结合ICA相干斑抑制的全极化SAR图像分类

本文提出了一种结合相干斑抑制的全极化 SAR(Synthetic Aperture Radar)图像分类新方法.该方法先对图像数据做Pauli分解,获得三个极化组合通道,并分别用三种颜色表示这三个极化组合;再用独立分量分析稀疏编码(ICA-SCS)算法对各颜色通道进行相干斑抑制,最后把三个颜色通道混合,实现了对图像信息的分类.该方法很好的保留了极化通道间的相对相位信息,同时,相干斑抑制后的数据直接用于图像分类,不需要再做任何极化通道组合.对真实SAR图像的分类结果表明,该方法对分类效果和精度有明显改善.     

采用流形近邻传播聚类的极化SAR图像分类

针对传统近邻传播（Affinity Propagation, AP）聚类算法使用欧式距离构建相似度矩阵,不能有效描述极化SAR数据复杂分布的问题,本文提出一种新的基于联合流形距离的AP聚类算法(CMD-AP) 用于极化SAR图像分类。首先将待分类极化SAR图像分割成若干超像素,在相应的极化特征基础上加入图像纹理特征,利用拉普拉斯特征映射算法对特征降维;然后结合相干矩阵Wishart流形和特征矢量欧式流形作为流形距离测度,构造相似性矩阵;最后利用上述相似性矩阵,采用AP聚类算法,对极化SAR图像进行分类。该算法充分考虑了极化SAR数据集潜在的流形结构,将联合的流形距离测度引入AP算法中。实验表明,本文算法提高了极化SAR图像的分类精度,具有更优的区域一致性和边缘保持效果。      

基于三维矩阵变换的多极化SAR图像压缩

本文针对多极化合成孔径雷达(SAR)图像在极化通道之间的相关性,提出了基于三维矩阵变换的压缩方法.将多极化SAR图像(HH,HV,VV图像)作为一个整体,进行三维矩阵变换.首先在极化通道之间进行一维DCT变换,极化平面内进行二维离散小波变换,然后对三个混合系数平面根据率失真准则分配不同比特数,采用分级树的集合划分(SPIHT)算法进行编码.由于不是单独处理每一极化图像,因此不仅可以去除各极化图像内部之间的相关性,也可以去除极化通道之间的相关性.理论推导和实验结果都表明该方法对多极化SAR图像压缩是十分有效的.     

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。     

AdaBoost算法实现全极化SAR图像分类

文中提出了一种基于AdaBoost算法的全极化SAR(Synthetic Aperture Radar)图像分类方法.该方法将AdaBoost算法与HH、HV和VV三个极化通道数据结合起来,对全极化SAR图像进行分类,充分利用了极化信息和AdaBoost算法的快速收敛性.将该方法的仿真结果与H/α分类方法仿真结果进行比较,发现该方法分类模糊程度较低,在细节上分类更为准确,且在相同的情况下,该算法速度更快.     

快速搜索算法与极化合成孔径雷达三维成像

从全极化(hh,hv,vh,vv)合成孔径雷达(SAR)图像数据中,可提取方位向的地势倾斜度信息,形成极化SAR三维成像。该文重点研究极化 SAR三维成像快速算法;提出由 Stokes矢量推导的的极化椭圆方向用解模糊算法;讨论目标极化散射特性对提取地势高度信息的影响以及处理方法;并利用真实的极化 SAR图像数据得到了极化三维成像结果。     

多极化SAR图像3D-SPIHT压缩

该文针对多极化合成孔径雷达(SAR)图像在极化通道之间的相关性,提出了3D-SPIHT压缩方法。将多极化SAR图像(HH,HV,VV图像)作为一个整体,进行三维矩阵变换。首先在极化通道之间进行一维DCT变换,极化平面内进行二维离散小波变换(DWT),然后对3个极化混合系数平面采用分级树的集合划分(SPIHT)算法进行嵌入式统一混合编码。由于不是单独处理每一极化图像,因此不仅可以去除各极化图像内部之间的相关性,也可以去除极化通道之间的相关性。另外,由于采用统一嵌入编码,码流具有完全嵌入性,可以实现3个极化平面之间比特的精确自动分配。理论推导和仿真结果表明该方法对多极化SAR图像压缩是十分有效的。     

基于多测量向量模型的极化探地雷达成像算法

针对极化探地雷达( GPR)工作过程中目标成像空间的联合稀疏性,提出了一种基于多测量向量模型的极化探地雷达成像算法。在建立极化探地雷达回波信号模型的基础上,利用各极化通道测量数据的联合稀疏性将各个极化通道的测量数据等效成多测量向量( MMV ),通过多任务贝叶斯压缩感知( MT-BCS)算法对各个极化通道的测量数据进行联合处理从而实现各个极化通道对应的探测场景反射率的重建。基于时域有限差分( FDTD)法的仿真数据处理结果表明所提成像算法在目标位置重建的准确性和背景杂波抑制能力上均优于单测量向量( SMV)模型的极化探地雷达成像算法。     

基于分布式压缩感知的全极化雷达超分辨成像

基于分布式压缩感知理论,提出了一种全极化逆合成孔径雷达超分辨成像算法,联合各极化通道进行超分辨处理.首先,建立全极化信号模型及超分辨字典,利用各极化通道信号的联合稀疏性将全极化超分辨成像建模为最小L2,1范数的优化问题,运用一种快速算法求解该优化问题.由于利用联合稀疏约束,多极化通道联合成像相比于单通道成像能够获得更好的超分辨性能和噪声抑制能力,最终有效提高图像极化融合的效果.同时,采用快速傅里叶变换操作提升了算法的运算效率.基于backhoe的仿真数据实验验证了该算法的优越性.     

极化SAR图像的联合加权极化差异度变化检测算法

以联合加权极化差异度为特征提出了一种极化SAR图像变化检测新算法。首先计算两个不同时相的极化SAR图像的极化散射差异度和极化功率差异度,然后根据二者的相对大小分配加权系数计算联合加权极化差异度,得到差异图像,最后通过阈值分割技术提取变化区域实现变化检测。利用两组美国UAVSAR系统采集的全极化SAR实测数据对算法进行了验证,结果表明,本文算法能有效检测地物的变化情况,且检测虚警少、轮廓清晰。除此之外,算法无需知道图像的统计分布,通用性强。      

Sparse representation-based algorithm for joint SAR image formation and autofocus

Inaccuracies in the observation model of the synthetic aperture radar (SAR) due to inaccuracies of the velocity and position of the platform or atmospheric turbulence cause degradations in reconstructed images which necessitate the use of autofocus algorithms. In this paper we propose a novel signal processing algorithm for joint SAR image formation and autofocus in a synthesis dictionary based sparse representation framework. Proposed algorithm can be applied broadly to scenes that exhibit sparsity with respect to any dictionary. This is done by extending our previously developed sparse representation-based SAR imaging framework to joint SAR image formation and autofocus. To this end, the phase error vector is separated from the unknown phase of the complex-valued back-scattered field. Phase error vector is estimated using a MAP estimator and compensated through an iterative algorithm to produce focused images. We demonstrate the effectiveness of the proposed approach on synthetic and real imagery.     

二维压缩感知多投影矩阵特征融合的SAR目标识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）目标识别问题,提出联合多层次二维压缩感知投影特征的方法。采用二维压缩感知投影作为基础特征提取算法,具有不依赖训练样本、效率高等显著优势。构建多个二维压缩感知投影矩阵提取原始SAR图像的多层次特征。不同投影矩阵获得的特征具有差异性,从不同方面描述SAR图像的灰度分布特性;同时,这些特征源自相同的输入图像,因此也具有一定的内在关联性。采用联合稀疏表示对提取的多个特征矢量进行表征分析,在内在关联性约束下考察不同特征的独立鉴别能力,从而提升每一类特征的稀疏表示精度。最终,根据求解的稀疏表示系数,分别在各个训练类别上对测试样本的多类特征进行重构,获得重构误差。根据最小误差的准则,判定测试样本所属目标类别。通过综合运用多层次二维压缩感知特征提取和联合稀疏表示分类,提高SAR目标识别的整体性能。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件（standard operating condition,SOC）和扩展操作条件（extended operating condition,EOC）均可保持可靠的识别性能。     

A sparsity-driven approach for joint SAR imaging and phase error correction

Image formation algorithms in a variety of applications have explicit or implicit dependence on a mathematical model of the observation process. Inaccuracies in the observation model may cause various degradations and artifacts in the reconstructed images. The application of interest in this paper is synthetic aperture radar (SAR) imaging, which particularly suffers from motion-induced model errors. These types of errors result in phase errors in SAR data, which cause defocusing of the reconstructed images. Particularly focusing on imaging of fields that admit a sparse representation, we propose a sparsity-driven method for joint SAR imaging and phase error correction. Phase error correction is performed during the image formation process. The problem is set up as an optimization problem in a nonquadratic regularization-based framework. The method involves an iterative algorithm, where each iteration of which consists of consecutive steps of image formation and model error correction. Experimental results show the effectiveness of the approach for various types of phase errors, as well as the improvements that it provides over existing techniques for model error compensation in SAR.     

一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用1\2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。     

基于最大熵准则的多视角SAR目标分类方法

针对合成孔径雷达（Synthetic aperture radar,SAR）目标分类问题,提出基于最大熵准则的多视角方法。采用经典的图像相似度测度构建不同视角SAR图像之间的相关性矩阵,在此基础上分别计算不同视角组合条件下的非线性相关信息熵值。非线性相关信息熵值可分析多个变量之间的统计特性,熵值的大小即可反映不同变量之间的内在关联。根据最大熵的原则选择最优的视角子集,其中SAR图像具有最大的内在相关性。分类过程以联合稀疏表示为基础,对具有最大熵值的多个视角进行联合表示。联合稀疏表示模型同时处理若干稀疏表示问题,在它们具有关联的条件下具有提升重构精度的优势。根据不同视角求解得到的表示系数,按照类别分别计算对于选取多视角的重构误差,并根据误差最小的准则进行最终决策。文中方法可有效对多视角SAR图像样本进行相关性分析,并利用联合稀疏表示利用这种相关性,能够更好提高分类精度。采用MSTAR数据集对方法进行分析测试,通过与几类其他方法在多种测试条件下进行对比,结果显示了最大熵准则在多视角选取中的有效性和文中方法对SAR目标分类性能的优越性。     

基于稀疏重构的全极化SAR联合多维重建

各极化通道独立处理和三维分步成像会忽视数据之间的关联性,造成散射中心的失配以及极化散射矩阵获取的不准确。鉴于此,该文提出一种基于稀疏重构的全极化联合多维重建方法。该方法通过设置联合稀疏约束对所有极化通道及所有维度进行联合,将全极化多维重建建模为多通道联合稀疏重构问题。通过数据插值对模型简化后,结合三维快速傅里叶变换、共轭梯度法和牛顿迭代法给出一种高效的模型求解方法,可以同时得到极化散射矩阵和目标三维信息。该文方法保证了不同极化通道、不同维度的稀疏支撑集一致,且充分利用了数据之间的关联性带来的额外信息。基于仿真数据和电磁计算数据的实验结果表明,该方法的性能不受目标类型影响,具有一定的抗噪性,能有效地获取目标的多维重建结果,得到的三维成像结果分辨率高且极化散射矩阵估计精度高。      

基于稀疏先验的光学及SAR图像的分辨率增强统一框架

研究了基于稀疏型先验的光学及SAR图像的分辨率增强的统一框架.在定义稀疏型先验的基础上,分析了稀疏型先验与分辨率增强的关系,并从参数估计的角度解释了为什么稀疏型先验的合理利用可以实现分辨率增强.其次给出了光学及SAR图像的统一观测模型.再次给出了光学及SAR图像先验模型的统一描述.最后给出了光学及SAR图像分辨率增强的目标函数构造的统一形式.并结合光学图像和SAR图像,在不同数据域的先验信息,分别构造各自的目标函数,实现图像分辨率增强.     

一种基于幅度和相位迭代重建的四维合成孔径雷达成像方法

4维合成孔径雷达获取的观测数据在基线-时间平面非均匀分布。若采用传统成像方法来获取目标散射体的高度-速率维像,则因强副瓣存在,成像效果不理想。当信号具有稀疏性时,压缩感知技术能够利用少量的信号投影值就可实现信号的准确或近似重构。然而标准的压缩感知成像方法是针对实数据进行处理,4维合成孔径雷达成像处理的数据为复数据。因此该文提出了一种基于幅度和相位迭代重建的4维合成孔径雷达成像方法。将4维合成孔径雷达高度-速率成像问题转化为目标复散射系数的幅度和相位联合重建问题,通过在成像过程中引入相位信息来改善成像质量。仿真结果验证了该算法的有效性。      

基于复图像的稀疏SAR成像方法在高分三号数据上的验证

基于稀疏信号处理的合成孔径雷达(SAR)成像(稀疏SAR成像)是稀疏微波成像的一个重要研究方向,相较于经典SAR,稀疏SAR成像在提升成像性能等方面具有重要优势。然而,受困于较大计算代价,其难以用于大观测场景的稀疏恢复,这极大限制了其应用范围。此外,无论军用还是民用,各国星载SAR系统的技术性能指标均是保密的,因此相较于原始回波,通常的公开数据都是经匹配滤波算法重构的SAR复图像。因而如何基于复图像数据进行稀疏成像,对提升现有SAR图像质量、降低稀疏成像计算代价具有重要意义。高分三号是我国首颗1 m分辨率C波段多极化SAR卫星,它具有成像分辨率高、幅宽大等优势,对提升我国灾害监测、海洋监视等能力具有重要作用。该文将一种基于复图像数据的稀疏SAR成像技术引入到高分三号SAR复图像的性能提升当中。实验结果表明,经稀疏处理后的图像拥有更低的旁瓣、更高的信杂噪比以及更优的目标可分辨率能力。且类似于匹配滤波算法重建图像,稀疏恢复结果也可以很好地保持图像统计分布及相位信息,使得稀疏重构的高分三号SAR图像仍适用于干涉、恒虚警率检测等应用。      

一种基于自适应核字典学习的SAR目标识别方法

提出一种基于自适应核字典学习的合成孔径雷达（synthetic aperture radar，SAR）目标识别方法.该方法首先将SAR图像的特征信息通过核函数映射到高维度的核空间中并进行字典学习；然后根据更新后的字典动态计算稀疏度；最后依据最小重构误差准则实现SAR目标识别.在公开数据集MSTAR上的仿真实验结果表明，该方法提取到的特征信息可分度高，对SAR目标的识别具有较好的性能.