基于自注意力机制和CycleGAN的高分三号ScanSAR图像的扇贝效应抑制

高分三号卫星是我国首颗分辨率达到1 m的C波段 多极化合成孔径雷达(synthetic aperture radar,SAR) 卫星,其中扫描 式合成孔径雷达(scan synthetic aperture radar,ScanSAR)模式是高分三号卫星重要的工 作模式之一,由于该模式的工作机制导致生成的图像可能发生扇贝效应,一般呈现为明暗相 间的条纹。本文针对高分三号卫星ScanSAR模式下存在的扇贝效应,提出自注意力机制与循 环一致对抗网络(cycle-consistent adversarial networks,CycleGAN)结合的模型对Scan S AR图像进行处理,从而抑制扇贝效应产生的条纹现象。本文所示方法与传统扇贝效应抑制方 法和深度学习相关算法进行比较,并通过亮度均值、平均梯度等指标进行分析。实验结果表 明,本文方法可以对高分三号ScanSAR图像存在的扇贝效应进行较好的处理,有效抑制图像 的条纹现象,使得图像质量得到提升,具有较大的实用意义。     

结合全局上下文与融合注意力的干涉相位去噪

目的 干涉相位去噪是合成孔径雷达干涉测量（interferometric synthetic aperture radar,InSAR）技术中的关键环节,其效果对测量精度具有重要影响。针对现有的干涉相位去噪方法大多关注局部特征以及在特征提取方面的局限性,同时为了平衡去噪和结构保持两者之间的关系,提出了一种结合全局上下文与融合注意力的相位去噪网络GCFA-PDNet(global context and fused attention phase denoising network)。方法 将干涉相位分离为实部和虚部依次输入到网络,先从噪声相位中提取浅层特征,再将其映射到由全局上下文提取模块和融合注意力模块组成的特征增强模块,最后通过全局残差学习生成去噪图像。全局上下文提取模块能提取全局上下文信息,具有非局部方法的优势;融合注意力模块既强调关键特征,又能高效提取隐藏在复杂背景中的噪声信息。结果 所提出的方法与对比方法中性能最优者相比,在模拟数据结果的平均峰值信噪比（peak signal to noise ratio, PSNR）和结构相似性（structural similarity,...     

电磁散射特征提取与成像识别算法综述

合成孔径雷达(SAR)图像的自动化解译是合成孔径雷达技术应用的重要发展方向之一。电磁散射特征与目标结构具有稳健的关联性,是SAR图像解译的关键支撑。近年来,如何准确地实现电磁特征提取以及利用电磁特征反演目标特性受到了广泛的重视。该文讨论了电磁特征提取和基于电磁散射特征识别方法的研究成果,总结归纳了其中的关键要素和主要思路,详述了电磁散射机理在成像和识别领域的扩展应用,展望了未来电磁散射特征提取与应用的研究发展趋势。      

面向复杂大气扰动的GB-InSAR相位误差补偿方法

大气扰动是地基干涉合成孔径雷达（GB-InSAR,Ground-Based Interferometric Synthetic Aperture Radar）测量的主要误差源之一。在复杂大气条件下,常规的大气相位补偿方法不再适用,本文提出了一种基于PS（Permanent Scatterer,永久散射体）技术的改进方法。该方法首先通过Delaunay三角网建立临近PS对,分析各临近PS对的差分相位序列标准差,实现PS集合中的噪声点或部分形变点的滤除;然后根据气象数据估计出参考大气相位序列,通过计算剩余PS的干涉相位序列与参考大气相位序列的MIC（Maximal Information Coefficient,最大互信息系数）,结合空间维相干系数,采用双阈值实现稳定 PS的选择;最后采用Kriging插值拟合方法,实现复杂大气条件下的大气相位估计。采用本文所提方法,对九道拐区域实测数据进行了处理,相比于常规方法,有效降低了大气相位补偿误差,保证了GB-InSAR的形变测量精度。      

粗DEM辅助的广域PS-InSAR数据预处理方法及应用

PS-InSAR技术是一种高精度的地表形变探测方法,小区域PS-InSAR处理的研究较为深入,但处理方法并不适用广域的形变探测和数据处理方法。本文针对卫星实时轨道精度差的问题,首先提出利用辅助DEM进行斜距误差和轨道系统误差校正提升差分干涉相位反演精度的方法;其次,针对广域图像配准误差的空变性,提出了一种由粗到精的层级配准方法,解决了配准误差空变对PS-InSAR永久散射体选取和图像相干性的影响;最后,通过对形变观测结果的地理编码结合加权处理,实现对超广域观测图像的拼接。利用仿真数据验证了粗DEM对系统误差校正的有效性,并进一步通过Sentinel-1A的2000多景雷达影像对云南省全境39.4万平方千米的覆盖区域进行了处理,结果表明了本文方法对系统误差校正和对广域形变探测处理的有效性。     

基于CSAR图像的目标高度提取方法

圆周合成孔径雷达（Circular Synthetic Aperture Radar,CSAR）可以对目标进行360°全方位观测,获得目标全方位散射信息。通过将CSAR成像数据划分成多个子孔径能够直接获取目标高度信息,本文在原有获取目标高度信息的方法基础上,进行了改进和创新,提出了一种新的提取目标高度信息的方法。本文通过对子孔径图像进行高度向投影,在一定程度上提高了计算精度,同时在子孔径选择时,也考虑了子孔径之间的相关性,有效地提高了算法的精确性。最后首次引入自主测量的L波段实测数据对本文所提算法进行验证,证实了该方法的有效性和准确性。     

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

基于二维随机投影特征典型相关分析融合的SAR ATR方法

合成孔径雷达（Synthetic aperture radar,SAR）自动目标识别（Automatic target recognition,ATR）是现代战场情报侦察、精确打击的重要支撑技术。为提升SAR ATR整体性能,提出基于二维投影特征多重集典型相关分析（Multiset canonical correlations analysis,MCCA）的方法。首先,采用若干二维随机投影矩阵对SAR图像进行特征提取,获得多层次特征描述。考虑到这些结果之间的相关性和可能存在的冗余及干扰,进一步通过MCCA对它们进行融合处理,获取单一特征矢量。基于稀疏表示分类器（Sparse representation-based classification,SRC）对融合特征矢量进行处理,判决目标类别。实验基于MSTAR数据集开展,对方法性能进行检验确认,结果能够验证其有效性。     

大气折射率波动引起的SAR成像误差分析

合成孔径雷达(SAR)成像中通常默认大气折射率为1,即电磁(EM)波速率等于自由空间光速且忽略大气吸收特性,但实际存在的吸收会减弱入射功率,电磁波速率的变化会引起相位误差,从而影响图像重建.该文定量分析电磁波速率波动和大气吸收对雷达图像的影响,理论推导得出大气吸收会导致振幅误差,表现为散射点在图像中的重建幅度误差;电磁波速率波动会导致相位误差,表现为散射点在图像中的重建位置误差.仿真实验验证了误差分析的正确性.该分析进一步完备了SAR成像误差分析,有助于SAR图像正确解译.     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能.为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法.首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征.幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征.而多级特征可以从局部到全局表征目标.随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用.一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息.最后利用得到的深层融合特征对目标进行识别任务.该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性.