摘要：极化合成孔径雷达的极化层次和系统工作方式是极化合成孔径雷达总体设计的关键技术之一。该文讨论了极化合成孔径雷达的极化层次,含单极化、双极化、全极化和简缩极化合成孔径雷达,较深入地分析了极化合成孔径雷达系统的工作方式,包括极化时间分割、极化频率分割、极化编码和方位向极化空间分割等方式。

摘要：极化合成孔径雷达(PolSAR)图像配准在地物分类、变化检测、图像融合中都具有广泛应用。现有的PolSAR图像配准方法,无论是基于深度学习还是传统方法,大多采用PolSAR幅度影像信息进行处理。这种处理方式导致大量极化信息丢失,同时在PolSAR图像固有相干斑噪声影响下,配准精度和可靠性表现不佳。为此,本文首先发展了一种有效的基于极化白化滤波(PWF)精细化处理的关键点检测器,利用PWF对PolSAR图像进行相干斑噪声抑制,通过阈值约束、形态学腐蚀及非极大值抑制来选取显著且分布均匀的匹配关键点。进一步地,本文设计了一种孪生简单稠密胶囊网络(SimSD-CapsuleNet)来快速提取PolSAR图像的浅层纹理特征和深层语义特征,同时为了充分利用极化信息,本文将极化协方差矩阵作为输入数据。本文计算了胶囊形式特征描述符之间的距离,并将其输入硬L2损失函数用于模型的训练。本文方法在不同传感器获取的不同分辨率PolSAR图像上进行验证。结果表明,该方法能够在更短的时间内获取更加均匀且数量更多的匹配关键点,结合PWF和深度神经网络可以实现快速准确的PolSAR图像配准。

摘要：极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)能够获取目标丰富的极化信息,在人造目标的散射机理解译和检测、分类、识别等领域发挥着重要的作用.PolSAR车辆目标检测对环境侦察监视、道路交通监管等应用来说尤为关键.不同于海上的舰船目标,车辆目标所处的地面背景包括草地、树木、建筑、道路等,背景杂波较为复杂,人造杂波干扰较强,这给PolSAR车辆目标的检测带来了一定的挑战.车辆目标散射机理的准确解译是后续极化特征提取和目标检测方法设计的基础.为了准确描述车辆目标的散射行为,本文构建了旋转二面角散射模型,并由此提出了一种精细五分量极化分解方法.在此基础上,通过分析车辆目标与其地面背景的散射特性差异,本文提出了一种散射功率复合特征检测器,用于车辆目标的检测.在两景实测无人机载SAR数据上的实验结果证明,本文方法能够显著提高车辆目标处的目标杂波比(target-to-clutter ratio,TCR),获得了优异的检测性能.此外,本文方法能够保留车辆目标完整的轮廓和细节信息,有助于后续的分类、识别等应用.

摘要：由于人造目标具有方位多变和结构复杂等特点,设计具有强泛化、易分辨的特征来实现极化合成孔径雷达(synthetic aperture radar,SAR)目标精准检测是一个非常有挑战性的问题.受数学规划思想的启发,在基于物理模型的极化分解框架下,本文设计了一种散射贡献组合特征检测器用于检测极化SAR舰船目标.一方面,利用类差倒数变换和sigmoid函数变换,首先构造了一种旋转二面角散射模型,它能充分反映由方位变化所导致的同极化和交叉极化响应之间的快速转变.结合类偶极子混合散射模型,以及通过设计基于根的判别式的模型求解策略,随后提出了一种极化信息完全利用的八成分目标分解方法,它能够有效刻画舰船目标的局部结构散射并显著改善体散射过估问题.另一方面,通过分析舰船目标不同散射机理的分布显著特性,以及舰船目标相对海杂波的散射独有特性,利用线性及非线性运算等数学规划策略,首先设计了一种稳健的散射贡献组合器特征.随后将该特征与保护滤波器结合,进一步增强其分辨能力以实现最终的舰船目标检测.实验利用不同实测极化SAR数据对所提方法进行了定性和定量验证,结果表明该方法优于现有的其他舰船目标检测方法,检测品质因素最高可达0.96.

摘要：如何在具有多种地物类型的复杂背景下准确地识别滑坡区域,同时较好地抑制其他地物造成的虚警,是基于极化合成孔径雷达(PolSAR)数据进行滑坡检测的关键问题。针对此问题,提出一种利用优劣解距离法(TOPSIS)融合极化信息的滑坡检测方法。首先通过Yamaguchi分解、H/A/α分解和相关系数计算得到8个极化特征参数,然后对这些参数进行归一化和同趋势化处理,同时利用层次分析法(AHP)优化设计TOPSIS的权重,在此基础上精确计算每个像素与滑坡的相似度,经阈值分割和形态学处理得到疑似滑坡区域;进一步采用滑坡前、后单极化数据的相干图来剔除疑似滑坡区域中的虚警,有效实现精准检测复杂背景下滑坡区域的目的。实验以深圳“12·20”滑坡和日本北海道“9·6”滑坡为例,结果表明,与现有方法相比,本文方法在有效抑制虚警率的情况下将滑坡检测正确率提升了10%以上。

摘要：极化合成孔径雷达可以工作在多个极化方式下,综合利用多种极化回波数据实现地物分类是极化数据处理的一个重要应用。目前将卷积神经网络应用于极化地物分类领域仍存在相应问题,包括多维极化分解特征信息给网络带来的信息冗余与维数灾难,逐像素切片预测导致分类效率低下。针对以上问题,提出了一种基于特征融合的全卷积网络模型。首先,设计两路编码层分支的全卷积网络结构,分别针对极化分解特征与极化散射特征提取深层特征,实现多维特征信息分离。然后采用注意力特征融合机制实现两路分支的特征融合,通过共享连接层学习通道注意力权值,重新分配网络的学习能力。此外引入改进的空洞空间金字塔模块,以提升模型的多尺度预测能力。实验结果表明,算法在两个不同地区的极化数据集的总体分类精度分别达到96.43%与99.60%,预测耗时分别为17.3 s与10.1 s。在不显著增加预测耗时的同时提升了分类精度,验证了算法的有效性。

摘要：对海监视是极化SAR的重要应用,密集区域的舰船目标检测是当前面临的主要挑战之一。舰船密集区域受多目标串扰,传统的恒虚警率(CFAR)检测滑窗难以选取纯净的海杂波样本用于确定检测门限,将导致检测性能下降。针对这一问题,该文从特征提取和检测器设计两方面出发,提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法。在特征提取方面,雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系,由此带来的散射多样性隐含信息可通过极化旋转域分析进行挖掘。该文利用极化相关方向图及导出的一系列极化旋转域特征,根据目标杂波比(TCR)分析,优选TCR最高的3个极化特征量用于构建目标检测器。在此基础上,该文在检测器设计方面提出了一种基于K均值聚类的杂波超像素筛选方法,有效避免了密集区域舰船目标对邻近杂波的影响,基于筛选的杂波像素点得到舰船目标CFAR检测结果。基于Radarsat-2和高分三号星载全极化SAR数据的对比实验表明,所提方法能有效实现密集区域舰船目标检测,检测品质因数达到95%。

摘要：在杂波纹理服从Beta分布的极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR)图像目标检测中,提出了一种基于多视极化白化滤波(Multilook Polarimetric Whitening Filter,MPWF)的恒虚警(Constant False Alarm Rate,CFAR)检测解析新方法.首先,假设乘积模型中纹理变量服从Beta分布,推导得到MPWF检测量的概率密度函数(Probability Density Function,PDF).然后,对概率密度函数积分得到虚警概率关于检测门限的解析式,并设计相应的CFAR检测流程.最后,提出了基于MPWF的对数累积量估计方法,对Beta分布纹理变量参数u和v进行估计.通过实测数据验证了新方法的有效性.实验结果表明Beta分布对某些区域的极化SAR数据有更好的拟合效果,同时新方法与已有方法相比具有更好的CFAR保持能力.

摘要：海上溢油事故的发生不仅给人类造成了巨大的财产经济损失,而且严重破坏了海洋生态环境。极化合成孔径雷达(PolSAR)通过利用多种极化通道能够更综合地记录地物后向散射信息,从而广泛应用于海上溢油检测中。为了更加准确地进行海上溢油检测,提出一种基于Dual Encoder-Decoder Net(Dual-EndNet)的极化SAR海上溢油检测算法。首先提取出目前常用的30种用于溢油检测的极化特征,并利用随机森林算法选出区分溢油重要性较好的前10个特征;然后以编码器-解码器为基本框架,设计两个分支,分别输入PauliRGB图像和优选的10个极化特征图像,用于提取溢油极化SAR图像的空间信息和极化信息,进而对两分支信息进行融合,以提高溢油检测算法性能。在两景Radarsat-2全极化SAR溢油数据集上的实验结果表明,所提方法不仅具有较强的溢油检测能力,而且能够有效地区分原油、植物油、乳化油不同类型的油膜。

摘要：Cameron分解先将极化散射矩阵分解为互易分量和非互易分量,再将互易分量进一步分解为对称分量和非对称分量,这是极化合成孔径雷达图像特征提取的有效途径。由四个分量的范数组成样本向量,运用基于统计学习理论的支持向量机设计分类器,提出了一种极化SAR图像分类算法,并对实测极化SAR数据进行分类实验。结果表明,将Cameron分解与SVM结合起来应用于极化SAR图像分类的算法是可行和有效的,通过选择不同的参数对分类结果影响很大,验证了参数选择在SVM分类器中的重要作用。