基于分类统计的PolInSAR植被高度最大似然估计

极化干涉SAR是一种集极化和干涉SAR优势于一体的新型遥感技术.结合两层植被随机体散射模型和极化分解技术,基于极化干涉SAR数据的概率分布统计特征,提出一种利用参数迭代求解预测模璎和测量值最小似然距离的植被高度反演方法.该方法克服了传统最大似然估计方法需已知地表散射特征参数的约束,减少了计算复杂性.最后通过极化干涉SAR仿真数据实验分析,文中算法相对于三阶段反演算法提高了植被高度估计的精度.验证了算法的有效性.     

多极化干涉在PolInSAR植被高度估计分析

极化干涉SAR技术能够提供多种极化状态组合的干涉信息,提高干涉测量的精度。针对含有植被覆盖区域的电磁散射复杂情况,该文通过极化干涉SAR相干矩阵提取不同的极化干涉信息,分析不同极化散射机制对植被高度估计的特定物理意义,用极化干涉SAR仿真数据对不同极化干涉进行高度估计。通过选择最佳的极化干涉提高植被估计的精度,为极化干涉SAR植被成像提供一定的理论依据。     

基于图像强度最优的SAR高精度运动补偿方法

由于载体平台的不稳定性和测量传感器的精度限制,运动误差成为了提高合成孔径雷达(SAR)成像质量的一个瓶颈。基于图像锐度最优的自聚焦后向投影算法通过估计相位误差进行运动补偿,具有较高精度,但这种方法假设场景中所有像素点相位误差相同,即没有考虑运动误差的空变性,导致大部分像素点仍存在残留误差,造成成像质量下降。针对运动误差空变性的问题,该文提出一种高精度运动补偿方法,该方法在图像强度最大准则下,采用最优化技术估计天线相位中心测量误差,随后利用该测量误差估计量校正天线相位中心并进行后向投影成像。由于估计天线相位中心等效于估计每个像素点的距离历史,因此该方法可以对每个像素点进行高精度相位补偿。点目标仿真和实测数据处理结果均验证了所提方法的有效性。      

雷达欺骗干扰特征提取与综合感知方法综述

雷达欺骗干扰的特征提取和综合感知是雷达抗干扰的前提条件,也是雷达抗欺骗干扰工作流程中的难点问题。从干扰机无意调制的细微特征、信号起伏特性、极化特征、动力学特性、微多普勒特征、组网雷达特性、多尺度分解特征、多域变换特性等方面综述了雷达欺骗干扰特征提取和综合感知方法的研究进展,总结了各种欺骗干扰感知方法的约束条件、运算量和识别性能,最后,指出了目前雷达欺骗干扰的特征提取和综合感知技术存在的问题以及未来的发展方向。     

基于三维SAR成像的RCS近远场变换方法研究

微波3维成像能够准确地从背景噪声中分离出目标的散射信息,适用于外场目标电磁(EM)散射特性的分析和研究,因而从3维合成孔径雷达(SAR)成像的角度研究目标电磁的散射特性是目前的一个新兴的热门课题。该文以此为背景,首先从Stratton-Chu积分方程出发详细推导3维SAR的近场波数域成像过程,解释3维SAR成像的物理意义;然后阐述基于3维SAR成像的雷达散射截面积(RCS)近远场变换原理,介绍3维SAR图像的散射中心提取方法,给出基于3维SAR成像的RCS近远场变换算法;最后通过FEKO软件进行了仿真实验,得到了5个点目标的RCS近远场变换的方位特性曲线和频率特性曲线,并通过与理论情况的对比,验证该算法在RCS近远场变换技术中的有效性。     

基于模拟退火法的优化线阵的前视三维SAR模型

提出了一种基于模拟退火法的优化线阵的前视三维合成孔径雷达（SAR）模型。针对实线阵需要的阵元个数多、数据计算量大等问题,利用模拟退火法优化3D-SAR的天线阵列得到一个位置优化的非均匀稀疏线阵。分析比较非均匀稀疏线阵和几种不同结构的线阵：非均匀稀疏线阵能以较少的阵元数目达到与其他几种阵列相似甚至更好的波束分辨率,并有效地避免了均匀稀疏阵列的栅瓣问题。分析了前视三维SAR的信号模型。将位置优化的非均匀稀疏线阵应用于前视三维SAR成像并结合BP成像算法。通过仿真实验验证了该模型的正确性和有效性。     

基于半正定规划的压缩感知线阵三维SAR自聚焦成像算法

线阵合成孔径雷达(Linear Array Synthetic Aperture Radar, LASAR)3维成像技术是一种具有重要潜在应用价值的新体制成像雷达,压缩感知稀疏重构是近几年实现LASAR高分辨3维成像的热点研究之一。但相对于传统2维SAR,受线阵稀疏分布及阵列-平台2维联动,压缩感知LASAR成像面临回波数据欠采样、多维度高阶相位误差等问题,传统SAR自聚焦算法难以适用于压缩感知LASAR 3维稀疏自聚焦成像。为克服欠采样条件下多维度高阶相位误差对LASAR成像的影响,该文提出了一种基于半正定规划的压缩感知LASAR自聚焦成像算法。首先,结合压缩感知成像理论、图像最大锐度及最小均方误差准则,构造欠采样条件下稀疏目标的相位误差估计模型;其次,利用松弛半正定规划方法估计相位误差;最后,利用迭代逼近方法提高相位误差估计精度,实现压缩感知LASAR高精度稀疏自聚焦成像。另外,通过主散射目标区域提取,仅采用主散射区域进行相位误差估计,进一步提高自聚焦算法运算效率。仿真数据和实测数据验证了该文算法的有效性。      

基于变分模型的阵列三维SAR最优DEM重建方法

由于具备了下视3维成像能力,阵列3维SAR在地形测绘、灾害监测等领域具有广泛的应用前景。但是,载机平台尺寸的限制使得其阵列方向分辨率远远低于距离向和航迹向,严重制约了阵列3维SAR系统整体性能的提升。目前研究主要针对3维SAR图像的稀疏性,采用稀疏重建方法提高其在阵列方向的分辨率。稀疏重建模型在求解过程中丢失了数字高程图(DEM)所具有的单值性、连续性等特征。为了克服稀疏重建模型存在的问题,该文提出了基于变分模型的阵列3维SAR最优DEM重建方法,该方法直接将DEM图作为最优化目标,通过寻找最优化DEM图和对应的散射系数,实现最小二乘意义下的最优DEM重建。仿真结果表明,该方法可以实现各种地形(山区、城市)的稳健DEM增强,其性能远优于OMP算法和正则化方法。      

基于自学习稀疏先验的三维SAR成像方法

合成孔径雷达三维成像技术(3D SAR)能通过孔径维度扩展实现三维成像能力,但数据维度大、系统实现难、成像分辨率低。压缩感知稀疏重构技术在简化3D SAR系统、提升成像质量等方面展现出巨大潜力,但面临计算复杂度高、参数设置困难、弱稀疏场景适应差等新问题,制约了其实际应用。针对上述问题,该文结合卷积神经网络的特征学习及迭代算法的深度展开理论,提出了基于自学习稀疏先验的3D SAR成像方法。首先,探讨了常规3D SAR稀疏成像中矩阵向量线性表征模型的局限性,引入成像算子提升成像算法处理效率。其次,讨论了迭代算法映射网络的深度展开模型和实现方式,包括网络拓扑结构设计、算法参数的优化约束及网络的训练方法。最后,通过仿真数据和地面实验,证明了所提方法在提升成像精度的同时,其运行时间较传统稀疏成像算法降低一个数量级。      

结合相干系数的极化干涉SAR植被高度估计方法研究

阐述了极化干涉SAR成像技术的基本理论,分析了极化干涉SAR的植被散射模型和Cloude三阶段植被高度反演算法。因三阶段法采用多参数初值迭代求解方法,其运算量较大复杂性高,该文提出基于相干系数的高度估计方法。先用干涉相位估计植被高度,再由相干系数幅度估计植被高度对前面相位估计的高度进行补偿,既保证了一定植被高度估计精度,又大大减少了反演算法的运算量,最后用极化干涉SAR仿真数据验证了该方法的有效性。