量较少,不利于差分干涉处理。在星载SAR领域,普遍采用StaMPS方法解决植被边坡的高相干点选择问题。本文探索了StaMPS方法在地基SAR领域的适用性,提出采用非PS点来计算相干系数门限,并引入DS（Distributed Scatterer,分布式散射体）选择技术,进一步提高了高相干点的数量。对一处植被边坡的实验结果表明,相比于幅度离差法和StaMPS方法,改进方法在提高高相干点数量的同时,有效保证了其相位质量。      

面向复杂大气扰动的GB-InSAR相位误差补偿方法

大气扰动是地基干涉合成孔径雷达（GB-InSAR,Ground-Based Interferometric Synthetic Aperture Radar）测量的主要误差源之一。在复杂大气条件下,常规的大气相位补偿方法不再适用,本文提出了一种基于PS（Permanent Scatterer,永久散射体）技术的改进方法。该方法首先通过Delaunay三角网建立临近PS对,分析各临近PS对的差分相位序列标准差,实现PS集合中的噪声点或部分形变点的滤除;然后根据气象数据估计出参考大气相位序列,通过计算剩余PS的干涉相位序列与参考大气相位序列的MIC（Maximal Information Coefficient,最大互信息系数）,结合空间维相干系数,采用双阈值实现稳定 PS的选择;最后采用Kriging插值拟合方法,实现复杂大气条件下的大气相位估计。采用本文所提方法,对九道拐区域实测数据进行了处理,相比于常规方法,有效降低了大气相位补偿误差,保证了GB-InSAR的形变测量精度。      

基于气象数据辅助的GB-InSAR大气相位补偿方法

地基干涉合成孔径雷达GB-InSAR(Ground-Based Interferometric Synthetic Aperture Radar)测量中,大气相位是主要测量误差源之一。对于大气相位非线性变化的干涉相位图,常规的基于参数模型的补偿方法不再适用。该文提出一种基于气象数据辅助的GB-InSAR大气相位补偿方法,对于多幅GB-InSAR图像,首先基于折射率经验模型,利用气象数据估计出大气相位曲线,其次与PS(Permanent Scatterer,永久散射体)点的实际干涉曲线进行互相关运算,通过设定合理的门限实现稳定PS点的选择。然后利用稳定PS点,采用局部加权回归（locally weighted scatterplot smoothing,Lowess）、线性插值、神经网络3种插值拟合方法进行大气相位估计。最后对比补偿结果,选择最合适的插值拟合方案。实验结果表明,当PS点数量足够多时,3种方案均能有效补偿非线性大气相位分量。当区域内PS点数量较少时,采用Lowess方法的补偿效果最好。      

一种对孤立点不敏感的新的K-Means聚类算法

针对传统K-Means聚类算法的不足,提出一种新的对孤立点不敏感的K-Means聚类算法。首先,采用孤立点移除算法消除数据集中存在的孤立点;然后,对不包含孤立点的数据集进行传统K-Means聚类,再引入轮廓系数并选择轮廓系数最大值对应的簇类数作为数据集中簇的最优选择数目K;最后,通过自定义的聚类有效性评价函数评估聚类效果。实验结果表明,相对于传统K-Means聚类算法,对孤立点不敏感的新的K-Means聚类算法能够消除孤立点对数据集整体的影响,并优化了聚类中心的选择。     

PSDInSAR的永久散射体时序选择方法

已有永久散射体(PS)识别技术均侧重于利用时序数据集的统计特性,而没有考虑到数据集的时序特性,这样的处理方式势必带来时序信息的浪费,造成部分PS点的漏选。该文重点关注一种永久散射体具有较好的相位稳定度但却在整个监测时间内不连续,称这种PS点为类永久散射体点。文中对类永久散射体的概念及特征进行了详细描述,利用仿真实验分析了类永久散射体应用的可行性,根据类永久散射体特性对其进行了有效选择,形成一种新的永久散射体选择方法时序选择法。同时对时序选择法以天津地区Envisat ASAR影像数据进行实验验证。通过类永久散射体的选择,PS点数量提高了、不均匀分布特性得到改善,同时保证了其较高的相干性。     

地基干涉合成孔径雷达图像非线性大气相位补偿方法

采用基于永久散射体(PS)技术的大气相位(AP)补偿方法对地基干涉合成孔径雷达(GB-InSAR) 干涉相位图进行分析时,部分图像的干涉相位随距离呈现出复杂的非线性,导致无法建立合理的多参数模型来模拟大气相位,常规的补偿方法不再适用。该文提出一种改进的GB-InSAR图像非线性大气相位补偿方法,首先采用常规方法对干涉相位图进行大气相位补偿,并根据PS点的补偿后相位序列的标准差,进行稳定PS点的选择,然后对稳定PS点进行子区域划分,通过反距离加权插值估计出所有PS点的大气相位,从而实现大气相位的有效补偿。采用该文所提方法,对460幅雷达图像进行了处理,相比于常规方法,可以有效地补偿干涉相位图中的非线性大气相位分量。基于若干高稳定参考点的对比结果表明,该方法减小了最大约1 rad的相位测量误差。      

结合特征选择和大尺度谱聚类的极化SAR图像非监督分类

非监督分类是极化SAR图像解译的重要手段,但其分类结果易受到高维特征的影响。针对此问题,本文提出一种结合特征选择和大尺度谱聚类的极化SAR图像非监督分类方法。该方法首先深入分析并提取了极化SAR图像分类中常用的特征参数,包括基于测量数据及其简单线性变换的特征和极化目标分解的特征。然后通过聚类森林特征选择算法进行特征降维处理,去除冗余信息。最后利用过分割产生代表点并构建原始数据与代表点间的二分图,通过大尺度谱聚类算法完成图像的非监督分类。实验结果表明,该方法能够选取有效的特征组合,并得到较为满意的分类效果。      

基于注意力网络的地基SAR永久散射体选取方法

永久散射体法（Permanent Scatterer,PS）是地基合成孔径雷达（Ground-Based Synthetic Aperture Radar,GBSAR）形变监测的技术支撑,但使用传统多阈值法选取PS点时,会存在各个区域对阈值敏感性不同的问题。为解决选取PS点时漏选或错选的问题,本文提出一种注意力网络模型对GBSAR时序数据进行PS点筛选,并将该模型与循环神经网络（Recurrent Neural Network,RNN）和长短期记忆网络（Long Short-Term Memory,LSTM）进行对比实验,应用于三个不同场景的监测来比较选取PS点的结果。实验结果表明:基于注意力网络的模型的实时性比RNN模型更好,准确度比LSTM模型更高。因此基于注意力网络的模型在PS点选取上更具优势。      

基于自组织映射网络的图像分割算法

针对K—Means图像聚类分割算法需要预先知道图像分割数,且对初始聚类中心较为敏感等问题,提出了一种基于SOFM（自组织特征映射网络）的图像聚类分割算法。该算法结合SOFM聚类及合并聚类分析,能够自动确定分割块数并得到有效的K-Means初始聚类中心。实验结果表明该算法具有运行效率高、分割效果好等优点,在实际应用中是可行的。     

基于分水岭-谱聚类的SAR图像分割

由于谱聚类是基于图论的、以相似性为基础的聚类方法,需要计算图像中每对像素点之间的相似性.当图像很大时,计算相似性矩阵和求解相应的特征值、特征向量是很困难和耗时的.为此,针对合成孔径雷达(SAR)图像的特点,提出了一个两阶段的图像分割方法,首先采用分水岭算法对图像进行过分割,然后再用改进的谱聚类算法进行聚类.新方法不仅可以减少噪声对分割结果的影响,很好地保持图像边缘,而且对时间要求较高的应用也具有一定的参考价值.为了验证新方法的有效性,将其用于SAR图像分割,取得了较优的分割结果.     

基于邻域信息的SAR图像变化检测

为了减少合成孔径雷达(SAR)图像中乘性斑点噪声对变化检测结果的影响,充分地利用了像素的邻域信息。首先使用邻域比值(NR)方法构造差异图像,然后提出基于邻域信息的模糊C均值聚类(FCM)算法。NR算子在构造差异图像时能够较好地保留图像信息并抑制噪声的干扰。同时将邻域信息引入到FCM算法的目标函数,以邻域加权距离改进了FCM算法在欧式距离计算中的不足,并约束了隶属度函数,减少了噪声对邻域中心像素的干扰。通过以上考虑像素邻域信息的算法,得到了差异图像的聚类结果,从而实现了SAR图像的变化检测。实验结果表明,所提算法较传统的FCM和K-means聚类算法,可以较好地保留图像变化区域的信息,同时提高了SAR图像变化检测的准确度。     

基于空变多项式的高精度重构模型

针对由于合成孔径雷达(SAR)图像几何失真的空变性,传统的多项式模型与距离多普勒模型精度不高的问题,文中提出了结合距离多普勒模型和空变的多项式模型的少量控制点精确重构模型。该模型从距离多普勒方程出发,通过优化地面控制点的方位向分布建立空变的多项式模型,实现SAR图像的高精度重构。实验数据表明:在少量控制点情况下,文中的重构模型精度高于传统的距离多普勒模型和多项式模型。     

基于显著轮廓特征的SAR图像轮廓匹配新方法

在以星载SAR图像作为基准图、机载/弹载SAR图像作为实时图的匹配导航和精确制导研究中,传统基于点特征的匹配方法存在特征点数目过多, 误匹配率较高,容易受噪声及灰度变化影响等问题。该文提出一种基于显著轮廓特征的SAR图像“由粗到精”的匹配新方法。该方法在对SAR图像进行预处理的基础上,采用改进的模糊C均值聚类(FCM)的图像分割方法来提取闭合轮廓特征;采用归一化轮廓中心距离描述符进行双向匹配,获得强鲁棒性的粗匹配轮廓对;在粗匹配轮廓上采用改进的局部二值模式(LBP)算子得到精匹配结果。试验结果表明,该方法在图像旋转、空间变化以及噪声干扰较大的情况下,具有精确性高、鲁棒性强的优势,适宜遥感SAR图像匹配。     

基于卷积构型的单元平均CFAR目标检测算法

提出一种基于卷积构型的单元平均恒虚警率(convolution based cell averaging constant false alarm rate, CCA-CFAR)快速检测算法.该算法首先根据背景杂波分布模型计算待检测合成孔径雷达(synthetic aperture radar, SAR)图像统计量矩阵, 然后对单元平均恒虚警率(cell averaging constant false alarm rate, CA-CFAR)检测器构建卷积模型, 利用卷积运算实现对背景杂波的矩估计, 并求出详细的背景杂波分布函数, 最后根据分布函数计算出每个像素的判定阈值, 并对所有待检测像素是否为目标点进行判定.该检测算法复杂度低, 运算效率高, 能够快速实现SAR图像实时目标检测.仿真实验证明了该方法的有效性和工程实用价值.     

An Adaptive and Fast CFAR Algorithm Based on Automatic Censoring for Target Detection in High-Resolution SAR Images

An adaptive and fast constant false alarm rate (CFAR) algorithm based on automatic censoring (AC) is proposed for target detection in high-resolution synthetic aperture radar (SAR) images. First, an adaptive global threshold is selected to obtain an index matrix which labels whether each pixel of the image is a potential target pixel or not. Second, by using the index matrix, the clutter environment can be determined adaptively to prescreen the clutter pixels in the sliding window used for detecting. The $G^{0}$ distribution, which can model multilook SAR images within an extensive range of degree of homogeneity, is adopted as the statistical model of clutter in this paper. With the introduction of AC, the proposed algorithm gains good CFAR detection performance for homogeneous regions, clutter edge, and multitarget situations. Meanwhile, the corresponding fast algorithm greatly reduces the computational load. Finally, target clustering is implemented to obtain more accurate target regions. According to the theoretical performance analysis and the experiment results of typical real SAR images, the proposed algorithm is shown to be of good performance and strong practicability.      

基于共焦图像序列的自适应聚焦度量场景深度估计方法

为了估计场景深度信息,提出了基于共焦图像序列的自适应聚焦度量方法。首先,利用相机阵列获取场景多视角图像,用相机阵列模拟一个虚拟孔径相机并合成共焦图像序列。接着,采用自适应聚焦度量方法计算共焦图像序列中每个像素点的聚焦度量值并找出最大度量值作为清晰点。最后,根据相机阵列与共焦图像序列的几何配置估计出场景的深度。此方法提高了场景中深度不连续处的准确度,能较准确地恢复出场景的深度信息。     

一种基于图像结构保持降低SAR图像斑点噪声的非局部均值滤波

本文提出一种针对合成孔径雷达（SAR）图像保持结构的斑点去除（SPSR）非局部均值滤波算法,它基于图像的非局部自相似性。该SPSR算法的独特之处在于对相似结构中像素的辨识度强,因此可在散斑滤除的过程中避免图像模糊。为缓解散斑噪声对相似性测量的影响,两级过滤方案引入其中。滤波的第一阶段旨在得到一个结构相似性更精确的相似值,然后依据相似度大小对这区域实施强度不一的扩散滤波。与传统滤波器相比,该算法大大提高了散斑滤除的性能,同时,图像的结构保持更完好。     

一种基于聚类分析的红外图像配准算法

为了提高红外图像匹配的精度和效率,提出了一种将Harris-Laplace关键点提取和旋转不变LBP特征描述算子相结合的局部特征检测新算法,该算法不仅在图像的尺度、光照和角度发生变化时,仍然能够得到很好的检测效果,而且能很好地描述图像的局部纹理特征.特征向量描述完成后,为了进一步提高红外图像特征点匹配的正确率,提出了一种基于K-means聚类分析的图像匹配策略.先利用Cosine余弦相关匹配策略实现特征点的初步粗匹配,接着采用K-means 聚类分析匹配策略剔除图像中大部分的错误匹配.实验表明:提出的算法表现出良好的鲁棒性,关键点提取的重复率(Repeatability)提高了9.2％.与传统的匹配算法相比,采用基于K-means聚类分析的匹配策略匹配精度可以提高5.05％,匹配时间可以缩短0.068 s.该特征描述算法和基于K-means聚类分析的匹配算法满足了红外图像配准的高精度性和高实时性的要求.