Processing math: 100%

电磁散射特征提取与成像识别算法综述

邢孟道 谢意远 高悦欣 张金松 刘嘉铭 吴之鑫

折小强, 仇晓兰, 雷斌, 张薇, 卢晓军. 一种极化熵结合混合GEV模型的全极化SAR潮间带区域地物分类方法[J]. 雷达学报, 2017, 6(5): 554-563. doi: 10.12000/JR16149
引用本文: 邢孟道, 谢意远, 高悦欣, 等. 电磁散射特征提取与成像识别算法综述[J]. 雷达学报, 2022, 11(6): 921–942. doi: 10.12000/JR22232
She Xiaoqiang, Qiu Xiaolan, Lei Bin, Zhang Wei, Lu Xiaojun. A Classification Method Based on Polarimetric Entropy and GEV Mixture Model for Intertidal Area of PolSAR Image[J]. Journal of Radars, 2017, 6(5): 554-563. doi: 10.12000/JR16149
Citation: XING Mengdao, XIE Yiyuan, GAO Yuexin, et al. Electromagnetic scattering characteristic extraction and imaging recognition algorithm: a review[J]. Journal of Radars, 2022, 11(6): 921–942. doi: 10.12000/JR22232

电磁散射特征提取与成像识别算法综述

DOI: 10.12000/JR22232 CSTR: 32380.14.JR22232
基金项目: 国家自然科学基金杰出青年基金(61825105)
详细信息
    作者简介:

    邢孟道,教授,博士生导师,主要研究方向为雷达成像技术、稀疏信号处理、激光合成孔径成像、微波光子合成孔径成像和雷达遥感技术

    谢意远,博士研究生,主要研究方向为雷达目标电磁特征提取与重构等

    高悦欣,博士,讲师,主要研究方向为ISAR高分辨成像等

    张金松,博士,讲师,主要研究方向为SAR 目标检测与识别等

    刘嘉铭,博士研究生,主要研究方向为ISAR 目标检测与识别等

    吴之鑫,博士研究生,主要研究方向为雷达目标电磁建模等

    通讯作者:

    邢孟道 xmd@xidian.edu.cn

  • 责任主编:文贡坚 Corresponding Editor: WEN Gongjian
  • 中图分类号: TN957.52

Electromagnetic Scattering Characteristic Extraction and Imaging Recognition Algorithm: A Review

Funds: The National Natural Science Foundation of China for Distinguished Young Scholars (61825105)
More Information
  • 摘要: 合成孔径雷达(SAR)图像的自动化解译是合成孔径雷达技术应用的重要发展方向之一。电磁散射特征与目标结构具有稳健的关联性,是SAR图像解译的关键支撑。近年来,如何准确地实现电磁特征提取以及利用电磁特征反演目标特性受到了广泛的重视。该文讨论了电磁特征提取和基于电磁散射特征识别方法的研究成果,总结归纳了其中的关键要素和主要思路,详述了电磁散射机理在成像和识别领域的扩展应用,展望了未来电磁散射特征提取与应用的研究发展趋势。

     

  • 潮间带区域是一种位于陆地与海洋之间的特殊海岸区域,在低潮时露出水面而在高潮时被水淹没[1],其构成了一个独特的湿地生态系统,提供了多种植被必需的生长环境,是水产养殖、海洋环境观测、海洋经济开发以及海岸防御的重点区域。为了更好地开发利用潮间带区域,利用遥感对潮间带进行观测和研究的工作已得到开展[25]。如何基于遥感图像自动准确地将潮间带区域与水域及其他陆地区域分开,并能够准确区分潮间带区域不同植被或养殖类型,是潮间带区域监测所关心的问题。合成孔径雷达(Synthetic Aperture Radar, SAR)尤其是全极化SAR,由于其全天时全天候工作的优势和分类能力强的特点,在该方面的应用得到了关注[68]

    针对极化SAR数据,通过特征值分解以及散射分析等手段,可以从中提取出大量的多极化特征来描述地物的散射信息[9,10]。这些特征为极化SAR数据的应用提供了新的视角。近年来,基于极化特征的研究有了突破性的进展,广泛地应用在地物分类、典型目标检测提取等领域[1113]。相比于其他特征,极化熵被证实可以更好地描述地物的极化相关的纹理信息(polarization-dependent variation of texture)[14]和表面粗糙度[15],并且有较好的目标识别能力[16]。因此,极化熵广泛地应用在地物分类、海岸带典型目标检测[3,17]等领域。比较典型的有Cloude和Pottier1997年提出的基于极化熵的地物分类框架[16]以及Eun-Sung等人利用极化熵基于GEV分布实现对水下养殖区域的检测等[3]

    另外,从对极化SAR数据的统计特性的分析出发,已有研究将有限混合模型(Finite Mixture Models, FMM)等理论引入到基于极化SAR地物分类应用中[18]。从传统的混合Wishart模型[18]到混合U分布模型[19],基于FMM的极化SAR地物分类方法在城区、农田以及海洋等区域达到较好的分类效果。

    在潮间带区域,其在退潮后露出水面的部分主要由淤泥滩、浅留水体以及水产养殖等部分组成,而上述部分的电磁散射强度与水面差别不大,因此在极化SAR图像中表现为类似的散射强度和散射机制,不易区分。现有针对极化SAR数据进行地物分类的算法在潮间带这种特殊的地物场景中并不能得到很好的分类结果。现有基于SAR数据对于潮间带区域也有较多的研究,主要针对有潮海域的地貌变动监控[7,2022]、土壤湿度分析[1,8]以及特定地物的散射特性分析[3,17,23,24]等。比较典型的有Li Zhen等人针对1999–2006年波罗的海海域的潮间带地貌演变研究[7,2022]以及Hoonyol Lee等人对于韩国南部海域潮间带的土壤湿度变化研究[1]等。

    本文针对潮间带的特点,基于极化特征和FMM提出了一种新的地物分类方法。首先,本文针对4种典型的极化特征进行分析和筛选,得到一组最适合描述潮间带区域的多极化特征:极化熵和反熵。在此基础上,基于对极化熵图像的统计特性分析和极值理论,本文优选GEV分布对潮间带区域的极化熵分布进行描述[20,25]。随后构建了一种基于GEV混合模型(GEV Mixture Model, GEVMM)在极化熵特征中对潮间带地物进行标记。最后结合反熵的信息实现潮间带地物分类。本文利用RadarSAT-2获取的上海崇明岛东滩区域数据进行实验验证。与经典多极化SAR分类方法结果及实地考察真值的对比结果表明,本文方法能够有效地将潮间带区域与水域进行区分,并对潮间带内部不同场景类型进行分类,效果优于Wishart-H/A/α等经典方法。

    本文的结构如下:第2节详细介绍本文提出的分类方法,第3节基于实测数据对方法进行验证,并对结果进行分析讨论,第4节总结全文。

    在全极化SAR模式中,SAR系统以水平极化和垂直极化两种模式的组合来发射和接收电磁波[26]。极化散射矩阵为:

    S=[SHHSHVSVHSVV] (1)

    一般来说, SHV=SVH,因此Pauli散射矢量定义为:

    k=12[SHH+SVVSHHSVV2SHV]T (2)

    其中,T表示转置。基于k可以得到极化相干矩阵T3

    T3=1LLn=1kkT (3)

    其中,L为视数,上标 代表了复共轭。从极化散射矩阵S和极化相干矩阵T3中可以提取出来很多极化特征,其中4个最典型的多极化特征(Span, H, A, α)如下。

    极化总功率Span是一个典型的极化特征,其定义可以从极化散射矩阵S得到:

    Span=|SHH|2+|SHV|2+|SVH|2+|SVV|2 (4)

    Span影像为4个极化通道图像的功率之和,其中包含了各通道图像的信息。

    从极化相干矩阵T3中获取极化特征一般通过特征值分解,其中比较典型的为 H/A/α分解。 H/A/α已经在极化图像分类领域广泛使用,其定义为:

    T3=3i=1λiT3i=3i=1λiuiuiT (5)

    其中, λiT3矩阵的特征值,代表着第i个归一化分量 T3i的比重,其概率可以用Pi来表示:

    Pi=λi/λi3i=1λi3i=1λi (6)

    极化熵和反熵是 H/A/α分解后得到的两个重要特征,可以通过对 λi进行计算得到:

    H=3i=1PilogPi (7)
    A=λ2λ3λ2+λ3 (8)

    其中,H是极化熵,A是反熵,计算时特征值按照 λ1>λ2>λ3来排序。其中极化熵H描述了散射的随机性,其取值范围为0到1。当极化熵值较低时,可以认为只有一种主导散射机制;当极化熵值较高时,此时表现出较为强烈的去极化特性,散射机制趋向随机;当极化熵接近于1时,散射机制接近于噪声。反熵A是对极化熵H的一个有效补充,是对第2个和第3个特征值的差异的描述,并且对极化熵值大于0.7的高熵区域有着较好的识别性能[26]。一般来说,潮间带的大多数区域对于反熵的响应较弱,只有部分高熵区域,例如露出水面的金属隔离网,才有较高的反熵值。

    另外一个重要的 H/A/α分解特征是平均散射角,可以通过特征向量计算得到:

    α=3i=1Picos1(|ui(1)|) (9)

    其中,α为平均散射角,其值域范围为0° and 90°[26]

    在潮间带区域,退潮残留的水体、淤泥滩和水下农场等构成了复杂的地貌。残留水体和淤泥滩均有相对光滑的表面,且绝大部分的水下农场养殖区域可以被称为“浅层水域”,仅有少量的隔离网和部分植被的枝叶露出水面。因此,该区域在各个通道的雷达功率图像中均会表现出和海水相似的图像灰度值,如图1(a)所示。所以Span图虽然综合了全极化SAR的4个通道功率图像的幅度信息,但是这种简单的功率和并不能增强潮间带区域和海水的区分能力。

    图  1  潮间带的极化特征示例
    Figure  1.  Examples of multi-polarization features of intertidal area

    潮间带混杂的地物也导致了其散射机制的随机性变化较大,而极化熵H和反熵A均是对散射随机性的描述,因此这两个特征均有可能用来描述在潮间带区域。潮间带区域的极化熵和反熵示例分别如图1(b)图1(c)所示。可以看出,相比于Span,极化熵可以较好地区分海洋和潮间带区域,并且可以区分潮间带内部地物类型。而反熵则可以明显将高熵和低熵区域区分开来。因此对于潮间带区域,理论上来说极化熵是一种更普适的特征,而反熵更适合用来区分一些高熵区域。

    平均散射角α则是对潮间带区域的散射机制的直接描述。较为光滑的表面会产生较低的α值,随着α值的增大,散射机制依次从表面散射,体散射到二次散射过渡。简而言之,对于潮间带区域,平均散射角α可以认为是一种对表面粗糙度的衡量。淤泥滩和露出水面的水下植被与水面相比拥有不同粗糙度的表面,从而在α特征图中会有不同的表现,如图1(d)所示。但是,由于在潮汐作用下潮间带区域的地物表面相对平滑,其散射机制大多为不同程度的布拉格表面散射,因此这种粗糙度带来的差异性不足以用来对潮间带区域的地物分类。

    基于上述分析,本文优选极化熵H和反熵A来进行潮间带的分类,其中H为主要特征,A则作为补充。

    极化熵是一种对极化散射机制随机性的衡量。然而,对于中等分辨率(如Radarsat-2全极化模式分辨率为8 m)图像,一个像素点中可能包含多种地物,即有着较强的散射随机性,意味着比较高的极化熵值,当散射随机性很强时,极化熵值趋近于1,接近噪声水平。在潮间带中,虽然总体上来说其极化熵值不是很高,但是部分露出水面的植被以及金属隔离网区域有着较强的散射随机性会产生接近于1的极高熵值。这些高熵值在极化熵图像的统计直方图中导致一种long-tails现象。long-tails现象是风险预测或者灾害预警等极端事件研究中的重点,包括“左拖尾(厚尾)”和“右拖尾(薄尾)”[27]。对于这两种现象,传统的统计分布模型例如高斯分布模型或者Gamma分布模型难以给出好的拟合效果[25]。而常用的一些描述long-tails现象的模型,包括广义Gamma分布和k分布,均对“右拖尾”有较好的描述能力,但是不能很好地适应“左拖尾”。而且,k分布是基于乘性噪声模型提出,仅适用于均匀区域和弱纹理区域,对于极化熵图像不太适用[26]。极值理论方面的研究表明,GEV分布可以很好地描述有极端事件发生的随机过程。在近年来的研究中GEV分布已经被大量地用在SAR图像对特殊目标的分析中[3,20,25]。其中Eun-Sung的论文中对比了广义Gamma分布族中的Weibull分布和log-normal分布,证明了GEV分布能够更好地描述水下养殖等类似区域[3]。因此本文采用GEV来描述潮间带区域的极化熵图像。GEV分布是一族连续的极值概率分布,并且具有有限分布和稳定的特性。GEV分布的概率密度函数如式(10)所示:

    gev(x,μ,σ,ξ)={e(ξxμσ+1)1/ξ(ξxμσ+1)11/ξσ,ξxμσ+1>0, σ>0, ξ0e(xμσ)e(xμσ)σ,σ>0, ξ=0 (10)

    GEV分布的参数有3个:即形状参数 ξ,尺度参数σ和位置参数μ图2中给出了对于不同 ξ下的GEV分布的形态,其中 ξ分别为–0.5, 0, 0.5, σ和μ均为0.1和0.5。当 ξ等于0时为Gumbel分布,当 ξ大于0时为Weibull分布,而当 ξ小于0时为Frechet分布。其中Weibull描述的是一种“右拖尾分布”,Frechet描述的是一种“左拖尾分布”[27],而Gumbel分布为两者之间的过渡。因此,GEV分布对long-tails有着广泛的适应性以及较好的描述能力。

    图  2  GEV分布的3种形态
    Figure  2.  Three types of the GEV distribution

    通过上面的分析可以得出,GEV分布能够较好地描述潮间带区域的极化熵图像。由于单个概率分布只有一个峰值,而对于潮间带区域,多种地物必然会导致多个峰值的出现。因此基于GEV分布,可以通过建立一个有限混合模型(Finite Mixture Model, FMM)来实现对潮间带的地物分类。有限混合GEV模型(GEV Mixture Models, GEVMM)n个GEV分布的线性叠加,其定义如式(11)所示:

    f(x;ξ,σ,μ)=ni=1aifi(x;ξi,σi,μi) (11)

    其中,n为GEV分布的个数,在潮间带地物分类中代表着潮间带的地物种类,fi(·)代表着第i个种地物所服从的GEV分布。

    对于潮间带区域的极化熵图像H的地物分类可以分为两个步骤:首先是GEV混合模型的计算,然后将模型映射到图像空间中实现分类。其中最重要的一步是GEVMM的计算。本文以EM算法为基础,来实现对GEVMM的构建。

    EM算法是一种极大似然估计算法,以迭代的方式来实现对模型的估计。算法的每一次迭代都是由E步(求期望)和M步(将期望最大化)构成[28]。在本文中,首先给定类别个数和参数的初始值,然后在E步,依照当前模型参数,计算分模型i对图像中每个点xj的响应度 ˆγji,其计算公式为:

    ˆγji=aifi(xj;ξi,σi,μi|θi)niaifi(xj;ξi,σi,μi|θi) (12)

    其中,j为样本标记,i为类别标记,式中θi指在第i个分模型。在M步中,我们先根据响应度大小对图像像素进行归类,然后用最小二乘法估计出每个分模型的参数[29]。实验中最小二乘法估计通过MATLAB函数gevfit实现。如此迭代,直到参数收敛。

    另一方面,传统的FMM进行模型估计时分模型个数是固定的,难以适应不同的地物类型的特征值分布。因此,本文采用了自适应的的GEVMM估计方法。在迭代的过程中,如果对某一个类别产生最大响应的点的数目少于某个阈值时,该类别即认为无意义并删除。在本文的实验中,这个阈值被设为50。迭代收敛后得到GEVMM以及其中的各个分量,然后通过计算图像中的每个点对模型各分量的响应度,得到一个分类标记图。

    反熵作为极化熵的补充,其在高于0.7时采用较好的识别能力[26]。因此可以通过0.7这个阈值对反熵图像进行阈值分割,实现二值分类。基于此,本文通过将两个特征得到的结果进行融合,更好地实现潮间带的地物分类。假设极化熵得到的M类集合为 {A1,A2,,AM},反熵得到的两类为 {B1,B2},融合算法要处理的集合为各类的交集,即:

    C={AiBj,AiBj,i[1,M],j[1,2]} (13)

    对于C中的每一个像素x,分别计算其对AiBj的从属度 mx(Ai)mx(Bj)

    mx(Ai)=|H(x)xAi| (14)
    mx(Bj)=|A(x)xBj| (15)

    其中,H(x)为极化熵在x位置的值, xAi为极化熵图像中 Ai类所有像素的均值,即类别中心。同理, A(x)为反熵在x位置的值, xBj为反熵图像中 Bj类所有像素的均值。本文中采用如下准则来对交集C进行判决:如果 xCmx(Ai)>xCmx(Bj),那么C属于Ai类,反之C属于Bj类。这样就实现了分类结果的融合。

    GEVMM的构建流程以及图像分类算法流程如图3所示。

    图  3  基于GEVMM的图像分类流程
    Figure  3.  Flowchart of GEVMM

    基于本文的方法,利用Radarsat-2卫星的全极化数据进行了实验验证,实验数据的分辨率为8 m。研究区域位于上海崇明岛东滩潮间带,其卫星数据获取时间为2015年5月16日,此时的潮水处于低潮状态。图4描述了实验区域,其中图4(a)给出了整幅数据的Pauli伪彩色图像,其中的黄色矩形框代表着我们选定的实验区域,大小为20.0 km×5.6 km。数据获取时的实验区域的实时状态如图4(b)所示,从近到远依次是低矮植被区域,淤泥滩以及露出水面的水产养殖场的隔离网。

    图  4  所选实验区域
    Figure  4.  The selected study area

    实验中,本文首先基于实测数据对潮间带区域的极化特征进行目视解译与定量衡量来佐证前面的分析;然后基于所示的流程对潮间带进行地物分类;最后利用PolSAR Pro软件对研究区域进行Wishart-H/A/α分类,并和本文方法的实验结果进行对比和分析。

    图5给出了图4(a)黄框所示的研究区域的极化特征。基于上面的分析,下面结合实地考察结果以及图4(a)中所示的Pauli伪彩色图对4个特征进行目视解译。在图5(a)所示的Span影像中,我们可以识别出潮间带的大致轮廓以及金属隔离网等,但是潮间带内部细节的识别能力较差,并且潮间带和海洋的边界比较模糊。图5(b)给出了极化熵图像,从图中我们可以识别出海面,以及潮间带中的淤泥滩,草地以及暗色的残留水体等,并且和海面的区分较为显著,但是对金属隔离网的识别能力较差。图5(c)中的反熵可以很好地识别金属隔离网,但是无法识别出其他地物。而对于图5(d),平均散射角可以对潮间带区域中的地物进行一定的识别,但是不能很好地区分海面和潮间带中的水产养殖。对比Span、极化熵、反熵和平均散射角4张图,可以发现极化熵可以对除去金属隔离网之外的地物有着最好的视觉判别而反熵作为补充可以很好地识别出金属隔离网区域。因此,极化熵结合反熵,可以给出最好的视觉判别效果。

    图  5  研究区域的极化特征
    Figure  5.  Multi-polarization features of the study area

    为了进一步地佐证,本文采用Michelson对比度准则来衡量上述图像的类间对比度(between-region contrast)[30]。 Michelson准则是一种经典的图像衡量标准,并且广泛地用在SAR图像评价中[3,31]。其定义如下:

    C=FmaxFminFmax+Fmin (16)

    其中,FmaxFmin分别为图像的最大值和最小值。对比度值C位于[0, 1]区间。一般来说,C越高,对比度越强,区分能力也越强。表1给出了4个极化特征的类间对比度,从表中可以看出,反熵拥有最高的对比度值,极化熵的对比度紧随其后且高于其他两个特征。从前面的分析中可以得知,反熵对高熵部分响应强烈并且抑制了低熵部分的值,导致了较高的对比度值,也确保了其对潮间带的高熵部分的识别能力。从图5(c)可以看出,反熵对于具有高熵值的金属隔离网有着很好的区分能力,但是对其他低熵区域,区分能力很差。极化熵有着第二高的对比度值,从图5(b)中也可以看出极化熵对整个潮间带区域的细节有着很好的描述以及较好的区分能力。平均散射角α的对比度低于极化熵,从图5(d)中也可以看出其对潮间带的细节有一定的描述能力,但是无论是边缘的清晰度还是Michelson对比度都明显弱于极化熵。而Span图像在视觉判别能力和对比度方面表现最差。综上所述,极化熵和反熵的组合可以对潮间带区域地物进行很好的区分。

    表  1  各极化特征的Michelson类间对比度
    Table  1.  Michelson between-region contrast of different features
    极化特征 类间对比度
    Span 0.4092
    Entropy 0.7703
    Anisotropy 0.9959
    α 0.6757
    下载: 导出CSV 
    | 显示表格

    基于图5(b)所示的极化熵图像,我们按照图3所示的流程进行GEVMM建模和地物分类。在GEVMM构建中,根据实地考察结果结合极化熵图像我们初始指定模型的分量数目为8,经过迭代收敛后得到的模型中有5个分量,图6(f)给出了最终的GEVMM和极化熵直方图以及模型中各分量的图示。为了确保GEVMM的优越性,本文用Gamma分布和log-normal分布分别来拟合GEVMM得到的标记图中对应的每种类别的归一化直方图,与GEVMM的各个分量的拟合效果进行对比,如图6(a)图6(e)所示。图6(a)图6(e)展示了拟合对比结果,其中蓝色部分为各类别的直方图,绿线代表GEVMM的对应分量拟合结果,黑线代表Gamma模型拟合结果,红线代表了log-normal模型拟合结果。可以看出,GEV分布可以很好地拟合图6(d)图6(e)两图的“左拖尾现象”,明显优于其他两种模型。同样,图6(b)中GEV分布的拟合效果也明显优于其他两种分布。

    图  6  GEVMM及其各分量与Gamma分布和log-normal分布的对比:(a)–(e)分别为5个分量与Gamma分布,log-normal分布以及对应标记区域的直方图的对比,其中蓝色区域为归一化直方图,绿线是GEV拟合结果,黑线是Gamma拟合结果,红线是log-normal拟合结果,(f)给出了GEVMM及其各个分量与研究区域直方图的对比结果,其中蓝线为归一化直方图,红线为GEVMM,绿线为GEVMM的各个分量
    Figure  6.  Fitness comparison among GEV distribution and Gamma distribution and Log-normal distribution of each component in GEVMM: (a)–(e) represent the five components of the GEVMM and the fitting results by the Gamma distribution and log-normal distribution for the histograms, which are marked as blue, the green lines represent the GEV fitting results, the black lines represent the most fitted Gamma distribution and the red lines represent the most fitted log-normal distribution, (f) shows the five components of GEVMN as green lines and the respective histograms as blue lines, the red line represents the final model

    为了进一步确认GEVMM的准确性,本文采用赤池信息量准则(Akaike Information Criterion, AIC)对各个模型进行衡量[32]。AIC准则的定义如下:

    AIC=2k2Ln (17)

    其中,k为参数个数,n为样本个数,L为对数相似度(log likelihood)。对数相似度的定义如下:

    L=n2ln(2π)n2ln(ssen)n2 (18)

    其中,sse为直方图和拟合结果之间的残差和。对于AIC准则来说,k越小或者L越大,AIC的值越小,模型的正确性也越高。其中k越小,模型越简洁,而L越大,模型越准确。表2给出了3种分布在每个类别对应的AIC值,可以看出GEV分布明显优于其他两种分布。结合图6表2,可以得出GEV分布模型有着最好的拟合能力。另外,最终得到的GEVMM和统计直方图之间的AIC值为4.0661,也说明了模型的有效性。

    表  2  GEV分布,Gamma分布和log-normal分布在每种类别中的拟合结果的AIC值
    Table  2.  The AIC values of the fitting results between the GEV distribution, the Gamma distribution and log-normal distribution
    AIC 1 2 3 4 5
    GEV 6.3988 4.0095 4.1105 4.7009 6.2093
    Gamma 11.3878 9.3573 7.6928 9.0210 8.3989
    log-normal 11.3878 9.3573 7.6928 9.0213 8.3997
    下载: 导出CSV 
    | 显示表格

    图7展示了地物分类实验结果,其中图7(a)给出了研究区域的Pauli伪彩色图。基于极化熵的GEVMM得到的图像分类标记图如图7(b)所示,通过融合图7(c)给出的反熵的分割结果,得到的最终分类结果如图7(d)所示。图7(e)给出了Wishart-H/A/α方法的分类结果。研究区域真值图如图7(f)所示,其中蓝色为海洋区域,浅蓝色和浅绿色区域分别为潮间带中的水下养殖与残留水体,黄色和棕黄色代表植被散射区域和淤泥滩,深红色代表金属隔离网。

    图  7  潮间带的地物分类实验结果
    Figure  7.  Classification results of the intertidal area

    对比发现极化熵得到的结果可以很好地识别出潮间带区域的大多地物类型,与真值较为一致,但是该图中地物只是分为5类,不能很好地识别出图7(f)中深红色的金属隔离网区域。而在图7(c)的反熵的阈值分割结果可以较好地提取出金属隔离网区域。图7(d)中融合后得到的分类结果和真值图相比有较为一致分类效果,并优于图7(b)图7(c)的结果。而图7(e)所示的Wishart-H/A/α的分类结果和真值图有着较大的不同。在研究区域,图7(e)只能将金属隔离网区域和其他地物区分,对于潮间带的其他5类,均不具备较好的区分度,并且潮间带区域和海洋区域未能进行很好地区分。

    针对本文提出的方法和Wishart-H/A/α分类方法,实验中采用Kappa系数来衡量两种方法的分类效果。结合真值数据,两种方法的Kappa系数分别为0.9019和0.3662,总体分类精度分别为0.8912和0.3712,也验证了本文方法的准确性。可见,在潮间带区域的地物分类中,本文的方法要优于Wishart-H/A/α分类。

    针对潮间带区域的地物分类问题,本文提出了结合极化熵和反熵的潮间带地物分类方法。基于极化熵图像,本文对潮间带区域建立GEVMM。在此基础上通过和反熵的信息融合得到最终的分类结果。实验中利用C波段Radarsat-2全极化数据实现了对上海崇明岛东滩潮间带区域的地物分类。对比真值图,本文方法可以给出较好目视结果并优于Wishart-H/A/α方法。最后的定量分析证明本文方法具有较好的准确性。

  • 图  1  电磁特征在SAR成像体系中的支撑作用示意图

    Figure  1.  The supporting role of electromagnetic scattering characteristic in SAR imaging

    图  2  电磁散射特征提取方法与应用的主要特征概述

    Figure  2.  The overview of main features of electromagnetic scattering characteristic extraction and application

    图  3  FEKO仿真模型和成像结果

    Figure  3.  Experiment on simulation model by FEKO

    图  4  文献[47]所提方法的XPATCH仿真数据提取实验结果

    Figure  4.  Imaging results obtained by the proposed method in Ref. [47]

    图  5  文献[47]所提方法的实测数据提取实验结果

    Figure  5.  Imaging results obtained by the proposed method in Ref. [47]

    图  6  坦克模型

    Figure  6.  Tank model

    图  7  文献[51]所提方法的坦克数据提取实验结果

    Figure  7.  Imaging results obtained by the proposed method in Ref. [51] on tank model

    图  8  挖掘机极化伪彩合成结果

    Figure  8.  The pseudocolor imaging results of XPATCH backhoe

    图  9  文献[80]所提方法与传统PTD方法的XPATCH仿真数据PTD结果对比分析

    Figure  9.  PTD performance comparison by the proposed method in Ref. [80] and the traditional method

    图  10  文献[96]所提方法和Burg算法的坦克仿真数据不同倍数超分辨成像对比

    Figure  10.  Super-resolution performance comparison by the proposed method in Ref. [96] and the Burg method

    图  11  文献[114]所提融合识别网络结构示意图

    Figure  11.  Proposed recognition method fusing scattering center features and CNN features at the level of feature maps in Ref. [114]

    图  12  文献[115]所提融合电磁散射特征向量和深度CNN特征向量的识别方法

    Figure  12.  Structure of the proposed FEC framework in Ref. [115]

    表  1  典型散射体结构的αL

    Table  1.   Canonical scattering geometries from α and L

    αL散射体结构
    1.0=0三面角
    0.5=0
    0=0
    1.0>0二面角
    0.5>0圆柱
    0>0直边
    –0.5>0边缘绕射
    –1.0=0角衍射
    下载: 导出CSV

    表  2  文献[42]所提方法的FEKO模型参数估计结果

    Table  2.   Estimated parameters result on FEKO model by the proposed method in Ref. [42]

    参数散射中心
    12
    L(m)1.6/
    ˉφ(rad)0/
    x(m)–0.12.7756e–17
    y(m)02.0
    α0.50
    复幅度A2.4570–0.3162i2.9605+0.3071i
    散射体结构圆柱体球体
    下载: 导出CSV

    表  3  文献[114]所提方法和其他典型方法的识别准确度

    Table  3.   Performance of the proposed method in Ref. [114] and other different methods

    方法类型SOCEOC
    BFM95.6297.90
    SVM96.7896.64
    ACN99.1398.12
    SRC96.2995.12
    FGL99.0898.46
    所提方法99.1198.37
    下载: 导出CSV

    表  4  文献[115]方法和其他典型方法的识别准确度

    Table  4.   Performance of the proposed method in Ref. [115] and other different methods

    方法类型SOCEOC
    BFM95.6297.90
    SVM96.7896.64
    ACN99.1398.12
    SRC96.2995.12
    FGL99.0898.46
    所提方法99.5998.48
    下载: 导出CSV

    表  5  文献[116]方法和其他参数初始化方法的识别准确度

    Table  5.   Performance of the proposed methed in Ref. [116] and other different methods

    方法类型俯仰角15°俯仰角17°
    随机初始化94.391.8
    Gabor滤波器94.292.3
    所提方法98.895.1
    下载: 导出CSV
  • [1] 保铮, 邢孟道, 王彤. 雷达成像技术[M]. 北京: 电子工业出版社, 2005.

    BAO Zheng, XING Mengdao, and WANG Tong. Radar Imaging Technology[M]. Beijing: Publishing House of Electronics Industry, 2005.
    [2] MOREIRA A, PRATS-IRAOLA P, YOUNIS M, et al. A tutorial on synthetic aperture radar[J]. IEEE Geoscience and Remote Sensing Magazine, 2013, 1(1): 6–43. doi: 10.1109/MGRS.2013.2248301
    [3] 黄培康, 殷红成, 许小剑. 雷达目标特性[M]. 北京: 电子工业出版社, 2005.

    HUANG Peikang, YIN Hongcheng, and XU Xiaojian. Radar Target Characteristics[M]. Beijing: Publishing House of Electronics Industry, 2005.
    [4] 孙真真. 基于光学区雷达目标二维像的目标散射特征提取的理论及方法研究[D]. [博士论文], 中国人民解放军国防科学技术大学, 2001.

    SUN Zhenzhen. Target scattering characteristic extraction method for radar 2-D image in optical region[D]. [Ph. D. dissertation], National University of Defense Technology, 2001.
    [5] OLIVER C and QUEGAN S. Understanding Synthetic Aperture Radar Images[M]. Raleigh: SciTech Publishing, 2004.
    [6] EL-DARYMLI K, GILL E W, MCGUIRE P, et al. Automatic target recognition in synthetic aperture radar imagery: A state-of-the-art review[J]. IEEE Access, 2016, 4: 6014–6058. doi: 10.1109/ACCESS.2016.2611492
    [7] NOVAK L M, OWIRKA G J, BROWER W S, et al. The automatic target-recognition system in SAIP[J]. The Lincoln Laboratory Journal, 1997, 10(2): 187–202.
    [8] DIEMUNSCH J R and WISSINGER J. Moving and stationary target acquisition and recognition (MSTAR) model-based automatic target recognition: Search technology for a robust ATR[C]. Algorithms for Synthetic Aperture Radar Imagery V, Orlando, United States, 1998: 481–492.
    [9] 文贡坚, 朱国强, 殷红成, 等. 基于三维电磁散射参数化模型的 SAR 目标识别方法[J]. 雷达学报, 2017, 6(2): 115–135. doi: 10.12000/JR17034

    WEN Gongjian, ZHU Guoqiang, YIN Hongcheng, et al. SAR ATR based on 3D parametric electromagnetic scattering model[J]. Journal of Radars, 2017, 6(2): 115–135. doi: 10.12000/JR17034
    [10] HE Yang, HE Siyuan, ZHANG Yuehua, et al. A forward approach to establish parametric scattering center models for known complex radar targets applied to SAR ATR[J]. IEEE Transactions on Antennas and Propagation, 2014, 62(12): 6192–6205. doi: 10.1109/TAP.2014.2360700
    [11] 代大海. 极化雷达成像及目标特征提取研究[D]. [博士论文], 国防科技大学, 2008.

    DAI Dahai. Study on polarimetric radar imaging and target feature extraction[D]. [Ph. D. dissertation], National University of Defense Technology, 2008.
    [12] LING Hao, CHOU R C, and LEE S W. Shooting and bouncing rays: Calculating the RCS of an arbitrarily shaped cavity[J]. IEEE Transactions on Antennas and Propagation, 1989, 37(2): 194–205. doi: 10.1109/8.18706
    [13] BHALLA R, LING Hao, MOORE J, et al. 3D scattering center representation of complex targets using the shooting and bouncing ray technique: A review[J]. IEEE Antennas and Propagation Magazine, 1998, 40(5): 30–39. doi: 10.1109/74.735963
    [14] BHALLA R, MOORE J, and LING Hao. A global scattering center representation of complex targets using the shooting and bouncing ray technique[J]. IEEE Transactions on Antennas and Propagation, 1997, 45(12): 1850–1856. doi: 10.1109/8.650204
    [15] BHALLA R and LING Hao. Three-dimensional scattering center extraction using the shooting and bouncing ray technique[J]. IEEE Transactions on Antennas and Propagation, 1996, 44(11): 1445–1453. doi: 10.1109/8.542068
    [16] JACKSON J A. Three-dimensional feature models for synthetic aperture radar and experiments in feature extraction[D]. [Ph. D. dissertation], The Ohio State University, 2009.
    [17] JACKSON J A, RIGLING B D, and MOSES R L. Canonical scattering feature models for 3D and bistatic SAR[J]. IEEE Transactions on Aerospace and Electronic Systems, 2010, 46(2): 525–541. doi: 10.1109/TAES.2010.5461639
    [18] JACKSON J A, RIGLING B D, and MOSES R L. Parametric scattering models for bistatic synthetic aperture radar[C]. 2008 IEEE Radar Conference, Rome, Italy, 2008: 1–5.
    [19] HURST M and MITTRA R. Scattering center analysis via Prony's method[J]. IEEE Transactions on Antennas and Propagation, 1987, 35(8): 986–988. doi: 10.1109/TAP.1987.1144210
    [20] SACCHINI J J, STEEDLY W M, and MOSES R L. Two-dimensional Prony modeling and parameter estimation[J]. IEEE Transactions on Signal Processing, 1993, 41(11): 3127–3137. doi: 10.1109/78.257242
    [21] POTTER L C, CHIANG D M, CARRIERE R, et al. A GTD-based parametric model for radar scattering[J]. IEEE Transactions on Antennas and Propagation, 1995, 43(10): 1058–1067. doi: 10.1109/8.467641
    [22] 闫华, 张磊, 陆金文, 等. 任意多次散射机理的GTD散射中心模型频率依赖因子表达[J]. 雷达学报, 2021, 10(3): 370–381. doi: 10.12000/JR21005

    YAN Hua, ZHANG Lei, LU Jinwen, et al. Frequency-dependent factor expression of the GTD scattering center model for the arbitrary multiple scattering mechanism[J]. Journal of Radars, 2021, 10(3): 370–381. doi: 10.12000/JR21005
    [23] GERRY M J, POTTER L C, GUPTA I J, et al. A parametric model for synthetic aperture radar measurements[J]. IEEE Transactions on Antennas and Propagation, 1999, 47(7): 1179–1188. doi: 10.1109/8.785750
    [24] 李增辉. 稀疏激励的极化逆散射理论研究[D]. [博士论文], 清华大学, 2015.

    LI Zenghui. Research on polarimetric inverse scattering through enforcing sparsity[D]. [Ph. D. dissertation], Tsinghua University, 2015.
    [25] STEEDLY W M and MOSES R L. High resolution exponential modeling of fully polarized radar returns[J]. IEEE Transactions on Aerospace and Electronic Systems, 1991, 27(3): 459–469. doi: 10.1109/7.81427
    [26] 代大海, 王雪松, 肖顺平, 等. 高分辨相干极化 GTD 散射模型及其应用[J]. 电波科学学报, 2008, 23(1): 55–61. doi: 10.3969/j.issn.1005-0388.2008.01.009

    DAI Dahai, WANG Xuesong, XIAO Shunping, et al. High-resolution coherent polarization GTD model and its application[J]. Chinese Journal Of Radio Science, 2008, 23(1): 55–61. doi: 10.3969/j.issn.1005-0388.2008.01.009
    [27] 段佳. SAR/ISAR目标电磁特征提取及应用研究[D]. [博士论文], 西安电子科技大学, 2015.

    DUAN Jia. Study on electro-magnetic feature extraction of SAR/ISAR and its applications[D]. [Ph. D. dissertation], Xidian University, 2015.
    [28] STEER D G, DEWDNEY P E, and ITO M R. Enhancements to the deconvolution algorithm 'CLEAN'[J]. Astronomy and Astrophysics, 1984, 137(2): 159–165.
    [29] CLARK B G. An efficient implementation of the algorithm 'CLEAN'[J]. Astronomy and Astrophysics, 1980, 89(3): 377–378.
    [30] GERRY M J. Two-Dimensional Inverse Scattering Based on the GTD Model[M]. The Ohio State University, 1997.
    [31] KOETS M A and MOSES R L. Image domain feature extraction from synthetic aperture imagery[C]. 1999 IEEE International Conference on Acoustics, Speech, and Signal Processing, Phoenix, USA, 1999: 2319–2322.
    [32] STACH J and LEBARON E. Enhanced image editing by peak region segmentation[C]. 18th Annual Meeting & Symposium of the Antenna Measurement Techniques Association, 1996: 303–307.
    [33] KOETS M A. Automated algorithms for extraction of physically relevant features from synthetic aperture radar imagery[D]. Ohio State University, 1998.
    [34] MOSES R L, POTTER L C, and GUPTA I J. Feature extraction using attributed scattering center models for model-based automatic target recognition (ATR)[R]. AFRL-SN-WP-TR-2006-1004, 2005.
    [35] AKYILDIZ Y and MOSES R L. Scattering center model for SAR imagery[C]. SAR Image Analysis, Modeling, and Techniques II, Florence, Italy, 1999: 76–85.
    [36] DING Baiyuan and WEN Gongjian. Target reconstruction based on 3-D scattering center model for robust SAR ATR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(7): 3772–3785. doi: 10.1109/TGRS.2018.2810181
    [37] DING Baiyuan, WEN Gongjian, HUANG Xiaohong, et al. Data augmentation by multilevel reconstruction using attributed scattering center for SAR target recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(6): 979–983. doi: 10.1109/LGRS.2017.2692386
    [38] 丁柏圆. 针对扩展操作条件的合成孔径雷达图像目标识别方法研究[D]. [博士论文], 国防科技大学, 2018.

    DING Baiyuan. Research on automatic target recognition of synthetic aperture radar images under extened operating conditions[D]. [Ph. D. dissertation], National University of Defense Technology, 2018.
    [39] JACKSON J A and MOSES R L. Synthetic aperture radar 3D feature extraction for arbitrary flight paths[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48(3): 2065–2084. doi: 10.1109/TAES.2012.6237579
    [40] AKYILDIZ Y. Feature extraction from synthetic aperture radar imagery[D]. [Ph. D. dissertation], The Ohio State University, 2000.
    [41] XU Feng, JIN Yaqiu, and MOREIRA A. A preliminary study on SAR advanced information retrieval and scene reconstruction[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(10): 1443–1447. doi: 10.1109/LGRS.2016.2590878
    [42] 段佳, 张磊, 盛佳恋, 等. 独立属性散射中心参数降耦合估计方法[J]. 电子与信息学报, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.2011.01302

    DUAN Jia, ZHANG Lei, SHENG Jialian, et al. Parameters decouple and estimation of independent attributed scattering centers[J]. Journal of Electronics &Information Technology, 2012, 34(8): 1853–1859. doi: 10.3724/SP.J.1146.2011.01302
    [43] 计科峰, 匡纲要, 粟毅, 等. 基于SAR图像的目标散射中心特征提取方法研究[J]. 国防科技大学学报, 2003, 25(1): 45–50. doi: 10.3969/j.issn.1001-2486.2003.01.010

    JI Kefeng, KUANG Gangyao, SU Yi, et al. Research on the extracting method of the scattering center feature from SAR imagery[J]. Journal of National University of Defense Technology, 2003, 25(1): 45–50. doi: 10.3969/j.issn.1001-2486.2003.01.010
    [44] 蒋文, 李王哲. 基于幅相分离的属性散射中心参数估计新方法[J]. 雷达学报, 2019, 8(5): 606–615. doi: 10.12000/JR18097

    JIANG Wen and LI Wangzhe. A new method for parameter estimation of attributed scattering centers based on amplitude-phase separation[J]. Journal of Radars, 2019, 8(5): 606–615. doi: 10.12000/JR18097
    [45] 谢意远, 高悦欣, 邢孟道, 等. 跨谱段SAR散射中心多维参数解耦和估计方法[J]. 电子与信息学报, 2021, 43(3): 632–639. doi: 10.11999/JEIT200319

    XIE Yiyuan, GAO Yuexin, XING Mengdao, et al. A Decoupling and dimension dividing multi-parameter estimation method for cross-band SAR scattering centers[J]. Journal of Electronics &Information Technology, 2021, 43(3): 632–639. doi: 10.11999/JEIT200319
    [46] YANG Dongwen, NI Wei, DU Lan, et al. Efficient attributed scatter center extraction based on image-domain sparse representation[J]. IEEE Transactions on Signal Processing, 2020, 68: 4368–4381. doi: 10.1109/TSP.2020.3011332
    [47] XIE Yiyuan, XING Mengdao, GAO Yuexin, et al. Attributed scattering center extraction method for microwave photonic signals using DSM-PMM-regularized optimization[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5230016. doi: 10.1109/TGRS.2022.3183855
    [48] 周剑雄. 光学区雷达目标三维散射中心重构理论与技术[D]. [博士论文], 国防科学技术大学, 2006.

    ZHOU Jianxiong. Theory and technology on reconstructing 3D scattering centers of radar targets in optical region[D]. [Ph. D. dissertation], National University of Defense Technology, 2006.
    [49] 石志广, 周剑雄, 赵宏钟, 等. 基于协同粒子群优化的GTD模型参数估计方法[J]. 电子学报, 2007, 35(6): 1102–1107. doi: 10.3321/j.issn:0372-2112.2007.06.020

    SHI Zhiguang, ZHOU Jianxiong, ZHAO Hongzhong, et al. A GTD scattering center model parameter estimation method based on CPSO[J]. Acta Electronica Sinica, 2007, 35(6): 1102–1107. doi: 10.3321/j.issn:0372-2112.2007.06.020
    [50] 孙真真, 陈曾平, 庄钊文, 等. 一种高频区复杂雷达目标二维散射的参数模型[J]. 国防科技大学学报, 2001, 23(4): 113–119. doi: 10.3969/j.issn.1001-2486.2001.04.025

    SUN Zhenzhen, CHEN Zengping, ZHUANG Zhaowen, et al. A parametric model for high frequency complex 2-D radar scattering[J]. Journal of National University of Defense Technology, 2001, 23(4): 113–119. doi: 10.3969/j.issn.1001-2486.2001.04.025
    [51] 段佳, 张磊, 邢孟道, 等. 合成孔径雷达目标特征提取新方法[J]. 西安电子科技大学学报:自然科学版, 2014, 41(4): 13–19. doi: 10.3969/j.issn.1001-2400.2014.04.003

    DUAN Jia, ZHANG Lei, XING Mengdao, et al. Novel feature extraction method for synthetic aperture radar targets[J]. Journal of Xidian University, 2014, 41(4): 13–19. doi: 10.3969/j.issn.1001-2400.2014.04.003
    [52] 占荣辉, 胡杰民, 张军. 基于压缩感知的二维GTD模型参数估计方法[J]. 电子与信息学报, 2013, 35(2): 419–425. doi: 10.3724/SP.J.1146.2012.00780

    ZHAN Ronghui, HU Jiemin, and ZHANG Jun. A novel method for parametric estimation of 2D geometrical theory of diffraction model based on compressed sensing[J]. Journal of Electronics &Information Technology, 2013, 35(2): 419–425. doi: 10.3724/SP.J.1146.2012.00780
    [53] HAMMOND G B and JACKSON J A. SAR canonical feature extraction using molecule dictionaries[C]. 2013 IEEE Radar Conference (RadarCon13), Ottawa, Canada, 2013: 1–6.
    [54] WU Min, XING Mengdao, ZHANG Lei, et al. Super-resolution imaging algorithm based on attributed scattering center model[C]. 2014 IEEE China Summit & International Conference on Signal and Information Processing (ChinaSIP), Xi'an, China, 2014: 271–275.
    [55] LIU Hongwei, JIU Bo, LI Fei, et al. Attributed scattering center extraction algorithm based on sparse representation with dictionary refinement[J]. IEEE Transactions on Antennas and Propagation, 2017, 65(5): 2604–2614. doi: 10.1109/TAP.2017.2673764
    [56] 李飞. 雷达图像目标特征提取方法研究[D]. [博士论文], 西安电子科技大学, 2014.

    LI Fei. Study on target feature extraction based on radar image[D]. [Ph. D. dissertation], Xidian University, 2014.
    [57] 李飞, 纠博, 刘宏伟, 等. 基于稀疏表示的SAR图像属性散射中心参数估计算法[J]. 电子与信息学报, 2014, 36(4): 931–937. doi: 10.3724/SP.J.1146.2013.00576

    LI Fei, JIU Bo, LIU Hongwei, et al. Sparse representation based algorithm for estimation of attributed scattering center parameter on SAR imagery[J]. Journal of Electronics &Information Technology, 2014, 36(4): 931–937. doi: 10.3724/SP.J.1146.2013.00576
    [58] CONG Yulai, CHEN Bo, LIU Hongwei, et al. Nonparametric bayesian attributed scattering center extraction for synthetic aperture radar targets[J]. IEEE Transactions on Signal Processing, 2016, 64(18): 4723–4736. doi: 10.1109/TSP.2016.2569463
    [59] 丛玉来. 基于深层贝叶斯生成网络的层次特征学习[D]. [博士论文], 西安电子科技大学, 2017.

    CONG Yulai. Hierarchical feature learning based on deep bayesian generative networks[D]. [Ph. D. dissertation], Xidian University, 2017.
    [60] LI Zenghui, JIN Kan, XU Bin, et al. An improved attributed scattering model optimized by incremental sparse Bayesian learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(5): 2973–2987. doi: 10.1109/TGRS.2015.2509539
    [61] KIM K T and KIM H T. Two-dimensional scattering center extraction based on multiple elastic modules network[J]. IEEE Transactions on Antennas and Propagation, 2003, 51(4): 848–861. doi: 10.1109/TAP.2003.811107
    [62] 吕玉增, 曹敏, 贾宇平, 等. 基于遗传算法的二维散射中心提取研究[J]. 现代雷达, 2006, 28(11): 64–68. doi: 10.3969/j.issn.1004-7859.2006.11.019

    LV Yuzeng, CAO Min, JIA Yuping, et al. 2-D scattering center extraction technique based on genetic algorithm[J]. Modern Radar, 2006, 28(11): 64–68. doi: 10.3969/j.issn.1004-7859.2006.11.019
    [63] JING Maoqiang and ZHANG Guo. Attributed scattering center extraction with genetic algorithm[J]. IEEE Transactions on Antennas and Propagation, 2021, 69(5): 2810–2819. doi: 10.1109/TAP.2020.3027630
    [64] FENG Sijia, JI Kefeng, WANG Fulai, et al. Electromagnetic scattering feature (ESF) module embedded network based on ASC model for robust and interpretable SAR ATR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5235415. doi: 10.1109/TGRS.2022.3208333
    [65] 张磊, 何思远, 朱国强, 等. 雷达目标三维散射中心位置正向推导和分析[J]. 电子与信息学报, 2018, 40(12): 2854–2860. doi: 10.11999/JEIT180115

    ZHANG Lei, HE Siyuan, ZHU Guoqiang, et al. Forward derivation and analysis for 3-D scattering center position of radar target[J]. Journal of Electronics &Information Technology, 2018, 40(12): 2854–2860. doi: 10.11999/JEIT180115
    [66] HU Jiemin, WANG Wei, ZHAI Qinglin, et al. Global scattering center extraction for radar targets using a modified RANSAC method[J]. IEEE Transactions on Antennas and Propagation, 2016, 64(8): 3573–3586. doi: 10.1109/TAP.2016.2574880
    [67] 刘晓明, 文贡坚, 钟金荣. 基于SAR数据的三维散射中心模型位置重构方法[J]. 雷达学报, 2013, 2(2): 187–194. doi: 10.3724/SP.J.1300.2013.20080

    LIU Xiaoming, WEN Gongjian, and ZHONG Jinrong. Methods for parametrically reconstructing position of 3D scattering center model of targets from SAR images[J]. Journal of Radars, 2013, 2(2): 187–194. doi: 10.3724/SP.J.1300.2013.20080
    [68] MA Conghui, WEN Gongjian, DING Boyuan, et al. Three-dimensional electromagnetic model–based scattering center matching method for synthetic aperture radar automatic target recognition by combining spatial and attributed information[J]. Journal of Applied Remote Sensing, 2016, 10(1): 016025. doi: 10.1117/1.JRS.10.016025
    [69] 马聪慧. 基于三维电磁散射部件模型的SAR目标识别方法研究[D]. [博士论文], 国防科技大学, 2017.

    MA Conghui. Research on SAR target recognition with three dimensional electromagnetic part model[D]. [Ph. D. dissertation], National University of Defense Technology, 2017.
    [70] 代大海, 王雪松, 肖顺平, 等. 全极化散射中心提取与参数估计: P-MUSIC方法[J]. 信号处理, 2007, 23(6): 818–822. doi: 10.3969/j.issn.1003-0530.2007.06.005

    DAI Dahai, WANG Xuesong, XIAO Shunping, et al. Fully polarized scattering center extraction and parameter estimation: P-MUSIC algorithm[J]. Signal Processing, 2007, 23(6): 818–822. doi: 10.3969/j.issn.1003-0530.2007.06.005
    [71] DAI Dahai, WANG Xuesong, CHANG Yuliang, et al. Fully-polarized scattering center extraction and parameter estimation: P-SPRIT algorithm[C]. 2006 CIE International Conference on Radar, Shanghai, China, 2006: 1–4.
    [72] 代大海, 王雪松, 肖顺平. 基于相干极化GTD模型的散射中心提取新方法[J]. 系统工程与电子技术, 2007, 29(7): 1057–1061. doi: 10.3321/j.issn:1001-506X.2007.07.010

    DAI Dahai, WANG Xuesong, and XIAO Shunping. Novel method for scattering center extraction based on coherent polarization GTD model[J]. Systems Engineering and Electronics, 2007, 29(7): 1057–1061. doi: 10.3321/j.issn:1001-506X.2007.07.010
    [73] DAI Dahai, ZHANG Jingke, WANG Xuesong, et al. Superresolution polarimetric ISAR imaging based on 2D CP-GTD model[J]. Journal of Sensors, 2015, 2015: 293141. doi: 10.1155/2015/293141
    [74] 安文韬. 基于极化SAR的目标极化分解与散射特征提取研究[D]. [博士论文], 清华大学, 2010.

    AN Wentao. The polarimetric decomposition and scattering characteristic extraction of polarimetric SAR[D]. [Ph. D. dissertation], Tsinghua University, 2010.
    [75] CLOUDE S R and POTTIER E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498–518. doi: 10.1109/36.485127
    [76] KROGAGER E. New decomposition of the radar target scattering matrix[J]. Electronics Letters, 1990, 26(18): 1525–1527. doi: 10.1049/el:19900979
    [77] CAMERON W L and LEUNG L K. Feature motivated polarization scattering matrix decomposition[C]. IEEE International Conference on Radar, Arlington, USA, 1990: 549-557.
    [78] 徐丰. 全极化合成孔径雷达的正向与逆向遥感理论[D]. [博士论文], 复旦大学, 2007.

    XU Feng. Direct and inverse remote sensing theories of polarimetric synthetic aperture radar[D]. [Ph. D. dissertation], Fudan University, 2007.
    [79] FULLER D F and SAVILLE M A. A high-frequency multipeak model for wide-angle SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(7): 4279–4291. doi: 10.1109/TGRS.2012.2226732
    [80] DUAN Jia, ZHANG Lei, XING Mengdao, et al. Polarimetric target decomposition based on attributed scattering center model for synthetic aperture radar targets[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(12): 2095–2099. doi: 10.1109/LGRS.2014.2320053
    [81] 高悦欣. ISAR高分辨成像与目标参数估计算法研究[D]. [博士论文], 西安电子科技大学, 2018.

    GAO Yuexin. Study of ISAR high resolution imaging and target parameter estimation algorithms[D]. [Ph. D. dissertation], Xidian University, 2018.
    [82] XU Feng, LI Yongchen, and JIN Yaqiu. Polarimetric–anisotropic decomposition and anisotropic entropies of high-resolution SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(9): 5467–5482. doi: 10.1109/TGRS.2016.2565693
    [83] 高悦欣, 李震宇, 盛佳恋, 等. 一种大转角SAR图像散射中心各向异性提取方法[J]. 电子与信息学报, 2016, 38(8): 1956–1961. doi: 10.11999/JEIT151261

    GAO Yuexin, LI Zhenyu, SHENG Jialian, et al. Extraction method for anisotropy characteristic of scattering center in wide-angle SAR imagery[J]. Journal of Electronics &Information Technology, 2016, 38(8): 1956–1961. doi: 10.11999/JEIT151261
    [84] 盛佳恋. ISAR高分辨成像和参数估计算法研究[D]. [博士论文], 西安电子科技大学, 2016.

    SHENG Jialian. Study on ISAR high resolution imaging and parameter estimation techniques[D]. [Ph. D. dissertation], Xidian University, 2016.
    [85] CARRARA W G, GOODMAN R S, and MAJEWSKI R M. Spotlight Synthetic Aperture Radar: Signal Processing Algorithms[M]. Boston: Artech House, 1995.
    [86] ÇETIN M, STOJANOVIĆ I, ÖNHON N Ö, et al. Sparsity-driven synthetic aperture radar imaging: Reconstruction, autofocusing, moving targets, and compressed sensing[J]. IEEE Signal Processing Magazine, 2014, 31(4): 27–40. doi: 10.1109/MSP.2014.2312834
    [87] VARSHNEY K R, ÇETIN M, FISHER III J W, et al. Joint image formation and anisotropy characterization in wide-angle SAR[C]. Algorithms for Synthetic Aperture Radar Imagery XIII, Orlando, USA, 2006: 95–106.
    [88] VARSHNEY K R, ÇETIN M, FISHER J W, et al. Sparse representation in structured dictionaries with application to synthetic aperture radar[J]. IEEE Transactions on Signal Processing, 2008, 56(8): 3548–3561. doi: 10.1109/TSP.2008.919392
    [89] ASH J, ERTIN E, POTTER L C, et al. Wide-angle synthetic aperture radar imaging: Models and algorithms for anisotropic scattering[J]. IEEE Signal Processing Magazine, 2014, 31(4): 16–26. doi: 10.1109/MSP.2014.2311828
    [90] MOSES R L and ASH J N. An autoregressive formulation for SAR backprojection imaging[J]. IEEE Transactions on Aerospace and Electronic Systems, 2011, 47(4): 2860–2873. doi: 10.1109/TAES.2011.6034669
    [91] TRINTINALIA L C, BHALLA R, and LING Hao. Scattering center parameterization of wide-angle backscattered data using adaptive Gaussian representation[J]. IEEE Transactions on Antennas and Propagation, 1997, 45(11): 1664–1668. doi: 10.1109/8.650078
    [92] STOJANOVIC I, CETIN M, and KARL W C. Joint space aspect reconstruction of wide-angle SAR exploiting sparsity[C]. Algorithms for Synthetic Aperture Radar Imagery XV, Orlando, USA, 2008: 37–48.
    [93] ZINIEL J and SCHNITER P. Dynamic compressive sensing of time-varying signals via approximate message passing[J]. IEEE Transactions on Signal Processing, 2013, 61(21): 5270–5284. doi: 10.1109/TSP.2013.2273196
    [94] JIANG Wen, LIU Jianwei, YANG Jiyao, et al. A novel multiband fusion method based on a modified RELAX algorithm for high-resolution and anti-non-gaussian colored clutter microwave imaging[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 5105312. doi: 10.1109/TGRS.2021.3109724
    [95] 吴敏. 逆合成孔径雷达提高分辨率成像方法研究[D]. [博士论文], 西安电子科技大学, 2016.

    WU Min. Study on high resolution ISAR imaging techniques[D]. [Ph. D. dissertation], Xidian University, 2016.
    [96] 吴敏, 张磊, 段佳, 等. 基于属性散射中心模型的SAR超分辨成像算法[J]. 宇航学报, 2014, 35(9): 1058–1064. doi: 10.3873/j.issn.1000-1328.2014.09.011

    WU Min, ZHANG Lei, DUAN Jia, et al. Super-resolution SAR imaging algorithm based on attribute scattering center model[J]. Journal of Astronautics, 2014, 35(9): 1058–1064. doi: 10.3873/j.issn.1000-1328.2014.09.011
    [97] HUANG Lanqing, LIU Bin, LI Boying, et al. OpenSARShip: A dataset dedicated to Sentinel-1 ship interpretation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(1): 195–208. doi: 10.1109/JSTARS.2017.2755672
    [98] 计科峰, 匡纲要, 粟毅, 等. SAR图像目标峰值特征提取与方位角估计方法研究[J]. 宇航学报, 2004, 25(1): 102–108,113. doi: 10.3321/j.issn:1000-1328.2004.01.018

    JI Kefeng, KUANG Gangyao, SU Yi, et al. Methods of target’s peak extraction and azimuth estimation from SAR imagery[J]. Journal of Astronautics, 2004, 25(1): 102–108,113. doi: 10.3321/j.issn:1000-1328.2004.01.018
    [99] 张翠, 郦苏丹, 邹涛, 等. 一种应用峰值特征匹配的SAR图象自动目标识别方法[J]. 中国图象图形学报, 2002, 7(7): 729–734. doi: 10.3969/j.issn.1006-8961.2002.07.020

    ZHANG Cui, LI Sudan, ZOU Tao, et al. An automatic target recognition method in SAR imagery using peak feature matching[J]. Journal of Image and Graphics, 2002, 7(7): 729–734. doi: 10.3969/j.issn.1006-8961.2002.07.020
    [100] CHIANG H C, MOSES R L, and POTTER L C. Model-based classification of radar images[J]. IEEE Transactions on Information Theory, 2000, 46(5): 1842–1854. doi: 10.1109/18.857795
    [101] DUNGAN K E and POTTER L C. Classifying transformation-variant attributed point patterns[J]. Pattern Recognition, 2010, 43(11): 3805–3816. doi: 10.1016/j.patcog.2010.05.033
    [102] LI Tingli and DU Lan. Target discrimination for SAR ATR based on scattering center feature and K-center one-class classification[J]. IEEE Sensors Journal, 2018, 18(6): 2453–2461. doi: 10.1109/JSEN.2018.2791947
    [103] LIN Yuesong, ZHANG Le, XUE Anke, et al. SAR imagery scattering center extraction and target recognition based on scattering center model[C]. 2006 6th World Congress on Intelligent Control and Automation, Dalian, China, 2006: 9631–9636.
    [104] 文贡坚, 马聪慧, 丁柏圆, 等. 基于部件级三维参数化电磁模型的SAR目标物理可解释识别方法[J]. 雷达学报, 2020, 9(4): 608–621. doi: 10.12000/JR20099

    WEN Gongjian, MA Conghui, DING Baiyuan, et al. SAR target physics interpretable recognition method based on three dimensional parametric electromagnetic part model[J]. Journal of Radars, 2020, 9(4): 608–621. doi: 10.12000/JR20099
    [105] 丁柏圆, 文贡坚, 余连生, 等. 属性散射中心匹配及其在SAR目标识别中的应用[J]. 雷达学报, 2017, 6(2): 157–166. doi: 10.12000/JR16104

    DING Baiyuan, WEN Gongjian, YU Liansheng, et al. Matching of attributed scattering center and its application to synthetic aperture radar automatic target recognition[J]. Journal of Radars, 2017, 6(2): 157–166. doi: 10.12000/JR16104
    [106] DING Baiyuan, WEN Gongjian, MA Conghui, et al. Decision fusion based on physically relevant features for SAR ATR[J]. IET Radar, Sonar & Navigation, 2017, 11(4): 682–690. doi: 10.1049/iet-rsn.2016.0357
    [107] DING Baiyuan, WEN Gongjian, HUANG Xiaohong, et al. Target recognition in synthetic aperture radar images via matching of attributed scattering centers[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(7): 3334–3347. doi: 10.1109/JSTARS.2017.2671919
    [108] CHIANG H C, MOSES R L, and POTTER L C. Model-based Bayesian feature matching with application to synthetic aperture radar target recognition[J]. Pattern Recognition, 2001, 34(8): 1539–1553. doi: 10.1016/S0031-3203(00)00089-3
    [109] ZHANG Lamei, SUN Liangjie, ZOU Bin, et al. Fully polarimetric SAR image classification via sparse representation and polarimetric features[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(8): 3923–3932. doi: 10.1109/JSTARS.2014.2359459
    [110] CHEN Sizhe, WANG Haipeng, XU Feng, et al. Target classification using the deep convolutional networks for SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4806–4817. doi: 10.1109/TGRS.2016.2551720
    [111] DING Baiyuan, WEN Gongjian, MA Conghui, et al. An efficient and robust framework for SAR target recognition by hierarchically fusing global and local features[J]. IEEE Transactions on Image Processing, 2018, 27(12): 5983–5995. doi: 10.1109/TIP.2018.2863046
    [112] LI Tingli and DU Lan. SAR automatic target recognition based on attribute scattering center model and discriminative dictionary learning[J]. IEEE Sensors Journal, 2019, 19(12): 4598–4611. doi: 10.1109/JSEN.2019.2901050
    [113] LI Yi, DU Lan, and WEI Di. Multiscale CNN based on component analysis for SAR ATR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5211212. doi: 10.1109/TGRS.2021.3100137
    [114] ZHANG Jinsong, XING Mengdao, SUN Guangcai, et al. Integrating the reconstructed scattering center feature maps with deep CNN feature maps for automatic SAR target recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4009605. doi: 10.1109/LGRS.2021.3054747
    [115] ZHANG Jinsong, XING Mengdao, and XIE Yiyuan. FEC: A feature fusion framework for SAR target recognition based on electromagnetic scattering features and deep CNN features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(3): 2174–2187. doi: 10.1109/TGRS.2020.3003264
    [116] LIU Jiaming, XING Mengdao, YU Hanwen, et al. EFTL: Complex convolutional networks with electromagnetic feature transfer learning for sar target recognition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5209811. doi: 10.1109/TGRS.2021.3083261
    [117] YANG Lichao, XING Mengdao, ZHANG Lei, et al. Integration of rotation estimation and high-order compensation for ultrahigh-resolution microwave photonic ISAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(3): 2095–2115. doi: 10.1109/TGRS.2020.2994337
    [118] DENG Yuhui, XING Mengdao, SUN Guangcai, et al. A processing framework for airborne microwave photonic SAR with resolution up to 0.03 m: motion estimation and compensation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022.
  • 期刊类型引用(7)

    1. 刘鹏,谢春华,安文韬,崔艳荣,李良伟. 卷积神经网络在SAR遥感海岛海岸带地物信息提取中的应用综述. 海洋开发与管理. 2021(08): 3-10 . 百度学术
    2. 周彬,金琦. 基于高分三号卫星影像的水体信息提取技术研究. 测绘与空间地理信息. 2021(11): 137-141 . 百度学术
    3. 秦先祥,余旺盛,王鹏,陈天平,邹焕新. 基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法. 雷达学报. 2020(03): 525-538 . 本站查看
    4. 李珞茹,徐新,董浩,桂容,谢欣芳. SAR影像极化特征的混合高斯模型与分类. 光学学报. 2019(01): 458-467 . 百度学术
    5. 蒋莎,仇晓兰,韩冰,胡文龙,卢晓军. 一种基于普通分布目标的极化SAR幅相不平衡快速评价方法. 中国科学院大学学报. 2019(02): 280-288 . 百度学术
    6. Ting-ting JIN,Xiao-qiang SHE,Xiao-lan QIU,Bin LEI. Intertidal area classification with generalized extreme value distribution and Markov random field in quad-polarimetric synthetic aperture radar imagery. Frontiers of Information Technology & Electronic Engineering. 2019(02): 253-264 . 必应学术
    7. 徐梦竹,徐佳,邓鸿儒,袁春琦. 基于全极化SAR影像的海岛地物分类. 遥感技术与应用. 2019(03): 647-654 . 百度学术

    其他类型引用(2)

  • 加载中
图(12) / 表(5)
计量
  • 文章访问数: 2465
  • HTML全文浏览量: 2482
  • PDF下载量: 719
  • 被引次数: 9
出版历程
  • 收稿日期:  2022-11-30
  • 修回日期:  2022-12-22
  • 网络出版日期:  2022-12-27
  • 刊出日期:  2022-12-28

目录

/

返回文章
返回