SAR目标属性散射中心特征提取与分析

散射中心是高频区雷达目标电磁散射的基本特征,对SAR图像解译、目标识别等具有重要意义。与经典的理想点散射中心模型相比,属性散射中心模型通过引入散射响应对频率、方位角的依赖因子,可更精确地建模高分辨SAR图像目标的散射特性,但与此同时,由于特征参数的维数更高,因此相应的特征提取方法也更复杂。提出了一种基于CLEAN思想的图像域区域解耦合的近似最大似然估计(RD-AML-CLEAN)高分辨SAR图像目标属性散射中心特征提取方法,并通过仿真SAR图像数据的实验结果对算法性能进行了定性、定量的分析与评估。     

一种改进的图像域SAR目标散射中心特征提取方法

散射中心是SAR图像目标识别的重要特征。本文基于属性散射中心模型，在文献[6]的基础上，提出了一种改进的图像域SAR目标散射中心特征提取方法。在该方法中，通过引入参数规则化处理步骤，解决了属性散射中心特征提取方法的收敛问题，提高了属性散射中心特征参数估计的精度和效率；提出了一种能同时实现散射中心数目确定和结构判别的方法，实现了散射中心类型的可靠判别。仿真数据和MSTAR实测SAR图像数据的实验结果，验证了本文改进的图像域SAR目标散射中心特征提取方法的有效性。     

基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性，本文提出基于深度信念网络（Deep Belief Network,DBN）的属性散射中心匹配方法。属性散射中心参数特征丰富，能够很好地反映目标的局部散射特性。DBN发挥深度学习优势，可以实现测试样本与模板样本散射中心集的稳健匹配，并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上，定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展，经验证，所提方法对于SAR目标识别问题具有良好的有效性和稳健性。     

SAR图像统计建模研究综述

SAR图像统计建模旨在通过统计的方法描述SAR图像数据,以揭示SAR图像的统计特性,进而为地物散射机理的深入理解、有效SAR图像解译算法的构建、大样本SAR图像的仿真等提供技术支持.SAR图像统计建模是SAR图像解译的基础研究之一,具有较大的应用价值.本文首先从SAR图像统计建模技术的历史沿革、研究现状开始,以由乘积模型发展的SAR图像统计模型为主线,对SAR图像统计建模相关技术进行了较为全面的综述.     

典型线面目标合成孔径雷达参数化成像

在复杂场景(特别是城区场景)合成孔径雷达(SAR)遥感成像中,存在大量线、面目标,如城区中的道路和建筑物边缘等目标,这些线面目标微波散射信号方向性强。传统SAR从单一视角获取场景的散射信息,且传统成像算法均基于点目标模型,使得传统SAR图像中线面目标主要特征表现为一系列的强散射点,而非线散射特征和面散射特征,最终造成SAR图像中目标不连续,SAR图像解译困难。因此,该文通过建立典型线段、三角面元目标的参数化回波模型,对线面目标SAR成像机理进行了深入细致的研究;并基于提出的参数化模型对线面目标进行参数化成像,即首先基于贝叶斯理论和所提的参数化模型对典型的线面目标进行分类判决,随后采用再成像的方式获得有效表征线、面目标散射特征的SAR图像,为线、面目标SAR图像解译提供有效支撑。最后,数值仿真实验成功验证了所提算法的有效性和正确性。      

高分辨率SAR图像散射中心特征提取

合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。     

基于狼群算法的SAR图像属性散射中心参数估计

针对合成孔径雷达（SAR）图像属性散射中心估计问题,提出基于狼群算法的新思路。方法首先在图像域上对SAR图像进行“分治”解耦。对每一个属性散射中心进行序贯估计时,采用狼群算法作为基础优化算法,获得散射中心最佳的参数集。狼群算法通过分析狼群的协作捕猎活动及猎物分配等特点,具备良好的全局搜索能力和局部开发能力。算法通过结合传统图像域解耦的思想和狼群算法的稳健优化性能,提高SAR图像整体的属性散射中心估计精度。实验中,采用所提方法对MSTAR数据集中的原始SAR图像及加噪样本进行参数估计,实验结果验证了其有效性和噪声稳健性。     

烟花算法在SAR图像属性散射中心参数估计中的应用

针对合成孔径雷达（SAR）属性散射中心估计问题,提出基于烟花算法的方法。首先,在图像域对SAR图像中高能量区域进行分割解耦,获得单个独立散射中心在图像域的表现形式。在此基础上,以属性散射中心参数化模型为基础,构建优化问题,对分离出来的单个散射中心进行最优参数的搜索。在此阶段,引入烟花算法进行参数寻优。该算法具有强大的全局和局部搜索能力,在保证优化精度的条件下避免陷入局部最优,从而保证散射中心参数估计的可靠性。在原始图像中剔除求解后的单个散射中心,对残余图像进行高能量区域分割,序惯估计下一个散射中心的属性参数。最终,获取输入SAR图像上所有散射中心的参数集。实验中,首先基于MSTAR数据集中的SAR图像进行参数估计验证,通过参数估计结果与原始图像的对比以及基于估计参数集对原始图像进行重构,反映了提出算法的有效性。此外,实验还基于估计得到的属性参数进行SAR目标识别算法验证,通过与其他参数估计算法在相同条件下进行识别性能的对比,进一步体现了提出方法在属性散射中心参数估计上的性能优势。     

合成孔径雷达参数化成像技术进展

传统合成孔径雷达(SAR)成像可视为点目标散射模型约束下数据空间到图像空间的映射.然而,真实目标多为延展目标,与传统线性成像处理中的点目标散射模型存在失配,会导致SAR图像表征失真.常见的现象是使延展目标多呈现为孤立强点,阻碍了基于SAR图像的目标辨识等应用.SAR参数化成像技术是为解决上述模型失配问题而诞生的一种非线...     

基于属性散射中心模型的SAR 目标重构可视化增强方法

基于属性散射中心模型对实测SAR 数据进行参数估计,利用参数估计的结果对实测SAR 目标重构可视化增强对于辅助SAR 解译人员进行判别具有重要的意义。该文提出了一种新的可视化增强方法,利用成像操作(IFFT)的线性特征,在参数估计的基础上,基于属性散射中心模型分别对各个散射中心自适应成像,最后叠加重构整幅SAR 图像。实验结果表明,该方法可以有效提高目标重构的可视化效果。      

基于模型的π/4模式简缩极化干涉数据目标分解

基于模型的目标分解是极化合成孔径雷达(SAR)的一个重要应用,基于模型目标分解依赖于极化数据仅能获得各散射机制的能量信息.该文将基于模型的分解技术应用到π/4模式的简缩极化干涉SAR(C-PolInSAR)数据中,对互相关矩阵进行分解,在获得各散射机制功率的同时获得对应的散射相位中心.该文首先推导出3种散射机制π/4简缩极化SAR干涉观测下散射模型,然后运用数值计算方法进行目标分解,最终求解出各散射机制的功率贡献及相位中心高度信息.仿真数据验证了该算法的有效性,分析了不同波段及不同地表参数对分解结果的影响.     

基于紧致字典的基追踪方法在SAR图像超分辨中的应用

基追踪方法是信号稀疏表示领域的一种新方法.它寻求从超完备的基集合(字典)中得到信号的最稀疏的表示,即用尽可能少的基尽可能精确地表示原信号,从而获得信号的内在本质特性.本文将基追踪方法的应用扩展到SAR(Synthetic Aperture Radar)图像的超分辨问题上来.首先在相位历史域依据SAR目标属性散射模型构造了一类紧致字典,从而大大减小了所求解问题的维数,其次设计了一种新的迭代算法进行快速求解,得到SAR图像中各散射中心位置和幅度的高精度估计,最后依据相位历史域SAR目标属性散射模型,生成更大尺度的相位历史数据,对生成的相位历史数据成像即得到更高分辨率的SAR图像.仿真算例和MSTAR实测数据计算表明,基于紧致字典的基追踪方法能够快速稳定实现,同时具有良好的超分辨性能.     

一种基于间隙度特征的SAR图像车辆目标鉴别算法

该文提出一种新的基于间隙度(lacunarity)特征的高分辨率SAR图像车辆目标鉴别算法,用以去除检测阶段的自然杂波虚警。文中着重分析了高频区车辆目标和自然地物后向散射强度不规则性的差异,其中与自然地物相比,车辆目标像素集合在灰度图像上表现为较强的不规则性和较大的间隙尺寸。基于这一特点,利用分形理论提取间隙度特征来定量估算待鉴别目标像素强度分布的不规则性和间隙大小,并以此实现鉴别处理。最后,采用X波段的两种实测图像数据验证了该文算法,结果显示该特征具有较好的鉴别性能。     

高分辨率SAR图像中矩形建筑物特性分析与三维重建

近年来不断发展成熟的合成孔径雷达技术将获取的图像分辨率提高到分米级.在高分辨率条件下,建筑物在SAR图像上表现出的空间信息更加丰富,结构特征更加明显.首先提出了分解模型对高分辨SAR图像中矩形建筑物的特性进行详细分析.在此模型中,散射效应根据不同的贡献来源被细分,以便于解析建筑物图像特征在不同的SAR成像条件下的几何结构和空间分布规律.然后基于建筑物图像表征的结构先验,提出了一种新的单幅高分辨率SAR图像建筑物检测和3-D重建算法,其中包括模型匹配的图像特征的提取,以及先验引导的重建过程.最后,选用了实际高分辨率SAR图像进行建筑物检测和三维重建实验并对重建结果进行了讨论.     

基于阴影的SAR图像车辆目标三维特征提取

目标长、宽、高三维几何特征,对SAR图像解译与目标识别等具有重要意义。从SAR成像几何出发,根据SAR观测俯仰角、目标及阴影之间的几何关系,研究提出了基于两维高分辨SAR图像阴影信息的车辆目标三维几何特征提取方法。该方法既可由某一方位角的单幅SAR图像提取目标三维几何特征,也可通过任意有限(3～5)个方位角SAR图像的融合提取目标三维几何特征,而且融合还可有效提高目标三维几何特征的提取精度。通过大量MSTAR实测SAR图像数据的实验结果,验证了其有效性。     

三维属性散射中心系数的多项式模型

为了解决多角度SAR数据三维属性散射中心提取中出现的散射系数函数形式未知、数据量大的问题,提出了一种对散射系数进行参数化建模的方法.这种建模方法在忽略雷达频率对散射系数的影响的前提下,首先根据散射系数幅度分段,然后在段内利用二维多项式进行建模.通过仿真实验验证,该方法简单易行,通过参数化模型恢复的图像,和原始图像有很高的相似度.不过,这种方法不能应用于延展型属性散射中心,需要在下一步的工作中继续进行研究.     

SIFT在高分辨率SAR图像自动配准中的性能分析

合成孔径雷达(SAR)图像的自动配准长期以来都未能很好的解决,特别是高分辨率SAR图像其配准的关键是稳健的特征提取与特征匹配算法。在光学图像配准中,最常用的特征点提取算法是Harris算子,而近年来SIFT(尺度不变特性变换)算法也因其优越的性能成为当前比较流行的算法。探讨了Harris和SIFT特征提取算法在高分辨SAR图像自动配准中的应用,并选取4对有代表性的SAR图像进行了配准实验,对2种特征提取算法的运行时间、所提取匹配点对的正确率以及特征点的提取精度进行了比较。通过定性及定量分析,在同轨获取的高分辨率SAR图像配准中,SIFT均能实现精确配准,其适用性及精度均优于Harris。     

Interpretation of the Polarimetric Co-Polarization Phase Tern in Radar Images Obtained with the JPL Airborne L-Band SAR System

The utilization of both polarimetric amplitude and relative phase terms of the polarization scattering matrix [S] given for each pixel, is pursued for polarimetric SAR imagery interpretation. The existing amplitude-only backscattering approaches hitherto used are extended and modified to accommodate the interpretation of information contained in the amplitude and/or phase terms. Both a vector radiative transfer model for surface versus volume scattering from rough terrain with and without vegetation canopy and a high-frequency electrical curvature model for perfectly conducting surfaces are examined to come up with theoretical models that out-perform other hitherto known approaches. The developed models agree with the excellent polarimetric SAR imagery recently obtained with the JPL CV-990 dual-polarization L-band (1.225 GHz) SAR system. Recommendations are made on how to further perfect the system for integration in the SIR-C and other future polarimetric SIR-SAR systems.