引入有取向二面角散射的Freeman-Durden 分解

该文首先考察了当极化SAR 方位向与农作物种植行向不一致时,入射电磁波到地表、农作物的二次散射与一般二次散射的区别。其次,为描述这种二次散射,建立了有取向的二面角散射模型,并将该模型引入到Freeman-Durden 目标分解中,设计了相应的目标分解算法。最后,选取同一农作物种植区两种航迹的机载全极化SAR 数据实现了该分解算法。实验结果证明,对于农作物种植区,改进后的Freeman-Durden 分解能提升不同航迹下的极化SAR 数据目标分解的一致性。      

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。     

针对PolSAR的全极化卷积噪声遮蔽式干扰方法

提出了针对PolSAR的全极化卷积噪声遮蔽式干扰方法,给出了干扰机的设计方案、基本原理与工作流程,推导了受干扰PolSAR的信号模型,分析了干扰功率和信号功率在PolSAR成像处理中获得的不同增益。通过实验仿真考察了电子干扰对PolSAR点目标质量和图像纹理信息的影响,即不同的质量参数变化趋势相互统一并具有典型的变化特征,从而验证了该方法的有效性。     

基于经验模态分解的激光散斑噪声抑制方法

为抑制激光散斑噪声对定量相位重建精度的影响,本文基于经验模态分解提出了一种激光散斑噪声抑制方法。该方法只需采集一张全息图像且无需添加额外硬件设备,避免了寻找最优处理参数的复杂过程。首先,采用经验模态分解突出图像细节信息。其次,使用边缘检测克服各向异性扩散方程中梯度算子抗噪声能力不强、不能识别伪边缘等问题,对细节突出的图像进行边缘检测。最后,由高精度的边缘检测结果引导扩散去噪过程达到更好的散斑抑制效果。实验结果表明,经过本文方法处理后,重建相位的结构相似性提高了12.9000%,边缘保持指数提高了14.3861%,散斑抑制指数降低了8.1299%,并且相位截面曲线与原始相位最接近。本文所提出的方法不仅具备更好的去噪效果,而且更有效地保留了细节信息,相位重建的精度更高。     

基于特征分解的SAR射频干扰抑制方法

合成孔径雷达容易受到射频干扰的影响,严重影响成像质量。本文针对合成孔径雷达面临的射频干扰问题,分析了射频干扰（RFI）的信号特性和信号模型,根据RFI信号功率高、频带窄的特点,提出了基于特征分解的干扰抑制方法。其基本思想是:通过对观测数据矩阵进行特征分解,根据特征值分布构造干扰子空间和信号子空间,利用二者的正交性抑制干扰信号。本文首先介绍了特征分解方法的基本原理,在此基础上,基于MDL准则判断主特征值的个数,提出了基于特征值分布的RFI检测方法,并进一步,利用特征向量构造相应的干扰子空间和信号子空间,给出了基于特征分解的RFI抑制方法。基于SAR实测数据的仿真实验表明该方法可以有效的抑制RFI,且尽可能的保留目标回波。      

极化SAR图像目标分解方法的研究进展

极化合成孔径雷达(极化SAR)经过近几年的迅速发展,已经成为遥感领域的一大研究热点。极化目标分解作为极化SAR图像分析的一种基本手段,所提取的极化信息是极化SAR图像目标检测和分类的基础,在极化SAR图像解译中起着关键作用。通过对近几年极化目标分解方法的发展作一个全面的阐述,重点介绍该领域出现的新技术,使相关研究人员能够更清晰地了解这一领域的最新进展。     

开关电源的噪声及其抑制

介绍开关电源的常态噪声和共态噪声产生的原因，以及几种抑制噪声的方法。     

PolSAR成像的固定极化干扰机有源诱饵目标鉴别及抑制

针对合成孔径雷达(Synthetic Aperture Radar,SAR)成像中真假目标难以区分的问题,提出了一种极化合成孔径雷达(Polarmetric SAR,PolSAR)成像固定极化转发式干扰诱饵目标鉴别方法。该方法首先通过极化熵对目标进行分类,提取低极化熵的目标并对目标进行Wigner-Ville分布(Wigner-Ville Distribution,WVD)变换,再利用Hough变换计算WVD图像中的曲线斜率,将计算出的多普勒调频率与理论调频率进行对比,进而完成真实目标与假目标的鉴别,最终通过极化对消对鉴别出的目标进行抑制。实验结果验证了该方法的有效性。     

双站SAR图像的极化分析

该文对双站SAR(BISAR)模拟图像不同地物的极化特征分析,发现传统单站极化特征参数(,,)在BISAR图像上不再能有效地表现地物散射的极化特征。由此,提出了统一双站极化基变换,重新定义了极化特征参数,,,使其保持原有的分离取向关联等优点。经统一双站极化基变换后,不同地物散射的极化特征更明显,重新定义的,,能反应不同散射机制,提供了BISAR图像解译和地表分类的初步手段。     

Polarimetric Analysis of Bistatic SAR Images From Polar Decomposition: A Quaternion Approach

This paper focuses on polar decomposition, which is based on the quaternion formalism, in single-look and multilook synthetic aperture radar polarimetry. Polar decomposition is used to decompose a bistatic or monostatic polarimetric scattering matrix into a product of a Hermitian matrix (boost) and a unitary matrix (rotation). After an overview of polar decomposition principle and quaternion properties, coherent (single-look complex) and incoherent (multilook) polar decompositions are discussed. In single-look polar decomposition, we introduce the boost parameter and the rotation parameter with the purpose of classifying scattering mechanisms of different natures. New relationships between these geometrical parameters and the scattering matrix elements are obtained. We also briefly reexamine the standard coherent polarimetric target decomposition algorithms in the light of quaternions. Next, an original use of polar decomposition for incoherent polarimetric imaging is proposed, which leads to the definition of the multilook boost parameter and of the degree of polarization dispersion. Subsequently, a new approach is presented, which consists in decomposing the scattering matrix into boost and rotation components before vectorization, then in averaging to generate boost and rotation coherency matrices separately. This leads to new inferred parameters: the boost and rotation entropies, and the concurrent dominant scattering mechanisms. The link between these new parameters and standard polarimetric invariants from the Cloude and Pottier decomposition is discussed. Eventually, the multilook extension of polar decomposition may allow this to be applied to the classification of remote sensing data. In this framework, a set of five parameters reducing to four in the monostatic case can be considered.     

基于模型的π/4模式简缩极化干涉数据目标分解

基于模型的目标分解是极化合成孔径雷达(SAR)的一个重要应用,基于模型目标分解依赖于极化数据仅能获得各散射机制的能量信息.该文将基于模型的分解技术应用到π/4模式的简缩极化干涉SAR(C-PolInSAR)数据中,对互相关矩阵进行分解,在获得各散射机制功率的同时获得对应的散射相位中心.该文首先推导出3种散射机制π/4简缩极化SAR干涉观测下散射模型,然后运用数值计算方法进行目标分解,最终求解出各散射机制的功率贡献及相位中心高度信息.仿真数据验证了该算法的有效性,分析了不同波段及不同地表参数对分解结果的影响.     

一种适合方位建筑物的基于物理散射模型的极化SAR影像四分量分解方法

针对走向与雷达飞行方向不平行的建筑物（简称为方位建筑物）,提出了一种基于物理散射模型的极化SAR影像四分量分解方法。该方法用于区分散射类型易混淆的方位建筑物和植被。本文首先对方位角补偿后的相干矩阵进行相位旋转;然后构造一种修正的体散射模型,该模型包含纯体散射模型和方位二面角散射模型;最后加入两个能量限制条件,有效避免了负能量像素点的出现。实验结果表明,与已有的四分量分解方法相比,提出的分解方法有效解决了方位建筑物被误识别为植被等体散射类型的问题且消除了负能量,有利于从植被中区分方位建筑物。     

一种基于Freeman分解与散射熵的极化SAR图像迭代分类方法

该文提出了一种基于Freeman分解与散射熵的极化SAR图像迭代分类新方法。该方法首先通过Freeman分解提取3种散射机理成分的功率,同时通过H/ 分解提取地物的散射熵;再利用这4个表征地物特性的参数将极化SAR图像中的地物划分为9个初始类,最后使用Wishart分类器对初始类进行迭代分类得到最终的结果。该方法合理利用了地物的极化散射信息,能够取得较好的分类效果,同时运算量也比较小。实测极化SAR数据的实验结果验证了该方法的有效性。     

极化SAR目标相对最优极化研究

极化SAR通过测量地物目标的散射回波得到极化散射矩阵或Stokes矩阵,利用极化合成技术得到任意发射和接收极化组合下的天线接收功率。目标相对最优极化就是选取一种收发极化状态使得研究目标和背景地物的接收功率对比度达到最大。文中首先分析了目标相对最优极化的模型,指出了它们的优缺点,然后提出了一种新的改进模型,并用交替迭代方法进行了模型的解算,最后结合荷兰Flevoland地区全极化数据作了试验,证明了其有效性和正确一陆。     

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。     

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。