基于改善极化相似性的极化SAR目标增强新方法

针对高分辨极化SAR目标增强问题,该文提出一种基于改善极化相似性的目标增强新方法。利用Huynen分解、极化方位角提取及极化方位角归零化处理消除了扰动分量、相干斑噪声及极化取向等因素对像素点极化特性的影响,改善了极化SAR图像同类区域内部像素点的极化相似性。与已有方法相比,该方法克服了区域内部像素点极化特性不一致对高分辨极化SAR目标增强的影响,可以获得理想的目标区域整体增强效果。利用全极化SAR实测数据验证了该文方法的优良性能。     

融合极化旋转域特征和超像素技术的极化SAR舰船检测

对海监视是极化SAR的重要应用,密集区域的舰船目标检测是当前面临的主要挑战之一。舰船密集区域受多目标串扰,传统的恒虚警率(CFAR)检测滑窗难以选取纯净的海杂波样本用于确定检测门限,将导致检测性能下降。针对这一问题,该文从特征提取和检测器设计两方面出发,提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法。在特征提取方面,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,由此带来的散射多样性隐含信息可通过极化旋转域分析进行挖掘。该文利用极化相关方向图及导出的一系列极化旋转域特征,根据目标杂波比(TCR)分析,优选TCR最高的3个极化特征量用于构建目标检测器。在此基础上,该文在检测器设计方面提出了一种基于K均值聚类的杂波超像素筛选方法,有效避免了密集区域舰船目标对邻近杂波的影响,基于筛选的杂波像素点得到舰船目标CFAR检测结果。基于Radarsat-2和高分三号星载全极化SAR数据的对比实验表明,所提方法能有效实现密集区域舰船目标检测,检测品质因数达到95%。      

基于残差谱显著性区域提取的极化SAR船只检测

极化合成孔径雷达（synthetic aperture radar,SAR）包含了丰富的目标散射信息,已被广泛用于海上船只检测.文中将机器视觉中基于残差谱视觉显著性区域提取方法扩展到极化SAR船只检测.首先,全面分析SAR极化特征的船海区分能力,利用5景RADARSAT-2全极化数据,对比45种极化特征的船海欧式距离、巴氏距离和对比度,筛选出16个船海对比度大于20 dB的极化特征;其次,挑选出适用于残差谱显著性区域提取船只检测的极化特征组合,通过特征间互信息、图像对数谱特性分析,确定利用相干矩阵的三个幅度极化特征组合成RGB图像进行船只检测;最后,将本文方法与基于恒虚警率的方法比较.在测试图像中,传统方法的品质因数小于0.9,本文方法的品质因数为0.95.本文方法能够很好地抑制虚警,同时还可直接提取出目标的轮廓等几何信息,具有一定的应用前景.     

基于散射机理分类与频谱相关性分析的极化SAR人造目标鉴别

已有极化SAR人造目标鉴别方法通常仅利用较为简单的特征来区分目标与杂波,用于鉴别的信息量有限.针对这一不足,本文提出一种基于散射机理分类与频谱相关性分析的鉴别新方法.该方法充分利用人造目标与自然杂波在散射机理类型及频谱相关性等方面的差异进行目标鉴别,不同类型鉴别信息的综合利用使本文方法具有理想的鉴别效果.基于E-SAR全极化SAR实测数据验证了本文方法的有效性和优良性能.     

三维极化旋转域解译工具及舰船检测研究

极化雷达有利于获取目标完整的极化信息,在许多应用领域得到了广泛应用。然而,目标相对于雷达视线的几何位置通常会对散射机制产生显著影响。近年来,极化旋转域解译方法成功地表征和利用了这种目标散射多样性。值得注意的是,极化响应同时受到极化方位角和极化椭圆率角的影响。对此,本文将极化旋转域解译方法沿极化椭圆率角维度进行拓展,旨在探索和利用更为完整的目标散射多样性。其主要思想是提出一种三维极化相关方向图,能够同时表征极化相关特征随极化方位角和极化椭圆率角的变化情况。通过研究揭示了不同典型散射体的三维极化相关方向图存在显著差异,着重表现在极值点的分布和曲面起伏程度的不同。在此基础上,本文引入了微分几何中的曲率来描述这种三维流形的性质,并提出了高斯曲率最大值这一新极化特征。结合星载极化合成孔径雷达(Synthetic Aperture Radar, SAR)实测数据验证了高斯曲率最大值特征能够有效地区分舰船和海杂波。结合该特征,本文提出了一种阈值分割的舰船检测方法。与传统的恒虚警率方法和新近提出的NPNF方法相比,本文方法表现出更好的舰船检测性能。尤其是在近岸舰船密集区域,检测性能得到明显提升。     

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

基于强散射点径向积累的高分辨极化目标检测研究

研究了宽带高分辨雷达杂波环境中的目标检测问题,提出了基于强散射点径向积累的高分辨极化目标检测方法,利用宽带波形固有的径向高分辨力对目标进行一维距离成像,结合目标的极化特性,估计出回波中强散射点的数量和分布,通过对不同径向分辨单元内的强散射点进行积累,可有效地提高信杂比,实验仿真结果表明本文方法能够有效改善雷达的检测性能.     

SAR车辆目标散射特性的变化规律

通过对导弹发射车电磁计算数据进行不同姿态角和极化方式下的SAR成像处理,分析了不同俯仰角、方位角和极化方式下目标散射特性的变化规律;研究了不同极化通道目标峰值散射强度随方位角的变化关系,从计算数据中得到了目标的一些基本特性;进一步探讨了SAR目标计算数据在目标识别与分类中的应用前景。文中进行了大量的对比实验,归纳总结出一些有价值的结论,为更高精度的目标识别提供帮助。     

雷达目标高分辨距离像数据预处理方法研究

文中对双极化雷达高分辨距离像进行不同收发极化态非相干积累、邻近方位角数据压缩和背景杂波电平抑制，获得数据量少、信杂比高的目标特征像，利用以上方法建立五种地面目标特征像数据库，然后对此五类目标进行分类，可以获得较高的识别率。     

一种改进的高分辨极化目标检测算法

针对宽带高分辨雷达体制,研究了杂波环境中的目标检测问题,引用了极化域线性积累滤波的思路以提高雷达接收信号的信杂比,在此基础上利用波形固有的径向高分辨力对目标进行一维距离成像,结合目标所占据的分辨单元区间内的幅值及其极化状态相对于杂波所对应的分辨单元内的幅值及其极化状态有着较大的差异这一客观事实,提出了基于 Stokes矢量 Frobenius范数非参数检测方法,实验仿真结果表明该方法能够有效改善雷达的检测性能。     

一种基于表面散射相似度的SAR图像极化增强方法

针对传统极化增强在多类目标增强和极化信息保持方面存在的不足,该文基于表面散射的相似度提出了一种新的极化增强方法。该方法根据目标表面散射的相似度,对不同散射类型的目标相干矩阵乘以不同实系数,从而增大了表面散射的目标与其它散射的目标的对比差异。同时由于该方法将表征目标的相干矩阵作为整体进行运算,因而保持了目标的极化信息。最后利用NASA SIR-C/X-SAR实测极化数据验证了该方法的有效性。     

Multi-aspect target detection for SAR imagery using hidden Markovmodels

Radar scattering from an illuminated object is often highly dependent on the target-sensor orientation. In typical synthetic aperture radar (SAR) imagery, the information in the multi-aspect target signatures is diffused in the image-formation process. In an effort to exploit the aspect dependence of the target signature, the authors employ a sequence of directional filters to the SAR imagery, thereby generating a sequence of subaperture images that recover the directional dependence of the target scattering. The scattering statistics are then used to design a hidden Markov model (HMM), wherein the orientation-dependent scattering statistics are exploited explicitly. This approach fuses information embodied in the orientation-dependent target signature under the assumption that. Both the target identity and orientation are unknown. Performance is assessed by considering the detection of tactical targets concealed in foliage, using measured foliage-penetrating (FOPEN) SAR data     

一种改进的图像域SAR目标散射中心特征提取方法

散射中心是SAR图像目标识别的重要特征。本文基于属性散射中心模型，在文献[6]的基础上，提出了一种改进的图像域SAR目标散射中心特征提取方法。在该方法中，通过引入参数规则化处理步骤，解决了属性散射中心特征提取方法的收敛问题，提高了属性散射中心特征参数估计的精度和效率；提出了一种能同时实现散射中心数目确定和结构判别的方法，实现了散射中心类型的可靠判别。仿真数据和MSTAR实测SAR图像数据的实验结果，验证了本文改进的图像域SAR目标散射中心特征提取方法的有效性。     

双站合成孔径雷达去取向极化分析

在分析单站合成孔径雷达去取向参数的基础上,研究了双站合成孔径雷达的非对称散射矩阵,利用矩阵代数知识得到双站去取向参数。推导了目标的去取向变换矩阵,将目标散射矢量进行矢量变换,使得研究目标具有相同的取向,目标本身的信息得以凸显。经过去取向变换,对双站模拟图像的特征参数进行分析,为进一步解读双站图像提供了初步手段。     

基于极化似然比的极化SAR影像变化检测

由于数据获取困难等问题,目前SAR影像变化检测方法多基于幅度,而较少引入极化信息.针对此方面的不足,以极化SAR数据为研究对象,在分析多极化SAR影像极化特征及其分布模型的基础上,构建极化似然比检验模型,以此进行不同时相的多极化SAR数据地表地物变化程度分析,通过设定恒虚警率确定变化区域,最后考虑地物空间信息剔出斑点噪声引起的孤立检测结果.利用多极化SAR数据进行算法的验证,并与图像比值法进行比较,实验表明:基于极化似然比方法可以有效区分地物的变化情况,且变化检测精度要优于图像比值法.     

Interpretation of the Polarimetric Co-Polarization Phase Tern in Radar Images Obtained with the JPL Airborne L-Band SAR System

The utilization of both polarimetric amplitude and relative phase terms of the polarization scattering matrix [S] given for each pixel, is pursued for polarimetric SAR imagery interpretation. The existing amplitude-only backscattering approaches hitherto used are extended and modified to accommodate the interpretation of information contained in the amplitude and/or phase terms. Both a vector radiative transfer model for surface versus volume scattering from rough terrain with and without vegetation canopy and a high-frequency electrical curvature model for perfectly conducting surfaces are examined to come up with theoretical models that out-perform other hitherto known approaches. The developed models agree with the excellent polarimetric SAR imagery recently obtained with the JPL CV-990 dual-polarization L-band (1.225 GHz) SAR system. Recommendations are made on how to further perfect the system for integration in the SIR-C and other future polarimetric SIR-SAR systems.     

基于目标分解和加权SVM分类的极化SAR图像舰船检测

目标分解是极化SAR图像舰船检测的重要方法,但是,在较高分辨率和复杂海况条件下,由相干矩阵分解得到的极化熵参数并不能将舰船目标与海洋等背景完全区分。对极化目标分解理论和地物散射机理的研究和分析表明,极化分解的各个参数从不同角度反映了目标和背景的散射差异,对它们联合使用有助于更准确地在SAR图像中检测目标。而且,各个参数在实际的检测问题中具有不同的重要性。因此,本文构造了包含有多个极化分解参数的特征向量,并根据各分解参数重要性不同,提出一种基于目标分解和加权SVM (support vector machine)分类方法对极化SAR图像中的舰船进行检测。实验结果表明,该方法能够精确地检测舰船目标,并有效地减少虚警。      

SAR图像飞机目标检测识别进展

目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题。机场上飞机作为一种典型目标，其检测和识别有一定的独特性。该文回顾了SAR图像典型目标检测识别领域技术的发展过程，分析了SAR图像中飞机目标的散射机制及面临的技术难点，阐述了 SAR 飞机目标检测识别的系统流程、技术路线和关键科学问题，对基于传统与基于深度学习两个方面的飞机目标检测识别的研究进展进行了归纳总结，并讨论了各类方法的特点及存在的问题，展望了未来的发展趋势。该文认为如何将深度学习与目标电磁散射机理结合、提高网络或模型的泛化能力是提升SAR图像中目标检测识别精度的关键，并给出了一种基于散射信息与深度学习融合的飞机目标检测方法。      

SAR目标属性散射中心特征提取与分析

散射中心是高频区雷达目标电磁散射的基本特征,对SAR图像解译、目标识别等具有重要意义。与经典的理想点散射中心模型相比,属性散射中心模型通过引入散射响应对频率、方位角的依赖因子,可更精确地建模高分辨SAR图像目标的散射特性,但与此同时,由于特征参数的维数更高,因此相应的特征提取方法也更复杂。提出了一种基于CLEAN思想的图像域区域解耦合的近似最大似然估计(RD-AML-CLEAN)高分辨SAR图像目标属性散射中心特征提取方法,并通过仿真SAR图像数据的实验结果对算法性能进行了定性、定量的分析与评估。