基于SAR极化特征的SVM道路提取方法研究

SAR图像中道路提取在路网规划建设、灾害监测等领域具有重要的应用价值.传统SAR图像道路提取方法多是基于SAR图像的幅值特性进行提取,缺少对极化特性的解译.此外极化分解方法多应用于水体提取、地物分类、建筑物提取等,较少应用于道路提取.针对现有的道路提取方法数据质量要求高、全极化道路提取研究较少、全极化数据源相干斑噪声影响大的问题,本文首先对全极化数据进行多视处理、滤波去噪预处理,并通过极化分解方法获取20维极化特征散射分量.其次,从散射机理的角度出发,构建鉴别道路信息的最优极化特征矢量.最后,通过SVM分类器得到初步道路提取结果,并通过数学形态法提取道路数据.实验结果表明,该方法达到了98.4%的Acc和65.3%的Iou,具有提取精度高、应用范围广的优点,充分利用高分辨率SAR数据的极化信息,可有效应用于SAR图像的道路提取方法研究中.此外,区分于将光学道路提取的方法直接套用到SAR图像道路提取研究,本文探索了极化特征在SAR图像道路提取中的应用表现,为SAR图像道路提取研究提出新模式新思路.     

基于周期性极化钽酸锂晶体的连续激光倍频技术研究

针对连续激光倍频的需求,对比分析了周期性极化钽酸锂晶体和铌酸锂晶体的非线性光学特性,从技术研究角度确定了周期性极化钽酸锂晶体更适合用于连续激光倍频。依据非线性转换效率和晶体结构安装尺寸,确定了基频激光压缩及倍频激光准直的参数,从保证工程应用的角度选择了81μm极化周期的钽酸锂晶体,设计并实现了双光路倍频,获得了超过5W的540nm连续倍频激光输出。     

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。      

信号相关杂波背景中极化雷达发射波形优化

波形优化可有效抑制干扰,显著改善雷达探测性能.针对全极化雷达,考虑发射波形满足能量和相似性双重约束,以最大化信杂噪比为准则,对发射波形和接收滤波器进行联合优化.该文设计了一种波形和滤波器的迭代优化算法,该方法序贯提高输出信杂噪比.算法的每一次迭代需要分别解决一个凸问题和隐凸问题,整个算法的计算量与迭代次数和接收滤波器长度分别呈线性和多项式关系.最后,通过仿真实验分析了算法的收敛性、优化波形的模糊度函数方面的性质,与其他算法进行了对比,结果表明:与现有方法相比,该文方法可实现信杂噪比的有效提升.     

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。     

无人机载PolInSAR城区散射机制初步分析

极化干涉合成孔径雷达（PolInSAR）在城市遥感领域中扮演着重要角色。它能够提高图像的相干性并提高反演结果的精度,所以对于其散射机制的解释往往受到许多研究人员的关注。相关的研究多从极化分解的角度考虑,却少有人从散射中心高度方面进行分析。本文使用Ku波段无人机载极化干涉SAR系统,实现了使用无人机SAR系统对地面进行成像,比较了极化干涉最优分解与Pauli分解作用在不同人造目标时散射中心的关系。我们初步分析了极化干涉SAR的物理意义,并使用C波段的机载极化干涉SAR系统对结论进行验证。     

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。