SAR图像中极化散射指数和信息熵及其地表识别应用

对于合成孔径雷达(SAR)全极化散射测量与成像,推导了相干矩阵的特征值及其信息熵与同极化、交叉极化指数测量值的直接关系.从而将Mueller矩阵解、信息熵和两个极化指数组合在一起,对SAR图像作定量评估.这一理论方法应用于机载SAR图像和地面车载散射计测量数据的研究.     

稀土化合物Faraday效应的理论研究

以ＣｅＦ３为例，研究了晶场强度及自旋─轨道耦合对Ｖｃｒｄｅｔ常数（Ｖ）的影响，发现晶场强度在很大的范围内变化时，若温度Ｔ＞２００Ｋ，Ｖ基本上保持不变，若Ｔ＜１００Ｋ，随晶场增强，Ｖ的绝对值缓慢增大。当晶场增强到一定值时，Ｖ出现共振现象，其值显著增大并突然变号。还发现，自旋─轨道耦合强度的变化对Ｖ影响很小。当晶场或自旋─轨道耦合不存在时，Ｖ值并不趋于零，而是一有限值，这表明晶场和自旋─轨道耦合不是决定Ｆａｒａｄｎｙ旋转存在与否的关键因素。     

基于极化SAR的城市建筑物提取

城市建筑物信息与人类的生存息息相关,建筑物信息的提取在很多社会领域和科学领域都有着非常重要的意义。全极化SAR影像比单极化SAR影像所包含的信息量丰富的多,为了保证建筑物提取精度,本文利用全极化SAR影像提取城市建筑物信息。将经典的H/α/A-Wishart分类方法引入建筑物提取的研究中,不仅快捷简便,且能保证提取精度。选择一景极化SAR影像进行实验,由于实验数据自身的质量以及研究区域建筑物分布问题都对建筑物提取造成困难,尽管如此,利用该方法仍然保证了一定的建筑物提取精度。     

Cameron分解法在极化SAR图像分析中的应用

利用Cameron分解法对极化SAR图像进行分析,将目标的极化散射矩阵与8类具有特定散射机理的典型散射体匹配,根据匹配角度提出了一种分类算法,从而对地物目标进行分类;实验结果表明,该分类算法对于分类地物目标,进而分析其散射机理是十分有效的。     

基于加权投票集成的极化SAR图像分类方法

提出了一种新的基于加权投票准则集成的极化合成孔径雷达系统(PolSAR)图像分类方法.该方法采用加权投票集成的方法根据不同个体的学习结果进行合,并从而提高极化SAR图像的分类精度.首先,输入极化图像数据并获得所需要的特征作为特征集.再从图像的每一类中选取多组像素点组成多个训练样本子集;然后,基于不同的样本子集训练学习得到不同的分类器,并对像素点进行分类得到预测标记,再由这些预测标记计算得出相应的加权系数;最后,通过加权系数将预测标记合并起来得到最终的极化SAR分类结果.实验结果证明,所提出的算法在AIRSAR和Radarsat-2数据上取得了很好的分类结果.     

一种结合极化分解和多尺度MRF的极化SAR数据分类方法

提出一种结合Pauli极化分解和多尺度马尔可夫随机场的极化SAR数据分类方法.该方法先将极化SAR数据进行Pauli极化分解来构造极化SAR特征数据,然后进行3层小波分解,最后进行尺度内和尺度间的迭代分类,获取极化SAR数据的分类结果.NASA/JPL数据的实验结果证明,无论是在地物轮廓保持性上还是地物细节描述性上,该方法效果都比较好.     

基于模型微调与AM Softmax的极化SAR图像分类

针对极化SAR图像分类中卷积神经网络（CNN）方法训练时间长、收敛速度慢,原始Softmax函数无法对极化SAR图像的类内差异有效应对的问题,提出一种基于模型微调与加性边际Softmax（AM-Softmax）的极化SAR图像分类方法。该方法通过预训练网络的整体微调,来改进CNN模型的效率和分类准确率,然后以AM-Softmax替代Softmax,以解决SAR图像中类内变化较大的问题,进一步提升分类精度。实验表明该方法具有快收敛的优势并且能够较好解决极化SAR图像类内差异较大的问题,模型的分类总体精度达到96%以上。     

震后单幅全极化SAR图像中倒塌建筑提取研究

合成孔径雷达(SAR)以其全天时,全天候对地观测的能力,在地震等灾害应急应用中可以发挥难以替代的作用。针对只有一幅震后全极化SAR图像的应用场合,提出了一种倒塌建筑信息提取方法。该方法从少量样本中提取特征模板,采用基于特征模板匹配的图像检索的思路进行倒塌建筑信息的提取。特征模板是由以下13维特征构成,包括HH、HV、VV三通道幅度特征,基于Cloude分解的H/α/A极化特征,基于Yamaguchi分解的四散射分量,圆极化相关系数,归一化圆极化相关系数以及极化方位角等。选取2010年玉树地震发生后的一景RADARSAT-2全极化SAR数据进行倒塌建筑信息提取试验,结果表明该方法在保证较高检出率的情况下,降低了虚警率。     

高分辨率极化SAR影像KummerU分布非监督分类方法

针对高分辨率极化SAR数据特征分布不再符合同质区域假设,进而导致基于统计分布的极化SAR影像非监督分类方法精度下降的问题,将具有广泛适用性的KummerU分布嵌入粒子群寻优聚类算法,提出了新的极化SAR影像非监督分类算法(PSO-KummerU方法):首先基于极化SAR统计特征对数据进行初分类,然后采用极化SAR统计特征与粒子群优化算法进一步进行聚类中心求解,分类准则部分采用KummerU距离改进代替传统的Wishart距离度量准则;采用3种非监督分类方法(H/α-Wishart、PSO-Wishart、PSO-KummerU方法)进行分类对比实验.实验结果表明:基于KummerU分布的PSO-KummerU方法与采用Wishart距离的聚类方法相比,目视效果明显改进,整体分类精度提高14%以上.     

利用单类分类方法提取全极化雷达影像中的建筑物

建筑物是人类赖以生存的基本场所,为人类的各种活动提供容纳空间,建筑物分布信息是当代社会非常重要的信息资源。本文引入单类分类方法,对城市建筑物进行识别提取。文章介绍了基于最小超球支持向量机的单类分类方法,并提取一景全极化SAR影像的多种极化特征,利用该方法进行了建筑物提取实验,结果表明单类分类方法能够融合多种特征快速提取建筑物,且能保证一定的提取精度。     

基于极化干涉SAR的植被高度反演算法对比分析

极化干涉SAR综合了干涉SAR和极化SAR的优点,被广泛应用于植被高度的反演。对已有的四种基于极化干涉SAR的植被高度反演算法进行了论述,利用PoLSARpor进行仿真数据实验,对比分析了四种植被高度反演算法的优缺点及其适用范围。最后指出极化干涉SAR技术有待进一步研究的方向和问题。为选取基于极化干涉SAR的植被高度反演算法提供参考。     

极化SAR遥感中森林特征探测

为了利用微波遥感数据对森林植被地区进行分类检测,寻找一种新的敏感于树木高度、种群数量和植被疏密程度等森林特征的遥感参量,该文利用中国天山地区SIR-C/X-SAR L波段全极化干涉数据,对极化散射矩阵总功率、极化熵、相似性参数和极化干涉最优相关系数等极化和干涉合成孔径雷达(SAR)遥感参数进行了分析,并将这些参数进行加权组合,利用特征值分析方法求取最优加权系数,从而提出两种对森林特征敏感的参数组合表达式.在比较上述组合表达式图与同地区极化遥感总功率图之后,发现该组合表达式图中,森林地区较其他地区获得明显加强.这表明提出的组合表达式对森林地区的检测和监测具有良好的效果.     

基于干涉极化SAR数据的森林树高反演

将C1oude极化干涉散射模型和ESPRIT算法结合来降低森林参数反演的运算量.利用ESPRIT算法对Cloude模型中的散射相位中心进行估计,再将估计得到的散射相位中心代入Cloude模型,从而得到树木高度等参数.采用中国天山地区SIR-C/X-SAR L波段全极化干涉数据对森林地区植被树高进行了反演实验.实验表明,与直接采用Cloude的极化干涉模型进行反演相比,在反演精度不变的情况下,运算时间仅是单独使用Cloude模型的1%～2%.     

基于Poisson重建的极化SAR图像对比增强

为了能够同时增强多类目标,提出一种基于Poisson重建的极化合成孔径雷达(SAR)图像对比增强方法.该方法对多类目标和对应的背景杂波分别进行广义相对最优极化增强(GOPCE), 并得到相应的最优极化状态和特征系数;以此定义图像中各像素点的最优局部梯度,并在最小二乘准则下,根据局部梯度建立离散Poisson方程;通过快速Fourier变换求解该Poisson方程,得到最终的多目标增强图像.实验结果表明: 利用极化SAR数据,使用该方法增强后的图像的直方图保持应有的峰值,且更加均衡,能够达到增强多类目标的效果,从而有利于目标检测等后续处理.     

顺序旋转子阵构建变极化单脉冲天线

基于电磁波极化合成理论,设计了一种Ka波段变极化单脉冲微带阵列天线.该天线可由多个顺序旋转的线极化子阵组成,通过改变各个子阵的激励相位实现极化捷变.仿真和实测结果表明,三子阵及四子阵的圆极化纯度较高,和波束波瓣宽度内交叉极化大于20dB,轴比小于3dB;差波束双峰不平度小于1dB,零值深度大于30dB.     

一种基于Pauli分解和SVM的全极化SAR监督分类算法

全极化SAR影像准确分类的一个重要前提是充分提取反映地物实际物理性质的特征。然而现有的全极化SAR特征提取算法和分类算法众多,却均存在各种各样的问题。无论极化特征提取方法还是分类算法,都会影响最终的分类精度。针对此问题,在多次实验的基础上,提出一种综合Pauli极化特征分解和SVM的分类策略,简称为Pauli-SVM算法。首先通过经典的Pauli分解法提取全极化SAR影像的奇次散射、偶次散射、体散射等极化特征,并将这些信息组合成一个特征向量,然后引入高精度的SVM分类算法,选择训练样本后对全极化SAR影像进行监督分类。在江苏溧水和南京横溪镇两个研究区,以ALOS卫星的PALSAR影像为研究数据,进行监督Wishart分类算法、Freeman特征提取法结合SVM的分类算法、Yamaguchi特征提取法结合SVM的分类算法、Pauli-SVM算法的分类对比实验。结果表明,新提出的Pauli-SVM算法可以有效的提高分类的准确性。     

基于极化SAR干涉反演DEM的方法

为了将极化信息有效的和干涉信息融合,提高数字高程模型(DEM)反演的精度,提出了基于相似性参数的相干增强方法,基于加权中值滤波的相位滤波器以及基于加权的枝切法的相位解缠方法。该文从理论上分析了该方法和传统方法的性能。实验结果表明:与传统方法相比,该方法可以充分利用极化信息,有效地增强相干性,并将相位的质量提高7%,有效地抑制了噪声,将残余点数减少了95%以上,并快速精确地得到了三维地形图。     

采用联合域字典稀疏表示的极化SAR图像分类

针对传统字典学习算法难以有效保持极化SAR图像的空间结构以及难以处理大规模数据的问题,提出了一种基于空域和极化域的联合域字典学习和稀疏表示的分类方法.该方法采用基于联合域流形距离的快速AP聚类进行字典学习.利用局部线性编码对极化SAR图像进行空域和极化域的联合域稀疏表示,充分利用了极化SAR数据集潜在的信息,有效保持极化SAR数据结构的同时降低了算法的时间复杂度.试验结果表明:所提算法适应性强,收敛速度快,能够提高极化SAR图像的分类精度.     

基于映射投影（MPA）的复杂地面场景极化SAR成像模拟

建立地表面植被、建筑物等目标综合场景的极化合成孔径雷达（SAR）成像模拟，提出基于映射和投影（MPA）的算法，考虑了可穿透性植被目标的散射与衰减、树及建筑物墙面与地面之间的多次散射，以及成像空间中任意位置地物的散射、吸收与遮蔽.用非球形粒子层作为植被散射辐射传输模型，对建筑物和地面散射采用积分方程法（IEM）粗糙面模型.通过包括植被、建筑物、粗糙地面、河流等复杂场景的MPA快速计算，模拟极化SAR成像的场景散射系数图和SAR原始数据.     

基于Wishart分类器和图谱聚类的极化SAR图像分类

针对极化SAR的Wishart分类器存在的问题和具有的特点,本文提出一种基于Wishart分类器的图谱聚类的极化SAR图像分类方法.该方法充分考虑了极化SAR数据的统计特征和图像上的复杂几何结构特征,在采用Wishart分类器进行初始分类的基础上,运用图谱聚类进行极化SAR图像的分类.实验结果表明,与仅用Wishart分类器和图谱聚类对极化SAR数据进行分类相比,该方法具有更好的分类效果.