作者中心
专家审稿
责编办公
编辑办公
Integrated Jamming Perception and Parameter Estimation Method for Anti-interrupted Sampling Repeater Jamming
-
摘要: 间歇采样转发干扰是一种脉内相干干扰，其形成的电子假目标与真实目标高度相似，对雷达目标检测造成了严重威胁。传统抗干扰方法较为被动，且没有考虑到干扰机策略的变化，在干扰抑制时难免会出现干扰残留以及信号损失的情况。为了提升雷达抗干扰性能，该文提出一种联合“干扰感知-参数估计-干扰抑制”的抗干扰方案。首先，利用双向-双滑窗脉冲沿检测和滑动截断匹配滤波方法，准确提取接收回波中的干扰分量并估计采样时长和周期等参数。在此基础上，重构出干扰信号分量并将其从回波中剔除，从而确保准确有效的目标检测。仿真实验表明，所提方法在不损失信号能量的情况下，对于不同调制方式下的间歇采样转发干扰都具有较好的抑制效果。当干噪比为9 dB时，干扰抑制后信干比提升大于33 dB，保证了雷达稳健的抗干扰性能。Abstract: Interrupted Sampling Repeater Jamming (ISRJ) is a type of intra-pulse coherent jamming that can easily generate false targets resembling real ones, thus posing a severe threat to radar systems. Traditional methods for countering ISRJ techniques are relatively passive and often fail to adapt to evolving jamming techniques, leading to residual jamming effects and signal loss. To improve radar’s anti-jamming capabilities, a novel scheme integrating “jamming perception, parameter estimation, and jamming suppression” has been developed in this study. This method begins by using a bidirectional double sliding window pulse edge detector and a sliding truncated matched filter. These devices are used to extract the ISRJ components of received radar signals and accurately estimate the parameters such as sampling duration and period. The jamming components are then reconstructed and eliminated, allowing for effective target detection. Simulation experiments demonstrate that the proposed method effectively overcomes ISRJ across different modulation modes with almost no loss of signal energy. When the jamming-to-noise ratio is 9 dB, the method boosts the signal-to-jamming ratio by over 33 dB after jamming suppression, ensuring robust anti-ISRJ performance.
-
1. 引言
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)具有全天时和几乎全天候的工作能力，通过收发极化状态正交的电磁波以获取目标的全极化散射信息[1]。地物分类是农作物生长监控、农村与城市用地普查、环境监测等应用领域的共性基础问题，也是极化SAR图像理解与解译的重要应用方向。高精度的地物分类结果能够为上述应用领域提供可靠的信息支撑。
通常，提高极化SAR地物分类精度主要有两种途径[2]。第1种途径专注于极化特征的挖掘与优选，通过精细化的极化散射机理建模与解译，从全极化信息中提取出对不同地物类别具有更强区分度的特征。常用的极化散射机理解译方法有基于特征值分解的方法和基于模型分解的方法。基于这些极化目标分解方法所得到的极化特征参数经常被用于极化SAR地物分类，例如Cloude-Pottier分解所得的极化熵/极化平均角/极化反熵(H/ $\alpha $/A)参数[3]，Freeman-Durden分解[4]、Yamaguchi分解[5]和近年来提出的精细化极化目标分解[6]所得的各散射机理的散射能量参数(如奇次散射、偶次散射、体散射、螺旋散射等)[7]。第2种途径则从分类器入手，使用性能更好的分类器，以对现有的极化特征进行充分利用。常用的分类器包括C均值分类器、Wishart分类器、支持向量机(Support Vector Machine, SVM)分类器、随机森林分类器、神经网络分类器以及近来年在诸多领域取得成功应用的以卷积神经网络为代表的深度学习分类方法等[8–11]。当然，对特征和分类器同时进行优化和优选也是提高极化SAR地物分类精度的有效途径。
在传统基于特征的极化SAR地物分类中，具有旋转不变特性的极化特征参数得到了广泛应用。例如，基于H/ $\alpha $/A和总散射能量SPAN的极化SAR地物分类就是一种常用的分类方法。然而，目标的极化响应与目标和SAR的相对几何关系密切相关。同一目标在不同方位取向下，其后向散射可以是显著不同的。同时，不同目标在某些特定方位取向下，其后向散射又是十分相似的。例如，具有不同方位取向的建筑物与森林等植被就是极化SAR图像解译的难点。这是诸多传统极化目标分解方法存在散射机理解译模糊的重要原因之一，同时也限制了基于旋转不变极化特征参数的传统分类方法所得精度的进一步提升。为避免这种解译模糊，一种思路是构建更精细化的目标散射模型和精细化的极化目标分解方法。而另一种思路则是挖掘利用目标方位取向与其后向散射机理之间的隐含关系。文献[12]提出的统一的极化矩阵旋转理论就是一种代表性的方法。该方法提出了在绕雷达视线的旋转域中理解目标散射特性的新思路，并导出了一系列旋转域极化特征。部分旋转域极化特征参数已经在农作物辨识[13]、目标对比增强[12]、人造目标提取[14]等领域获得了成功应用。
由于这些旋转域极化特征包含有目标在旋转域中隐含的极化散射信息，且与其方位取向具有一定关系。若将它们与传统的旋转不变极化特征参数于H/ $\alpha $/A/SPAN联合作为地物分类特征集，则从极化特征挖掘的角度来看，两类不同的极化特征对于不同地物类别的区分能力势必会形成一定程度的互补，进而使分类精度得到进一步提升。基于这一思路，本文提出了一种结合旋转域极化特征与旋转不变特征H/ $\alpha $/A/SPAN的极化SAR地物分类方法。具体即基于不同地物类别样本集类间距最大的特征优选准则，以部分优选的旋转域极化特征参数与H/ $\alpha $/A/SPAN联合作为地物分类所用特征，并选用性能较为稳定的SVM[15]作为分类器进行分类处理。由于该分类方法额外使用了目标在方位取向方面的隐含信息，故相较于仅使用旋转不变特征H/ $\alpha $/A/SPAN作为输入的SVM分类器[10]，其能够达到更优的分类性能表现。
本文第2节简要介绍了统一的极化矩阵旋转理论及其所导出的旋转域极化特征参数；第3节提出结合旋转域极化特征的极化SAR地物分类方法；第4节基于AIRSAR和多时相UAVSAR实测数据开展了地物分类对比实验及分析；第5节总结本文方法并对后续研究工作进行展望。
2. 统一的极化矩阵旋转理论
极化SAR获得的目标全极化信息可以通过极化相干矩阵T表示。满足互易性原理时，极化相干矩阵T可以表示为：
T=⟨kPkHP⟩=[T11T12T13T21T22T23T31T32T33] (1) 其中， ${{{k}}_{\rm{P}}} = \displaystyle\frac{1}{{\sqrt 2 }}{\left[ {SHH+SVVSHH−SVV2SHV
} \right]^{\rm{T}}}$为Pauli散射矢量。 ${S_{{\rm{HV}}}}$为以垂直极化天线发射并以水平极化天线接收条件下的散射系数， ${{{k}}_{\rm{P}}}$中其它元素可类似定义。 $\left\langle { \ } \right\rangle $表示集合平均。 ${T_{ij}}$则表示极化相干矩阵 ${{T}}$中第i行第j列所对应的元素。将极化相干矩阵 ${{T}}$绕雷达视线进行旋转处理，则可得到旋转域中极化相干矩阵的表达式为：
T(θ)=kP(θ)kHP(θ)=R3(θ)TRH3(θ) (2) 其中，旋转矩阵为：
R3(θ)=[1000cos2θsin2θ0−sin2θcos2θ] (3) 在旋转域中极化相干矩阵 ${{T}}\left( \theta \right)$的每个元素经过相应的数学变换即可被统一地由一个正弦函数进行表征[12]：
f(θ)=Asin[ω(θ+θ0)]+B (4) 其中，A为振荡幅度，B为振荡中心， $\omega $为角频率， ${\theta _{\rm{0}}}$为初始角度。文献[12]将这4类极化特征参数 $\left\{ {A,B,\omega ,{\theta _0}} \right\}$称为振荡参数集，其完整表征极化相干矩阵的各元素在旋转域中的特性。这样就可以导出一系列旋转域极化特征参数，如表1所示。其中， ${\rm{Angle}}\left\{ a \right\}$表示复数a的相位，相应取值范围为 $\left[ { - {{π}} ,{{π}} } \right]$。
散射矩阵元素项 $A = \sqrt \bullet $ B $\omega $ ${\theta _0} = \frac{1}{\omega }{\rm{Angle}}\left\{ \bullet \right\}$ ${\mathop{\rm Re}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$ ${{\mathop{\rm Re}\nolimits} ^2}\left[ {{T_{12}}} \right] + {{\mathop{\rm Re}\nolimits} ^2}\left[ {{T_{13}}} \right]$ 0 2 ${\mathop{\rm Re}\nolimits} \left[ {{T_{13}}} \right] + j{\mathop{\rm Re}\nolimits} \left[ {{T_{12}}} \right]$ ${\mathop{\rm Re}\nolimits} \left[ {{T_{13}}\left( \theta \right)} \right]$ ${{\mathop{\rm Re}\nolimits} ^2}\left[ {{T_{12}}} \right] + {{\mathop{\rm Re}\nolimits} ^2}\left[ {{T_{13}}} \right]$ 0 2 $ - {\mathop{\rm Re}\nolimits} \left[ {{T_{12}}} \right] + j{\mathop{\rm Re}\nolimits} \left[ {{T_{13}}} \right]$ ${\mathop{\rm Im}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$ ${{\mathop{\rm Im}\nolimits} ^2}\left[ {{T_{12}}} \right] + {{\mathop{\rm Im}\nolimits} ^2}\left[ {{T_{13}}} \right]$ 0 2 ${\mathop{\rm Im}\nolimits} \left[ {{T_{13}}} \right] + j{\mathop{\rm Im}\nolimits} \left[ {{T_{12}}} \right]$ ${\mathop{\rm Im}\nolimits} \left[ {{T_{13}}\left( \theta \right)} \right]$ ${{\mathop{\rm Im}\nolimits} ^2}\left[ {{T_{12}}} \right] + {{\mathop{\rm Im}\nolimits} ^2}\left[ {{T_{13}}} \right]$ 0 2 $ - {\mathop{\rm Im}\nolimits} \left[ {{T_{12}}} \right] + j{\mathop{\rm Im}\nolimits} \left[ {{T_{13}}} \right]$ ${\mathop{\rm Re}\nolimits} \left[ {{T_{23}}\left( \theta \right)} \right]$ $\frac{1}{4}{\left( {{T_{33}} - {T_{22}}} \right)^2} + {\rm R}{{\rm e}^2}\left[ {{T_{23}}} \right]$ 0 4 $\frac{1}{2}\left( {{T_{33}} - {T_{22}}} \right) + j{\mathop{\rm Re}\nolimits} \left[ {{T_{23}}} \right]$ ${T_{22}}\left( \theta \right)$ $\frac{1}{4}{\left( {{T_{33}} - {T_{22}}} \right)^2} + {\rm R}{{\rm e}^2}\left[ {{T_{23}}} \right]$ $\frac{1}{2}\left( {{T_{22}} + {T_{33}}} \right)$ 4 ${\mathop{\rm Re}\nolimits} \left[ {{T_{23}}} \right] + j\frac{1}{2}\left( {{T_{22}} - {T_{33}}} \right)$ ${T_{33}}\left( \theta \right)$ $\frac{1}{4}{\left( {{T_{33}} - {T_{22}}} \right)^2} + {\rm R}{{\rm e}^2}\left[ {{T_{23}}} \right]$ $\frac{1}{2}\left( {{T_{22}} + {T_{33}}} \right)$ 4 $ - {\mathop{\rm Re}\nolimits} \left[ {{T_{23}}} \right] + j\frac{1}{2}\left( {{T_{33}} - {T_{22}}} \right)$ ${\left| {{T_{12}}\left( \theta \right)} \right|^2}$ ${\rm R}{{\rm e}^2}\left[ {{T_{12}}T_{13}^*} \right] + \frac{1}{4}{\left( {{{\left| {{T_{13}}} \right|}^2} - {{\left| {{T_{12}}} \right|}^2}} \right)^2}$ $\frac{1}{2}\left( {{{\left| {{T_{12}}} \right|}^2} + {{\left| {{T_{13}}} \right|}^2}} \right)$ 4 ${\mathop{\rm Re}\nolimits} \left[ {{T_{12}}T_{13}^*} \right] + j\frac{1}{2}\left( {{{\left| {{T_{12}}} \right|}^2} - {{\left| {{T_{13}}} \right|}^2}} \right)$ ${\left| {{T_{13}}\left( \theta \right)} \right|^2}$ ${\rm R}{{\rm e}^2}\left[ {{T_{12}}T_{13}^*} \right] + \frac{1}{4}{\left( {{{\left| {{T_{13}}} \right|}^2} - {{\left| {{T_{12}}} \right|}^2}} \right)^2}$ $\frac{1}{2}\left( {{{\left| {{T_{12}}} \right|}^2} + {{\left| {{T_{13}}} \right|}^2}} \right)$ 4 $ - {\mathop{\rm Re}\nolimits} \left[ {{T_{12}}T_{13}^*} \right] + j\frac{1}{2}\left( {{{\left| {{T_{13}}} \right|}^2} - {{\left| {{T_{12}}} \right|}^2}} \right)$ ${\left| {{T_{23}}\left( \theta \right)} \right|^2}$ $\frac{1}{4}{\left\{ {\frac{1}{4}{{\left( {{T_{33}} - {T_{22}}} \right)}^2} + {\rm R}{{\rm e}^2}\left[ {{T_{23}}} \right]} \right\}^2}$ $12{14(T33−T22)2+Re2[T23]}+Im2[T23] $8 $\frac{1}{2}\left( {{T_{33}} - {T_{22}}} \right){\rm Re}\left[ {{T_{23}}} \right] \\+ j\frac{1}{2}\left[ {{{{\mathop{\rm Re}\nolimits} }^2}\left[ {{T_{23}}} \right] - \frac{1}{4}{{\left( {{T_{33}} - {T_{22}}} \right)}^2}} \right]$ 基于上述振荡参数集，文献[12]还导出了一系列的极化角参数集，如极化零角参数、极化最大化角参数以及极化最小化角参数等。其中，极化零角参数的定义为在绕雷达视线的旋转域中使极化相干矩阵某元素取值为零的旋转角，即：
f(θ)=Asin[ω(θnull+θ0)]+B=0⇒θnull=−θ0 (5) 其中， ${\theta _{{\rm{null}}}}$即极化零角参数。由于表1中相互独立的5个初始角度 ${\theta _0}$分别为 ${\theta _0}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$, ${\theta _0}\_{\mathop{\rm Im}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$, ${\theta _0}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{23}}\left( \theta \right)} \right]$, ${\theta _0}\_{\left| {{T_{12}}\left( \theta \right)} \right|^2}$和 ${\theta _0}\_{\left| {{T_{23}}\left( \theta \right)} \right|^2}$，故相应的极化零角参数有 ${\theta _{{\rm{null}}}}\_{\rm Re}\left[\! {{T_{12}}\left( \theta \right)} \!\right]$, ${\theta _{{\rm{null}}}}\_{\mathop{\rm Im}\nolimits} \left[\! {{T_{12}}\left( \theta \right)} \!\right]$, ${\theta _{{\rm{null}}}}\_{\rm Re}\left[ \!{{T_{23}}\left( \theta \right)} \!\right]$, ${\theta _{{\rm{null}}}}\_{\left| {{T_{12}}\left( \theta \right)} \right|^2}$和 ${\theta _{{\rm{null}}}}\_{\left| {{T_{23}}\left( \theta \right)} \right|^2}$。由文献[12]可知，各初始角度与其相应极化零角参数所包含的极化信息是相互等价的，且极化零角参数具有相对明确的物理意义，故在本文的后续部分均以极化零角参数代替相应的初始角度。
3. 结合旋转域极化特征的分类方法
3.1 旋转域极化特征的优选
文献[12]使用极化零角参数 ${\theta _{{\rm{null}}}}\_{\rm Re}\left[ {{T_{12}}\left( \theta \right)} \right]$和 ${\theta _{{\rm{null}}}}\_{\mathop{\rm Im}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$的组合能够成功辨识7类不同农作物，初步证实了极化零角参数集对于不同地物类别具有较好的区分能力。在此基础上，本文挖掘利用旋转域极化特征所蕴含目标在旋转域中的隐含信息，并将其应用于极化SAR地物分类。
在此之前，需要基于地物分类的应用背景对众多的旋转域极化特征进行优选处理。在文献[12]所导出的一系列旋转域极化特征之中，以不同地物类别样本集相互之间的“类间距最大化”为准则，进行相应的旋转域极化特征优选。具体步骤为：首先对各旋转域极化特征参数进行归一化处理；然后将不同的地物类别两两组合形成若干的地物类别对；接着针对各地物类别对，以其中两地物类别之间的类间距为标准，优选出使其取值达到最大的旋转域极化特征，则每个地物类别对均对应于一个优选的旋转域极化特征；最后，将各地物类别对的优选结果进行“取并集”处理，进而得到最终的优选结果。
文献[12]所导出相互独立的旋转域极化特征共有12个，分别为 ${\theta _{{\rm{null}}}}\_{\rm Re}\left[ {{T_{12}}\left( \theta \right)} \right]$, ${\theta _{{\rm{null}}}}\_{\mathop{\rm Im}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$, ${\theta _{{\rm{null}}}}\_{\rm Re}\left[ {{T_{23}}\left( \theta \right)} \right]$, ${\theta _{{\rm{null}}}}\_{\left| {{T_{12}}\left( \theta \right)} \right|^2}$, ${\theta _{{\rm{null}}}}\_{\left| {{T_{23}}\left( \theta \right)} \right|^2}$, $A\_{\rm Re}\left[ {{T_{12}}\left( \theta \right)} \right]$, $A\_{\rm Im}\left[ {{T_{12}}\left( \theta \right)} \right]$, $A\_{T_{12}}\left( \theta \right)$, A_ ${T_{23}}\left( \theta \right)$, $B\_{T_{12}}\left( \theta \right)$, $B\_{T_{33}}\left( \theta \right)$, $B\_{T_{23}}\left( \theta \right)$。针对之后实验部分所使用的AIRSAR数据(15类地物，两两组合形成105个地物类别对；其它说明见4.1节)以及多时相UAVSAR数据(7类地物，两两组合形成21个地物类别对；4个数据获取日期；其它说明见4.2节)，上述特征优选流程所得结果如表2所示。
表 2 针对不同极化SAR实测数据的特征优选结果Table 2. Selected features for different PolSAR data实测数据 优选所得旋转域极化特征(相应地物类别对的个数) AIRSAR ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]\left( {18} \right)$, ${\theta _{{\rm{null}}}}\_{\rm Im}\left[ {{T_{12}}\left( \theta \right)} \right]\left( {15} \right)$, ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{23}}\left( \theta \right)} \right]\left( {71} \right)$, $B\_{T_{33}}\left( \theta \right)\left( {1} \right)$ UAVSAR 6月17日 ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$(5), ${\theta _{{\rm{null}}}}\_{\rm Im}\left[ {{T_{12}}\left( \theta \right)} \right]$(12), ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{23}}\left( \theta \right)} \right]$(4) 6月22日 ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$(5), ${\theta _{{\rm{null}}}}\_{\rm Im}\left[ {{T_{12}}\left( \theta \right)} \right]$(14), ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{23}}\left( \theta \right)} \right]$(2) 7月03日 ${\theta _{{\rm{null}}}}\_{\rm Im}\left[ {{T_{12}}\left( \theta \right)} \right]$(3), ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{23}}\left( \theta \right)} \right]$(18) 7月17日 ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$(7), ${\theta _{{\rm{null}}}}\_{\rm Im}\left[ {{T_{12}}\left( \theta \right)} \right]$(5), ${\theta _{{\rm{null}}}}\_{\mathop{\rm Re}\nolimits} \left[ {{T_{23}}\left( \theta \right)} \right]$(9) 综合考虑表2中的优选结果，并在追求较高地物分类精度的同时，将两组实测数据优选得到的旋转域极化特征进行统一，故本文优选部分的最终结果为3个极化零角参数，即 ${\theta _{{\rm{null}}}}\_{\rm Re}\left[ {{T_{12}}\left( \theta \right)} \right]$, ${\theta _{{\rm{null}}}}\_{\mathop{\rm Im}\nolimits} \left[ {{T_{12}}\left( \theta \right)} \right]$和 ${\theta _{{\rm{null}}}}\_{\rm Re}\left[ {{T_{23}}\left( \theta \right)} \right]$。
3.2 本文分类方法
为了将目标在旋转域中的隐含信息充分利用在极化SAR地物分类中，同时又发挥传统的旋转不变极化特征参数H/A/ $\alpha $/SPAN在极化散射机理解译方面的优点，本文提出了一种结合旋转域极化特征的极化SAR地物分类方法，其流程图如图1所示，相应的具体操作如下：
(1) 在进行Cloude-Pottier分解之前，需要对极化SAR数据进行相干斑滤波处理。本文采用新近提出的一种基于矩阵相似性检验的SimiTest自适应相干斑滤波方法[16]对极化SAR数据进行滤波预处理。
(2) 基于滤波后的极化相干矩阵，计算总散射能量SPAN。
(3) 同样地，基于滤波后的极化相干矩阵，进行Cloude-Pottier分解，得到极化特征量H/ $\alpha $/A。
(4) 同时，将滤波后的极化相干矩阵绕雷达视线旋转，计算上述优选部分所得的3个极化零角参数。
(5) 对上述7个极化特征参数分别进行归一化处理，以作为地物分类特征集输入至SVM分类器。
(6) 通过SVM相应的训练与测试过程，实现对不同地物类别的分类处理。
4. 对比实验及分析
为了验证新极化特征(即3个旋转域极化零角参数)的引入对于传统地物分类方法性能的提升作用，在对极化相干矩阵中全部极化信息进行利用的前提之下，将本文方法与仅使用旋转不变特征H/A/ $\alpha $/SPAN作为SVM分类器输入的传统方法进行对比。首先使用AIRSAR数据15类地物的分类验证本文方法的分类性能，再使用多时相UAVSAR数据7类地物的分类进一步验证本文方法对多时相数据的稳健性。在对此两组数据分别进行SimiTest相干斑滤波[16]时，所用滑窗大小均为15×15。对SVM分类器，各类地物样本的一半用于训练，另一半用于测试。
4.1 对AIRSAR数据的地物分类对比实验
本文首先使用NASA/JPL AIRSAR系统在荷兰Flevoland地区所获取的L波段全极化SAR数据进行地物分类实验。该数据方位向分辨率为12.1 m，距离向分辨率为6.6 m，所用区域大小为736×1010。SimiTest相干斑滤波后的Pauli RGB图如图2(a)所示。该区域的真值图如图2(b)所示，其中主要包含茎豆、豌豆、森林、苜蓿、小麦1、甜菜、土豆、裸地、草地、油菜籽、大麦、小麦2、小麦3、水域以及建筑物等15类地物。
使用传统方法和本文方法分别对滤波后的数据进行分类处理，所得结果如图3所示。
两种方法对AIRSAR数据15类地物分类处理所得精度如表3所示。通过比较可知，本文方法得到的总体分类精度为92.3%，优于传统方法91.1%的分类精度。且本文方法对草地77.3%的分类精度相较于传统方法的59.3%提升了18个百分点。另外，由于SVM分类器所用分类策略以总体分类精度的最大化为目标，无法保证单一地物类别的分类精度均达到最优。例如，本文方法在苜蓿、小麦1、裸地、大麦以及建筑物等5种地物类别区域所得分类精度均不及传统方法。针对其中分类精度差距最大(约8.3%)的裸地，由于其相应区域的主要散射机制为“面散射”，不同方位取向对其后向散射的影响较小，使用传统的旋转不变极化特征已经能较好地对其进行区分与辨识，本文方法额外引入的3个旋转域极化零角参数可能造成了分类信息的冗余，进而导致所得分类精度的较大幅度下降。
表 3 两种方法所得AIRSAR数据15类地物及总体的分类精度(%)Table 3. Classification accuracy of different terrains in AIRSAR data using two methods (%)地物 传统方法 本文方法 茎豆 97.2 98.0 豌豆 93.7 96.9 森林 92.6 93.7 苜蓿 96.8 96.6 小麦1 88.7 85.9 甜菜 93.8 93.8 土豆 92.6 93.3 裸地 95.5 87.2 草地 59.3 77.3 油菜籽 83.9 88.0 大麦 92.6 91.5 小麦2 89.2 89.4 小麦3 94.3 95.9 水域 98.0 98.5 建筑物 84.9 83.2 总体精度 91.1 92.3 4.2 对多时相UAVSAR数据的地物分类对比实验
本文使用NASA/JPL UAVSAR系统在加拿大Manitoba地区所获取的多时相L波段全极化SAR数据进行地物分类实验。该数据方位向分辨率为7 m，距离向分辨率为5 m，所用区域大小为1325×1011。多时相极化SAR数据分别获取于6月17日、6月22日、7月3日以及7月17日。SimiTest相干斑滤波处理之后多时相极化SAR数据对应的Pauli RGB图如图4所示。该区域的主要地物类型是以谷物和油种产品为代表的混合型牧场农作物。相应的真值图如图5所示，其中主要包含阔叶林、草料、大豆、玉米、小麦、油菜籽以及燕麦等7类地物。
图 4 多时相UAVSAR数据滤波后Pauli RGB图Figure 4. Filtered Pauli RGB images of multi-temporal UAVSAR data使用传统方法和本文方法分别对滤波后的多时相极化SAR数据进行相互独立的分类处理，所得结果分别如图6和图7所示。
图 6 传统方法对多时相UAVSAR数据分类结果Figure 6. Classification results of multi-temporal UAVSAR data using conventional method
图 7 本文方法对多时相UAVSAR数据分类结果Figure 7. Classification results of multi-temporal UAVSAR data using proposed method如图6(c)和图7(c)所示，基于7月3日获取的数据，传统方法将红色圆框内小麦与燕麦的绝大部分错分为了大豆，而本文方法在该区域的分类性能相较于前者有显著提升。又如图6(d)和图7(d)所示，基于7月17日获取的数据，传统方法将白色圆框内小麦的绝大部分错分为了大豆，而本文方法在该区域的分类精度相较于前者也有较大提升。
两种方法对多时相UAVSAR数据7类地物分类处理所得精度如表4所示。通过比较可知，对不同日期获取的数据，本文方法所得各类地物及总体的分类精度均优于或相当于传统方法。其中，对6月17日、6月22日、7月3日以及7月17日4个不同日期所获取的数据，本文方法得到的总体分类精度分别为94.98%, 95.12%, 95.99%以及96.78%，而传统方法所得总体分类精度则波动于80.87%至90.75%之间，出现约10%的起伏。具体就小麦和燕麦而言，本文方法得到的分类精度均分别保持在94%和92%以上，而传统方法所得相应分类精度则分别出现了约30%和23%的波动起伏。另外，本文方法95.72%的平均总体分类精度相较于传统方法的87.80%提升了约8个百分点。故本文方法较好的分类性能对于同一系统的多时相数据更具稳健性。
表 4 两种方法所得多时相UAVSAR数据7类地物及总体的分类精度 (%)Table 4. The classification accuracy of different terrains in multi-temporal UAVSAR data using two methods (%)日期 方法 阔叶林 草料 大豆 玉米 小麦 油菜籽 燕麦 总体 6月17日 传统 98.47 62.24 92.64 96.12 93.63 91.70 86.37 90.19 本文 98.49 81.65 96.76 98.19 96.08 92.25 96.32 94.98 6月22日 传统 98.05 61.38 94.14 97.30 97.89 93.82 77.29 90.75 本文 97.96 72.60 96.86 98.18 97.07 96.84 95.13 95.12 7月3日 传统 97.41 54.38 90.45 98.89 68.75 98.81 63.46 80.87 本文 97.77 76.68 98.12 99.08 96.95 98.93 94.22 95.99 7月17日 传统 96.86 64.51 97.38 99.78 84.76 92.19 82.98 89.39 本文 97.27 93.15 99.31 99.58 94.73 99.71 92.16 96.78 平均 传统 97.70 60.63 93.65 98.02 86.26 94.13 77.53 87.80 本文 97.87 81.02 97.76 98.76 96.21 96.93 94.46 95.72 另外，对于6月22日所获取数据中的阔叶林和小麦，以及7月17日所获取数据中的玉米，本文方法所得分类精度均略低于传统方法，且分类精度的差距均在1%以内。
在上述两组相互独立的对比实验所得结果中，本文方法所得分类精度均优于传统方法。故本文方法所表现出的较好分类性能对于不同系统的数据也具有较强稳健性。
5. 结论
目标方位取向对其后向散射响应的直接影响极易引起散射机理的解译模糊，进而限制仅使用旋转不变特征参数作为分类特征集的极化SAR地物分类所得精度。针对这一问题，本文将刻画目标旋转域隐含信息的旋转域极化特征用于极化SAR地物分类，并提出了一种结合旋转域极化特征和旋转不变特征H/A/ $\alpha $/SPAN的极化SAR地物分类方法，该方法将旋转域极化零角参数和H/A/ $\alpha $/SPAN联合作为分类特征集输入至SVM分类器。
将本文方法与仅使用旋转不变特征H/A/ $\alpha $/SPAN作为SVM分类器输入的传统方法进行比较：对AIRSAR数据15类地物分类而言，本文方法总体分类精度达到92.3%，优于传统方法的91.1%。对多时相UAVSAR数据7类地物分类而言，本文方法平均总体分类精度达到95.72%，显著优于传统方法的87.80%，表明本文方法对同一系统的多时相数据更具稳健性。这两组对比实验也表明本文方法较好的分类性能对于不同系统的数据具有较强稳健性。
通过对旋转域中目标极化散射信息的深入挖掘，能够为极化SAR图像的解译与应用提供一条新的可行途径。下一步将考虑旋转域极化特征与具有深度学习能力的卷积神经网络等分类器相结合，以实现更高的分类精度。另外，对极化特征参数更优的选择准则及相互融合也是我们未来将要深入研究讨论的内容。
-
图 3 双向-双滑窗脉冲检测示意图
Figure 3. Schematic diagram of bidirectional dual-window pulse edge detection
图 7 ISPRJ脉冲检测与参数估计结果
Figure 7. Pulse edge detection and parameter estimation results of echo with ISPRJ
图 9 LFM波形干扰抑制前后回波时频分布情况
Figure 9. TFD of received echo before and after anti-jamming of LFM waveform
图 10 LFM波形干扰抑制前后回波脉压结果
Figure 10. PC results of received echo before and after anti-jamming of LFM waveform
图 12 性能指标随参数估计误差变化曲线
Figure 12. The variation curves of performance index with parameter estimation error
图 13 LFM波形不同方法干扰抑制后脉压结果对比图
Figure 13. Comparison of PC results after anti-jamming by different methods of LFM waveform
图 14 LFM波形下SJRIF随JSR变化曲线
Figure 14. The variation curves of SJRIF with JSR for LFM waveform
图 15 LFM波形下SLR随JSR变化曲线
Figure 15. The variation curves of SLR with JSR for LFM waveform
图 16 捷变波形干扰抑制前后回波时频分布情况
Figure 16. TFD of received echo before and after anti-jamming of agile waveform
图 17 捷变波形干扰抑制前后回波脉压结果
Figure 17. PC results of received echo before and after anti-jamming of agile waveform
图 18 捷变波形下SJRIF随JSR变化曲线
Figure 18. The variation curves of SJRIF with JSR for agile waveform
图 19 捷变波形下SLR随JSR变化曲线
Figure 19. The variation curves of SLR with JSR for agile waveform
图 20 相位编码波形干扰抑制前后回波脉压结果
Figure 20. PC results of received echo before and after anti-jamming of phase-coded waveform
图 21 相位编码波形下性能指标随JSR变化曲线
Figure 21. The variation curves of performance index with JSR for phase-coded waveform
表 1 雷达与目标参数
Table 1. Radar and target parameters
参数 数值 脉冲宽度T 24 μs 信号带宽B 36 MHz 采样率${f_{\text{s}}}$ 72 MHz 脉冲重复周期${\text{PRI}}$ 100 μs 中心载频${f_{\text{c}}}$ 3 GHz 目标距离R 9 km 
下载: 导出CSV
表 2 干扰机参数
Table 2. Jammer parameters
参数 数值 干扰转发时延${\tau _{\text{J}}}$ 0 μs 干扰采样时长${T_{\text{I}}}$ 2 μs 干扰采样周期${T_{\text{J}}}$ 8 μs 转发次数M 3 信噪比SNR 3 dB 干信比JSR 6 dB
下载: 导出CSV
-
[1] ARIK M and AKAN O B. Enabling cognition on electronic countermeasure systems against next-generation radars[C]. MILCOM 2015-2015 IEEE Military Communications Conference, Tampa, USA, 2015: 1103–1108. doi: 10.1109/MILCOM.2015.7357593. [2] HEAGNEY C P. Digital radio frequency memory synthetic instrument enhancing US navy automated test equipment mission[J]. IEEE Instrumentation & Measurement Magazine, 2018, 21(4): 41–63. doi: 10.1109/MIM.2018.8423745. [3] LEWIS G K, BAHL I J, GRIFFIN E L, et al. GaAs MMIC’s for digital radio frequency memory (DRFM) subsystems[J]. IEEE Transactions on Microwave Theory and Techniques, 1987, 35(12): 1477–1485. doi: 10.1109/TMTT.1987.1133878. [4] WANG Xuesong, LIU Jiancheng, ZHANG Wenming, et al. Mathematic principles of interrupted-sampling repeater jamming (ISRJ)[J]. Science in China Series F: Information Sciences, 2007, 50(1): 113–123. doi: 10.1007/s11432-007-2017-y. [5] OLIVIER K, CILLIERS J E, and DU PLESSIS M. Design and performance of wideband DRFM for radar test and evaluation[J]. Electronics Letters, 2011, 47(14): 824–825. doi: 10.1049/el.2011.0362. [6] 张建中, 穆贺强, 文树梁, 等. 基于脉内LFM-Costas频率步进的抗间歇采样干扰方法[J]. 系统工程与电子技术, 2019, 41(10): 2170–2177. doi: 10.3969/j.issn.1001-506X.2019.10.03.ZHANG Jianzhong, MU Heqiang, WEN Shuliang, et al. Anti-intermittent sampling jamming method based on intra-pulse LFM-Costas frequency stepping[J]. Systems Engineering and Electronics, 2019, 41(10): 2170–2177. doi: 10.3969/j.issn.1001-506X.2019.10.03. [7] ZHANG Yang, YU Lei, and WEI Yinsheng. Interrupted sampling repeater jamming countermeasure technology based on random interpulse frequency coding LFM signal[J]. Digital Signal Processing, 2022, 131: 103755. doi: 10.1016/j.dsp.2022.103755. [8] 周畅, 汤子跃, 余方利, 等. 基于脉内正交的抗间歇采样转发干扰方法[J]. 系统工程与电子技术, 2017, 39(2): 269–276. doi: 10.3969/j.issn.1001-506X.2017.02.06.ZHOU Chang, TANG Ziyue, YU Fangli, et al. Anti intermittent sampling repeater jamming method based on intrapulse orthogonality[J]. Systems Engineering and Electronics, 2017, 39(2): 269–276. doi: 10.3969/j.issn.1001-506X.2017.02.06. [9] ZHANG Jiaxiang and ZHOU Chao. Interrupted sampling repeater jamming suppression method based on hybrid modulated radar signal[C]. 2019 IEEE International Conference on Signal, Information and Data Processing (ICSIDP), Chongqing, China, 2019: 1–4. doi: 10.1109/ICSIDP47821.2019.9173093. [10] ZHANG Yang, WEI Yinsheng, and YU Lei. Interrupted sampling repeater jamming recognition and suppression based on phase-coded signal processing[J]. Signal Processing, 2022, 198: 108596. doi: 10.1016/j.sigpro.2022.108596. [11] 刘智星, 杜思予, 吴耀君, 等. 脉间-脉内捷变频雷达抗间歇采样干扰方法[J]. 雷达学报, 2022, 11(2): 301–312. doi: 10.12000/JR22001.LIU Zhixing, DU Siyu, WU Yaojun, et al. Anti-interrupted sampling repeater jamming method for interpulse and intrapulse frequency-agile radar[J]. Journal of Radars, 2022, 11(2): 301–312. doi: 10.12000/JR22001. [12] LIU Zhixing, QUAN Yinghui, DU Siyu, et al. A novel ECCM scheme against interrupted-sampling repeater jamming using intra-pulse dual-parameter agile waveform[J]. Digital Signal Processing, 2022, 129: 103652. doi: 10.1016/j.dsp.2022.103652. [13] ZHOU Kai, LI Dexin, SU Yi, et al. Joint design of transmit waveform and mismatch filter in the presence of interrupted sampling repeater jamming[J]. IEEE Signal Processing Letters, 2020, 27: 1610–1614. doi: 10.1109/LSP.2020.3021667. [14] ZHOU Kai, LI Dexin, QUAN Sinong, et al. SAR waveform and mismatched filter design for countering interrupted-sampling repeater jamming[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5214514. doi: 10.1109/TGRS.2021.3107328. [15] WANG Fulai, LI Nanjun, PANG Chen, et al. Complementary sequences and receiving filters design for suppressing interrupted sampling repeater jamming[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4022305. doi: 10.1109/LGRS.2022.3156164. [16] 盖季妤, 姜维, 张凯翔, 等. 基于差分特征的间歇采样转发干扰辨识与抑制方法[J]. 雷达学报, 2023, 12(1): 186–196. doi: 10.12000/JR22058.GAI Jiyu, JIANG Wei, ZHANG Kaixiang, et al. A method for interrupted-sampling repeater jamming identification and suppression based on differential features[J]. Journal of Radars, 2023, 12(1): 186–196. doi: 10.12000/JR22058. [17] CHEN Jian, WU Wenzhen, XU Shiyou, et al. Band pass filter design against interrupted-sampling repeater jamming based on time-frequency analysis[J]. IET Radar, Sonar & Navigation, 2019, 13(10): 1646–1654. doi: 10.1049/iet-rsn.2018.5658. [18] 周超, 刘泉华, 胡程. 间歇采样转发式干扰的时频域辨识与抑制[J]. 雷达学报, 2019, 8(1): 100–106. doi: 10.12000/JR18080.ZHOU Chao, LIU Quanhua, and HU Cheng. Time-frequency analysis techniques for recognition and suppression of interrupted sampling repeater jamming[J]. Journal of Radars, 2019, 8(1): 100–106. doi: 10.12000/JR18080. [19] 张建中, 穆贺强, 文树梁, 等. 基于脉内步进LFM时频分析的抗间歇采样干扰方法[J]. 北京理工大学学报, 2020, 40(5): 543–551. doi: 10.15918/j.tbit1001-0645.2018.202.ZHANG Jianzhong, MU Heqiang, WEN Shuliang, et al. Anti-intermittent sampling repeater jamming method based on stepped LFM joint time-frequency analysis[J]. Transactions of Beijing Institute of Technology, 2020, 40(5): 543–551. doi: 10.15918/j.tbit1001-0645.2018.202. [20] 杜思予, 刘智星, 吴耀君, 等. 频率捷变波形联合时频滤波器抗间歇采样转发干扰[J]. 系统工程与电子技术, 2023, 45(12): 3819–3827. doi: 10.12305/j.issn.1001-506X.2023.12.11.DU Siyu, LIU Zhixing, WU Yaojun, et al. Frequency agility waveform combined with time-frequency filter to suppress interrupted-sampling repeater jamming[J]. Systems Engineering and Electronics, 2023, 45(12): 3819–3827. doi: 10.12305/j.issn.1001-506X.2023.12.11. [21] ZHENG Hao, JIU Bo, and LIU Hongwei. Waveform design based ECCM scheme against interrupted sampling repeater jamming for wideband MIMO radar in multiple targets scenario[J]. IEEE Sensors Journal, 2022, 22(2): 1652–1669. doi: 10.1109/JSEN.2021.3131491. [22] WEI Zhenhua, LIU Zhen, PENG Bo, et al. ECCM scheme against interrupted sampling repeater jammer based on parameter-adjusted waveform design[J]. Sensors, 2018, 18(4): 1141. doi: 10.3390/s18041141. [23] ZHOU Chao, LIU Quanhua, and CHEN Xinliang. Parameter estimation and suppression for DRFM-based interrupted sampling repeater jammer[J]. IET Radar, Sonar & Navigation, 2018, 12(1): 56–63. doi: 10.1049/iet-rsn.2017.0114. [24] LU Lu and GAO Meiguo. A truncated matched filter method for interrupted sampling repeater jamming suppression based on jamming reconstruction[J]. Remote Sensing, 2022, 14(1): 97. doi: 10.3390/rs14010097. [25] 周超, 刘泉华, 曾涛. DRFM间歇采样转发式干扰辨识算法研究[J]. 信号处理, 2017, 33(7): 911–917. doi: 10.16798/j.issn.1003-0530.2017.07.002.ZHOU Chao, LIU Quanhua, and ZENG Tao. Research on DRFM repeater jamming recognition[J]. Journal of Signal Processing, 2017, 33(7): 911–917. doi: 10.16798/j.issn.1003-0530.2017.07.002. 期刊类型引用(6)
1. 崔兴超，李郝亮，付耀文，陈思伟，粟毅. 空间目标散射结构极化旋转域辨识. 电子与信息学报. 2023(06): 2105-2114 . 
百度学术2. 崔兴超，粟毅，陈思伟. 融合极化旋转域特征和超像素技术的极化SAR舰船检测. 雷达学报. 2021(01): 35-48 . 
本站查看3. 殷君君，彭嘉耀，杨健，刘希韫. 基于局部竞争策略的极化SAR图像精细分类. 雷达科学与技术. 2021(05): 499-508+516 . 百度学术4. 杨成财，余慧庄，龙郝明. 基于SVM和能量最小化的PolSAR图像分类方法. 电子测量技术. 2020(03): 146-152 . 百度学术5. 王雪松，陈思伟. 合成孔径雷达极化成像解译识别技术的进展与展望. 雷达学报. 2020(02): 259-276 . 本站查看6. 陈思伟，李永祯，王雪松，肖顺平. 极化SAR目标散射旋转域解译理论与应用. 雷达学报. 2017(05): 442-455 . 本站查看其他类型引用(6)
-
下载:
百度学术
计量
- 文章访问数: 553
- HTML全文浏览量: 120
- PDF下载量: 201
- 被引次数: 12
