基于目标相干散射特性的极化SAR图像分解分类方法

基于对目标极化相干散射特性的分析,我们改进了Cloude和Lee等人提出的极化特征分解及非监督分类算法,以适应高分辨率极化SAR图像中复杂的地物细节特征。实验结果表明,相对传统方法,该方法更能够保留目标的细节特征、准确地估计目标极化相干矩阵,因此能够获得更好的分解分类结果。另外,该方法还具有较好的收敛性和鲁棒性。     

基于Cameron分解和SVM的极化SAR图像分类

Cameron分解先将极化散射矩阵分解为互易分量和非互易分量,再将互易分量进一步分解为对称分量和非对称分量,这是极化合成孔径雷达图像特征提取的有效途径。由四个分量的范数组成样本向量,运用基于统计学习理论的支持向量机设计分类器,提出了一种极化SAR图像分类算法,并对实测极化SAR数据进行分类实验。结果表明,将Cameron分解与SVM结合起来应用于极化SAR图像分类的算法是可行和有效的,通过选择不同的参数对分类结果影响很大,验证了参数选择在SVM分类器中的重要作用。     

基于目标分解的极化SAR图像SVM监督分类

鉴于使用单一特征无法获得令人满意的分类效果以及SVM在小训练样本时具有良好的分类性能,提出了基于多种目标分解方法和SVM的极化SAR图像分类方法。首先对原始极化SAR图像使用多种目标分解方法进行处理,得到相应的分量信息,然后在极化SAR图像特征提取的基础上将SVM应用于极化SAR图像分类。通过选取不同的特征信息作为支持向量机的输入,比较其对分类性能的影响,得到最优的用于分类的特征信息组合,其中将相干分解和非相干分解的信息同时用做分类特征能够获得较好的分类效果。利用NASA/JPL实验室AIRSAR系统获取的全极化SAR数据进行实验处理,与Wishart监督分类进行对比,验证了将目标分解信息用做分类特征的有效性,同时与Wishart/H/α和模糊C-均值H/α分类方法进行对比,得到提出的方法具有良好的分类性能。     

基于香农熵的极化SAR相干矩阵信息量评价

极化SAR(Synthetic Aperture Radar)非相干分解是获取地物目标特性的重要手段。针对目前非相干分解所使用的极化相干矩阵包含的信息量尚未定量估计的问题,引入信息论中的香农熵(Shannon Entropy),系统分析了不同地物包括海洋、植被和建筑物在不同时段和波段下极化相干矩阵信息量随窗口大小的变化规律。研究发现,不同地物类型的极化相干矩阵包含的信息量差异较大。其中建筑物平均相干矩阵的信息量较低,且随窗口增加信息量呈现近线性增加,而海洋、植被的极化相干矩阵信息量偏高,且随窗口增加信息量先快速增加后趋于稳定。同种地物在不同波段及时段下,平均相干矩阵的信息量随窗口大小的变化规律相近。研究表明:基于香农熵的相干矩阵信息量评价方法,可以简单有效地定量评估相干矩阵包含的信息量,同时也可为计算极化相干矩阵滑动窗口的选择提供重要理论依据和指标参考,有助于后续进行极化目标分解和对目标散射机制的理解。     

基于子孔径分析的极化SAR图像非平稳目标检测

介绍了SAR图像子孔径分析的原理和应用,并对一幅全极化SAR图像进行了子孔径分解.并介绍了非平稳目标的检测准则.利用极大似然比检测方法,对生成的子孔径图像进行了非平稳目标的检测.     

基于Krogager分解和SVM的极化SAR图像分类

目标分解包括基于Sinclair矩阵的相干目标分解和基于Mueller矩阵的部分相干目标分解,Krogager分解即属于相干目标分解,它可以将任一对称Sinclair矩阵分解为球散射体、二面角散射体和螺旋体3个分量,这是极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像特征提取的有效途径。把3个分量的分解系数作为极化散射特征,由其组成样本向量,运用基于统计学习理论的支持向量机(Support Vector Machines,SVM)设计多类分类器,提出了一种极化SAR图像分类算法,并对实测极化SAR数据进行分类实验。结果表明,将Krogager分解和SVM分类器结合起来,对极化SAR图像进行分类是可行和有效的,并且选择不同的参数得到的分类结果差别很大,验证了参数选择在SVM分类器中的重要作用。     

一种子视相干优化的极化SAR船只检测方法

针对传统单极化SAR船只检测能力不足的问题,提出了一种基于极化SAR图像子视相干的方法来检测船只。该方法在船只和海杂波SAR子视图相干程度分析的基础上,通过调整全极化SAR图像数据的最优极化状态得到3个优化的相干参数,并由此定义了一种最优相干积参数。由于该参数可以保留相干目标(即船只)的强度和相位,因此能够极大提高目标与背景之间的对比度,从而改善后期的目标检测性能。最后,采用机载极化SAR数据来评估本文方法,其试验结果表明,该方法能充分利用目标的极化特征以及子视相干性信息,显著提高了船海对比度,实现了船只检测性能的改进。     

基于地基合成孔径雷达的弱目标检测性能分析

合成孔径雷达（SAR）是一种主动微波成像遥感技术,弱目标检测与分类是其重要应用之一。鉴于弱目标的有效检测与SAR系统参数密切相关,为系统地研究弱目标的散射特性及其检测性能与SAR系统参数的关系,本文提出了一种基于地基SAR进行弱目标检测的实验研究方法。首先通过构建室内实验场景,获取了多频多极化原始SAR回波数据并进行成像处理;接着分析了不同工作频率、不同带宽条件下塑料材质目标以及干沙覆盖目标的后向散射特性;最后讨论了极化方式对检测性能的影响。本文的实验方法和结果有助于进一步利用极化干涉SAR信息进行弱目标检测研究。     

改进的基于结构检测的SAR图像去斑方法

合成孔径雷达图像固有的相干斑噪声严重降低了图像的可解译程度,影响了后续目标检测、分类和识别等应用.因此,SAR图像的相干斑抑制问题一直是SAR图像应用的重要课题之一.一个理想的去斑算法应该在平滑的同时保持图像的边缘等细节不受损失,目前存在各种各样的算法,但没有一种方法能够完美的满足这一要求.为此该文提出了一种改进的结构检测的SAR图像去斑算法.利用概率迭代方法分割图像并检测边缘,结合强点检测图,将SAR图像标为结构区和非结构区,在非结构区域内进行Lee滤波以平滑噪声,对结构区直接保留原值,获得了非常好的去斑效果.利用RADARSAT实测图像进行实验,并对实验结果作充分分析,证明了本算法的有效性.     

基于改进的S-NMF方法的全极化SAR船舶检测

全极化SAR影像应用于海上船舶检测,如何在不降低检测率的同时,利用极化信息降低虚警率,是一个值得研究的问题。根据SAR极化矩阵3个特征值的非负性和稀疏性,提出了改进的非负矩阵分解S\|NMF(Sparseness-Nonnegative Matrix Factorization)方法:将最大和次优特征值用于NMF分解,因为两者占有目标97%以上的能量,能够保证最大的检测率,分解后所得结果为检测结果I;而强海杂波、“目标鬼影”等虚警在第三特征值上表现较弱,利用第三特征值与结果I相乘,可进一步强化目标弱化虚警。然后采用OS-CFAR算法对相乘后的图像进行检测,输出最终结果。最后用带有AIS数据的Radarsat-2全极化数据对该方法进行验证,并与SPAN方法、HV通道、PWF方法的检测结果进行对比,结果表明:该方法不但能够正确地检测出船舶目标,而且能够有效降低虚警。     

A unified three-component scattering model for polarimetric coherent target decomposition

In this article, first, the properties of the symmetric scattering space are examined based on the representation of the maximum symmetric scattering component proposed by Touzi. The symmetric scattering unit disc in the complex plane is mapped to a more intuitive unit sphere representation, and a new simpler classification method for symmetric scatterers is proposed based on a simplified symmetric scatterer scattering matrix metric distance. Then, a unified three-component scattering model for polarimetric coherent target decomposition (CTD) is proposed. Pauli decomposition, sphere, dihedral, helix (SDH) decomposition and Cameron decomposition can be expressed as a simplified form of the unified model with some certain restrictions, respectively. In addition, SDH decomposition and Cameron decomposition are proved to be equivalent by verification of restrictions’ consistency. Finally, by the combination of SDH decomposition and symmetric scatterer classification, a scattering matrix classification scheme is proposed to classify the scatterers into 12 scattering types.     

基于SVD背景抑制和粒子滤波的弱小目标检测*

针对云天背景下红外弱小目标的检测算法中常见的目标漏检和检测错误问题,提出了一种基于奇异值分解背景抑制和粒子滤波联合检测算法。该算法首先采用奇异值分解滤波抑制红外图像背景,获取候选目标位置,然后采用粒子滤波算法估计目标运动状态,获取目标搜索窗口,最后将单帧检测候选目标与预测的搜索窗口相结合实现小目标检测。对真实红外图像序列进行实验表明,该方法有效地解决了SVD滤波单帧漏检和粒子滤波预测错误导致的目标检测错误问题,从而提高了低信噪比下弱小目标的检测能力。     

基于小波神经网的SAR图像识别算法

针对SAR图像的自动目标识别问题,研究了基于小波分析和神经网络的识别算法.由非线性小波基作为网络中神经元的激励函数,隐层结点数由小波分解次数和处理目标类别数决定,输出层由目标的类别数决定,同时利用目标的方位角来限定被识别目标的范围.实验结果表明,该方法有效降低了训练和识别的难度,取得了优于BP网络的识别结果,具有广阔的应用前景.     

Improving SAR data processing with polarimetric reference functions in the range Doppler algorithm

Synthetic aperture radar (SAR) is a form of radar that can be used to create images of objects and landscapes. The main important application of the polarimetric SAR can be found in surface and target decomposition process of its image processing. In this article, we propose a method of polarimetric SAR data processing using two new polarimetric reference functions of canonical targets with the intention to apply in coherent decompositions. Our experiment uses polarimetric backscatter characteristics of the dihedral and trihedral reflectors as the targets under a ground-based SAR geometry to create the polarimetric reference functions for azimuth compression in the SAR data processing. We process the data using Pauli decomposition to investigate the effect of our functions on the RGB (red, green, and blue) properties of the processed images. The results show that Pauli decomposition using our functions produces images with different distribution and intensity of RGB colours in the image pixels with some signs of improvement over the traditional range Doppler algorithm. This demonstrates that our polarimetric reference function can be used in the decomposition steps of the traditional SAR data processing and can potentially be used to reveal some useful quantitative physical information of target points of interest and improve image and surface classification.     

一种实用的盲波束形成和DOA估计方法

基于子空间分解的原理对相关文献的方法进行了改进.用平均时间延迟协方差矩阵的奇异值分解代替传感器数据矩阵的奇异值分解,大大地提高了运算速度,使模型和算法能更有效地应用于实际情况.同时仿真实验和海上实测数据结果表明,该方法能很好地实现方位估计和信号恢复,而且性能更佳.     

基于ICA和SVM的SAR图像特征提取与目标识别

提出一种利用独立分量分析和支持向量机的合成孔径雷达图像特征提取与目标识别方法。对图像小波分解后提取低频子带图像,对低频子带图像进行独立分量分析提取特征向量,利用支持向量机对特征向量分类完成目标识别。将该方法用于MSTAR数据中的3类目标识别,识别率最高可达96.92%。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

A novel approach to polarimetric SAR data processing based on Nonlinear PCA

In remotely sensed Synthetic Aperture Radar (SAR) images, scattering from a target is often the result of a mixture of different mechanisms. For this reason, detection of targets and classification of SAR images may be very difficult and very different from other sensor imagery. Fully polarimetric data offer the possibility to separate the different mechanisms, interpret them and consequently identify the geometry of the targets. To achieve this task, several target decomposition techniques have been proposed in the literature to improve the interpretation of this kind of data. Among these, the physical based techniques are the most considered.     

基于SVM的POL-SAR图像分类研究

提出了一种将物理散射机理、纹理信息和SVM结合起来用于POL-SAR图像分类的方法。实验数据选取德国Oberpfaffenhofen实验区域（DE）的DLR ESAR L波段全极化数据,实验区域包括自然植被,如森林、田地和人造目标如建筑、机场跑道等。首先利用OEC分解得到了散射特征,然后提取HH和HV通道图像的纹理特征,并用SVM进行特征选择及分类。然后在上述特征中加入Freeman分解的散射特征重复试验,取得了较好的结果。试验证明了将散射特征和纹理特征结合起来对地物进行分类是有效的,同时也证明了用SVM进行特征选择的有效性。     

基于多级特征和混合注意力机制的室内人群检测网络

针对室内人群目标尺度和姿态多样性、人头目标易与周围物体特征混淆的问题,提出了一种基于多级特征和混合注意力机制的室内人群检测网络（MFANet）。该网络结构包括三部分,即特征融合模块、多尺度空洞卷积金字塔特征分解模块以及混合注意力模块。首先,通过将浅层特征和中间层特征信息融合,形成包含上下文信息的融合特征,用于解决浅层特征图中小目标语义信息不丰富、分类能力弱的问题;然后,利用空洞卷积增大感受野而不增加参数的特性,对融合特征进行多尺度分解,形成新的小目标检测分支,实现网络对多尺度目标的定位和检测;最后,用局部混合注意力模块来融合全局像素关联空间注意力和通道注意力,增强对关键信息贡献大的特征,来增强网络对目标和背景的区分能力。实验结果表明,所提方法在室内监控场景数据集SCUT-HEAD上达到了0.94的准确率、0.91的召回率和0.92的F1分数,在召回率、准确率和F1指标上均明显优于当前用于室内人群检测的其他算法。