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。     

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。     

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.     

基于极化特征参数和极化干涉最优参数的改进四元素分解方法

雷达目标的后向散射对目标姿态与雷达视线的相对几何关系十分敏感,同一目标相对于雷达视线的姿态不同时,散射特性十分不同。倾斜地表和倾斜建筑物等目标可能扭转后向散射回波的极化基,进而导致交叉极化分量过高,图像体散射成分过估计。该文针对图像体散射成分过估计的现象,提出一种基于极化特征参数($ H/{\alpha} $)和极化干涉相似性参数(PISP)的极化干涉分解方法。该方法充分考虑了散射体在雷达视线方向上的散射多样性,对不同取向的倾斜地表和倾斜建筑物等目标产生的交叉极化分量进行更好的适配,得到更好的分解结果。最后,利用由中国科学院电子学研究所获取的机载C波段全极化干涉数据验证该方法在极化干涉分解中的有效性。实验结果表明,该改进算法可以有效、正确地区分地物散射特性。     

基于简缩极化数据的三分量分解模型

基于部分极化波的二分理论,提出了一种针对简缩极化数据的三分量分解模型。该模型将简缩极化数据的Jones相干矩阵分解成表面散射、偶次散射和体散射三种散射机制Jones相干矩阵之和,进一步得到这三种散射机制各自的散射功率。选取德国根多夫市普拉特灵(Plattling)地区的TerraSAR-X全极化数据生成简缩极化数据,用提出的三分量分解模型对得到的简缩极化数据进行分解,并将分解结果与全极化数据的Pauli分解结果进行对比。实验结果表明:提出的简缩极化数据三分量分解模型能够很好地描述表面散射和体散射的散射行为。但是,相比全极化数据的分解结果,提出的模型高估了体散射分量,导致偶次散射分量偏小,这个问题需要进一步的研究来解决。     

基于极化度分布特征的目标识别方法研究

该文在全极化、高距离分辨力雷达体制背景下,研究了光学区雷达目标回波极化度的分布特性,并利用分布特征参数进行定量描述,在此基础上对四类飞机目标进行了识别实验研究,获得了良好的目标分类识别效果。     

基于混合语义相似度的服务匹配方法

服务匹配已经成为服务计算领域的一大热点.合理的服务匹配算法可以帮助服务需求者寻找到满足自己需求的服务.在分析现有的服务算法基础上,提出基于混合语义相似度服务匹配方法MSSMA（Mix Semantic Similarity Matching Algorithm）.将比较成熟的语义相似度算法和基于匹配等级的计算方法相结合,从而提高服务匹配的精度.     

极化轨道约束下的最优极化（二）

本文针对相千极化测量过程中，在对接收极化进行圆环轨道约束的条件下，对于任意给定信号和干扰的极化方式，研究了了圆环极化轨道上信号干扰噪声比（ＳＩＮＲ）的局部最优化回题，并对Ｐｏｉｎｃａｒｃ极化球上大圆轨道约束与圆环轨道约束这两种情况下的ＳＩＮＲ最优化问题进行了比较，对于测量过程中信号极化或干扰极化或干扰极化为已知的情况，本文提出了两种全局变极化策略，并研究了这两处策略对ＳＩＮＲ量优化的影响以及二者在     

基于RVoG模型的极化干涉SAR最优基线分析

 针对极化干涉SAR体散射体参数估计应用,基于随机体散射体/地表二层(RVoG)模型分析研究了其最优基线问题.在基线去相干、RVoG模型、相位管等相关理论分析基础之上,证明了最优基线的存在性,给出了其定义与计算方法,比较了其与常规干涉SAR最优基线的异同.通过仿真验证并讨论了雷达、成像几何和体散射体参数对最优基线选取的影响.     

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。     

基于非平稳性和极化相干系数比的PolSAR图像建筑物检测

为了提高全极化合成孔径雷达(PolSAR)图像中城区建筑物的检测精度,该文提出一种基于人造目标散射非平稳性和极化相干系数比的建筑物检测新方法。该方法首先对PolSAR图像进行滤波和方位向时频分解,得到多个子孔径图像,然后结合方位向非平稳性检测和极化相干系数比来判断某个像素是否为建筑物。该文通过引入一种新的极化相干系数比从而使获取的建筑物检测结果优于传统非平稳性检测方法,能够有效去除具有布拉格散射的自然地物虚警从而提高检测精度。星载和机载PolSAR数据实验结果验证了该方法的有效性。     

基于层次非负特征值约束的Yamaguchi分解

针对现有Yamaguchi分解的相干矩阵存在不满足非负特征值约束(NER)的问题,该文提出一种基于层次NER的Yamaguchi分解。该文分析得出,NER问题源自于散射功率的过估计,并指出只要解决了余项相干矩阵的NER问题,就能解决所有相干矩阵的NER问题。于是基于非负特征值分解(NNED),依次建立了抑制散射功率过估计的第1层至第4层NER方法,其中后层的NER方法需要分层次地执行前层的NER方法。第4层NER方法解决了余项相干矩阵的NER问题,进而解决了所有相干矩阵的NER问题。另外,该文还提出比原有NNED效率更高的快速NNED。实验结果表明,所提出的分解方法能显著增强城区的二面角散射功率与抑制城区的体散射功率,并能显著增强海洋区的面散射功率。     

一种新的基于非反射对称非负特征值分解的Freeman分解

该文首次推导出了在非反射对称情况下非负特征值分解(NNED)的分析解法,即非反射对称NNED;并将其应用于Freeman分解,提出了一种基于非反射对称NNED的Freeman分解。在Freeman分解中,非反射对称NNED用于提取体散射功率,并用于调整体散射、二面角散射以及表面散射功率以确保余项协方差矩阵没有负特征值。相比于基于反射对称NNED的Freeman分解,所提的分解方法有效地利用了在反射对称条件下被假定为0的非对角线元素,能保证余项协方差矩阵没有负特征值,实测极化SAR数据实验表明,所提的分解方法能显著地加强城区的二面角散射功率并且减少城区的体散射功率。     

ENVISAT ASAR交替极化模式目标检测性能分析

ENVISAT ASAR具有交替极化模式,可以提供3种双极化组合。该文针对3种双极化组合分别推导了几种目标检测器,包括最优极化检测器、白化滤波检测器、张量检测器、单通道检测器等,并使用ROC曲线对它们分别进行了性能比较。结果表明极化白化滤波检测器的性能最接近于理想的最优极化检测器,极大地提高了检测性能。     

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。