2019年  8卷  第4期

SAR图像智能解译专题
摘要:
该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。 该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。
摘要:
针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题,该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索,目前研究表明,其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离,因此能够更好地挖掘数据点之间内在的相似度信息。首先,将极化SAR图像进行分割,生成许多超像素;其次,基于超像素提取7种特征并生成一个特征向量,进而利用高斯核构建相似度矩阵;再次,基于已构建的相似度矩阵,利用张量积扩散沿着数据点的内在流形结构进行相似度的传播,实现全局的相似性度量,从而获得一个具有更强判别能力的相似度矩阵;最后,基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验,并与4种经典算法进行对比,结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。 针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题,该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索,目前研究表明,其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离,因此能够更好地挖掘数据点之间内在的相似度信息。首先,将极化SAR图像进行分割,生成许多超像素;其次,基于超像素提取7种特征并生成一个特征向量,进而利用高斯核构建相似度矩阵;再次,基于已构建的相似度矩阵,利用张量积扩散沿着数据点的内在流形结构进行相似度的传播,实现全局的相似性度量,从而获得一个具有更强判别能力的相似度矩阵;最后,基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验,并与4种经典算法进行对比,结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。
摘要:
考虑到极化合成孔径雷达(PolSAR)图像标注信息量低以及相干斑噪声难以消除的问题,该文从鲁棒统计学习的角度提出了一种基于Pin-SVM的极化SAR图像鲁棒分类方法,根据极化SAR图像的散射特性和地物的纹理特性,通过求解两类样本之间的最大分位数距离来确定分类超平面,在无需迭代的前提下得到更加鲁棒的分类结果。相比传统的基于最大间隔的极化SAR图像分类算法,该文所提算法一方面在对极化SAR图像提取到的特征中包含的噪声具有更好的鲁棒性,另一方面对于训练样本的抽样范围不敏感,即重采样具有更好的鲁棒性。利用EMISAR的Foulum地区极化SAR数据进行了算法验证,多种情况的对比实验的结果验证了该算法的有效性。 考虑到极化合成孔径雷达(PolSAR)图像标注信息量低以及相干斑噪声难以消除的问题,该文从鲁棒统计学习的角度提出了一种基于Pin-SVM的极化SAR图像鲁棒分类方法,根据极化SAR图像的散射特性和地物的纹理特性,通过求解两类样本之间的最大分位数距离来确定分类超平面,在无需迭代的前提下得到更加鲁棒的分类结果。相比传统的基于最大间隔的极化SAR图像分类算法,该文所提算法一方面在对极化SAR图像提取到的特征中包含的噪声具有更好的鲁棒性,另一方面对于训练样本的抽样范围不敏感,即重采样具有更好的鲁棒性。利用EMISAR的Foulum地区极化SAR数据进行了算法验证,多种情况的对比实验的结果验证了该算法的有效性。
摘要:
该文针对极化SAR图像分类中只有少量标记样本的问题,提出了一种基于邻域最小生成树的半监督极化SAR图像分类方法。该方法针对极化SAR图像以像素为分类对象的特点,结合自训练方法的思想,利用极化SAR图像像素点的空间信息,提出了基于邻域最小生成树辅助学习的样本选择策略,增加自训练过程中被选择无标记样本的可靠性,扩充标记样本数量,训练更好的分类器。最终用训练好的分类器对极化SAR图像进行测试。对3组真实的极化SAR图像进行测试,实验结果表明,该方法在只有少量标记样本的情况下能获得满意的分类结果,且分类正确率明显优于传统的分类算法。 该文针对极化SAR图像分类中只有少量标记样本的问题,提出了一种基于邻域最小生成树的半监督极化SAR图像分类方法。该方法针对极化SAR图像以像素为分类对象的特点,结合自训练方法的思想,利用极化SAR图像像素点的空间信息,提出了基于邻域最小生成树辅助学习的样本选择策略,增加自训练过程中被选择无标记样本的可靠性,扩充标记样本数量,训练更好的分类器。最终用训练好的分类器对极化SAR图像进行测试。对3组真实的极化SAR图像进行测试,实验结果表明,该方法在只有少量标记样本的情况下能获得满意的分类结果,且分类正确率明显优于传统的分类算法。
摘要:
近年来,极化合成孔径雷达(PolSAR)图像地物分类得到了深入研究。传统的PolSAR图像地物分类方法采用的特征往往需要针对具体问题进行设计,特征表征性不强。因此,该文提出一种基于卷积神经网络(CNN)和条件随机场(CRF)模型的PolSAR图像地物分类方法。利用预训练好的实现图像分类任务的卷积神经网络模型(VGG-Net-16)提取表征能力更强的图像特征,再通过CRF模型对多特征及上下文信息的有效利用来实现图像的地物分类。实验结果表明,与3种利用传统经典特征的方法相比,该方法能够提取更有效的特征,取得了更高的总体分类精度和Kappa系数。 近年来,极化合成孔径雷达(PolSAR)图像地物分类得到了深入研究。传统的PolSAR图像地物分类方法采用的特征往往需要针对具体问题进行设计,特征表征性不强。因此,该文提出一种基于卷积神经网络(CNN)和条件随机场(CRF)模型的PolSAR图像地物分类方法。利用预训练好的实现图像分类任务的卷积神经网络模型(VGG-Net-16)提取表征能力更强的图像特征,再通过CRF模型对多特征及上下文信息的有效利用来实现图像的地物分类。实验结果表明,与3种利用传统经典特征的方法相比,该方法能够提取更有效的特征,取得了更高的总体分类精度和Kappa系数。
摘要:
在极化合成孔径雷达(PolSAR)地物分类研究中,基于实数CNN的分类算法无法充分利用PolSAR图像丰富的通道相位信息,并且在逐像素预测中存在大量冗余计算,导致分类效率较低。针对以上问题,该文采用一种复数域下的像素映射深度模型,实现低采样率下精确且高效的PolSAR地物分类。为充分使用PolSAR数据的通道相位信息,该文基于一种编组-交叉卷积网络(GC-CNN)将分类模型推广到复数域,并利用网络提取的复数特征及其对应的相位和幅度来实现更精确的分类;为加快分类速度,该文还采用了一种精调的膨胀编组-交叉卷积网络(FDGC-CNN)来实现像素到像素的直接映射,并进一步提升了分类精度。在基于AIRSAR平台的16类地物数据和E-SAR平台的4类地物数据的实验中,该文采用的FDGC-CNN模型相较于SVM分类器和实数CNN模型,能够更准确和更高效地实现多类别地物分类,全局分类精度分别为96.94%和90.07%、总耗时4.22 s和4.02 s。 在极化合成孔径雷达(PolSAR)地物分类研究中,基于实数CNN的分类算法无法充分利用PolSAR图像丰富的通道相位信息,并且在逐像素预测中存在大量冗余计算,导致分类效率较低。针对以上问题,该文采用一种复数域下的像素映射深度模型,实现低采样率下精确且高效的PolSAR地物分类。为充分使用PolSAR数据的通道相位信息,该文基于一种编组-交叉卷积网络(GC-CNN)将分类模型推广到复数域,并利用网络提取的复数特征及其对应的相位和幅度来实现更精确的分类;为加快分类速度,该文还采用了一种精调的膨胀编组-交叉卷积网络(FDGC-CNN)来实现像素到像素的直接映射,并进一步提升了分类精度。在基于AIRSAR平台的16类地物数据和E-SAR平台的4类地物数据的实验中,该文采用的FDGC-CNN模型相较于SVM分类器和实数CNN模型,能够更准确和更高效地实现多类别地物分类,全局分类精度分别为96.94%和90.07%、总耗时4.22 s和4.02 s。
论 文
摘要:
组网雷达系统(NRS)由于其稳健的性能优势,在近年来受到了广泛关注。目前,组网雷达系统在进行目标探测时常采用先检测后跟踪(DBT)算法,即在每个时刻先对接收到的回波数据进行单帧门限检测,得到疑似目标的点迹集合,然后上传这些点迹或由这些点迹跟踪得到的航迹估计到融合中心做进一步处理,最终得到全局估计结果。然而,当信噪比(SNR)比较低时,目标往往很难通过单帧门限检测,最终导致目标漏检、航迹起批难,无法有效发挥组网雷达系统优势。针对这一问题,该文提出了一种组网雷达多帧检测前跟踪(MF-TBD)算法。该方法首先在本地节点进行多帧检测前跟踪,然后传递检测得到的点迹序列到融合中心进行融合。该方法一方面利用了组网雷达系统平台优势;另一方面不同于常规先检测后跟踪技术,多帧检测前跟踪能够利用目标空时相关性积累目标能量,改善弱小目标检测性能;因此其可以有效提高系统对目标的检测性能。但是,多帧检测前跟踪输出结果和先检测后跟踪算法不同,导致现有融合方法不适用。针对这一问题,该文首先理论推导了点迹序列的融合方法,然后结合实际雷达模型给出了算法实现流程,最后提出了算法的粒子滤波实现方式并通过仿真实验验证了算法的性能。仿真结果证明该文提出的方法相比于先检测后跟踪算法,有4~6 dB的检测性能增益;相比于常规单传感器多帧检测前跟踪算法,航迹跟踪精度有50%左右的提升。 组网雷达系统(NRS)由于其稳健的性能优势,在近年来受到了广泛关注。目前,组网雷达系统在进行目标探测时常采用先检测后跟踪(DBT)算法,即在每个时刻先对接收到的回波数据进行单帧门限检测,得到疑似目标的点迹集合,然后上传这些点迹或由这些点迹跟踪得到的航迹估计到融合中心做进一步处理,最终得到全局估计结果。然而,当信噪比(SNR)比较低时,目标往往很难通过单帧门限检测,最终导致目标漏检、航迹起批难,无法有效发挥组网雷达系统优势。针对这一问题,该文提出了一种组网雷达多帧检测前跟踪(MF-TBD)算法。该方法首先在本地节点进行多帧检测前跟踪,然后传递检测得到的点迹序列到融合中心进行融合。该方法一方面利用了组网雷达系统平台优势;另一方面不同于常规先检测后跟踪技术,多帧检测前跟踪能够利用目标空时相关性积累目标能量,改善弱小目标检测性能;因此其可以有效提高系统对目标的检测性能。但是,多帧检测前跟踪输出结果和先检测后跟踪算法不同,导致现有融合方法不适用。针对这一问题,该文首先理论推导了点迹序列的融合方法,然后结合实际雷达模型给出了算法实现流程,最后提出了算法的粒子滤波实现方式并通过仿真实验验证了算法的性能。仿真结果证明该文提出的方法相比于先检测后跟踪算法,有4~6 dB的检测性能增益;相比于常规单传感器多帧检测前跟踪算法,航迹跟踪精度有50%左右的提升。
摘要:
对于集中式多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达,该文研究了高斯杂波背景下的目标检测问题。该文假设杂波的协方差矩阵是未知随机的,且服从逆复Wishart分布,基于贝叶斯方法和广义似然比检验准则设计了两种新型自适应检测器。该文提出的贝叶斯检测器具有两个显著的优点:(1)不需要训练数据;(2)杂波的先验知识体现在设计方案中,从而提高了检测性能。仿真结果显示该文提出的贝叶斯检测器的检测性能优于目前常用的非贝叶斯检测器,特别是在发射波形采样数较少时。另外,该贝叶斯检测器在参数失配条件下的性能会有一定程度下降。 对于集中式多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达,该文研究了高斯杂波背景下的目标检测问题。该文假设杂波的协方差矩阵是未知随机的,且服从逆复Wishart分布,基于贝叶斯方法和广义似然比检验准则设计了两种新型自适应检测器。该文提出的贝叶斯检测器具有两个显著的优点:(1)不需要训练数据;(2)杂波的先验知识体现在设计方案中,从而提高了检测性能。仿真结果显示该文提出的贝叶斯检测器的检测性能优于目前常用的非贝叶斯检测器,特别是在发射波形采样数较少时。另外,该贝叶斯检测器在参数失配条件下的性能会有一定程度下降。
摘要:
针对全极化、混合极化和单极化3种典型体制的极化分集雷达(PDR)系统,该文分析了目标极化散射特性对系统检测性能的影响。基于目标极化散射统计模型和雷达接收电压方程,分别推导了3种体制下的目标回波向量的统计特性。在高斯背景下,设计了奈曼-皮尔逊准则下的最优极化分集多通道融合检测算法,并推导了虚警概率和检测概率的闭式表达式。仿真结果表明,当系统信噪比(SNR)一定时,目标极化散射分量间的相关性是影响系统检测性能的主要因素,特别是匹配极化散射分量和交叉极化散射分量间的相关性。此外,全极化体制和单极化体制的检测性能比混合极化体制稳健。 针对全极化、混合极化和单极化3种典型体制的极化分集雷达(PDR)系统,该文分析了目标极化散射特性对系统检测性能的影响。基于目标极化散射统计模型和雷达接收电压方程,分别推导了3种体制下的目标回波向量的统计特性。在高斯背景下,设计了奈曼-皮尔逊准则下的最优极化分集多通道融合检测算法,并推导了虚警概率和检测概率的闭式表达式。仿真结果表明,当系统信噪比(SNR)一定时,目标极化散射分量间的相关性是影响系统检测性能的主要因素,特别是匹配极化散射分量和交叉极化散射分量间的相关性。此外,全极化体制和单极化体制的检测性能比混合极化体制稳健。
摘要:
探地雷达是一种被广泛使用的无损检测技术。利用探地雷达对分层媒质进行全波反演时,构建精确的探地雷达正演模型具有十分重要的意义。该文提出一种可用于准单站配置的步进频探地雷达的建模方法。在该模型中,探地雷达系统及其与分层媒质间的相互作用被表示成线性方程,天线对雷达信号的影响被表示为只与频率有关的传输函数。为验证模型准确性,该文在实验室条件下搭建了准单站配置的步进频探地雷达系统,并对已知厚度的石膏板和木板的雷达测量信号进行全波反演。反演结果表明:石膏板和木板的厚度估计误差均不超过0.3 mm,验证了所提出的正演模型具有高准确度。利用石膏板和木板搭建分层模型,该文进一步比较了准单站配置和单站配置步进频探地雷达系统对介电常数差异较小的分层媒质的反演性能。实验结果表明:准单站配置探地雷达能获得更精确的反演参数。通过对分界面反射信号的信噪比估计可知,准单站配置比单站配置探地雷达系统能获得高出约10 dB的信噪比,因此具有更好的反演性能。 探地雷达是一种被广泛使用的无损检测技术。利用探地雷达对分层媒质进行全波反演时,构建精确的探地雷达正演模型具有十分重要的意义。该文提出一种可用于准单站配置的步进频探地雷达的建模方法。在该模型中,探地雷达系统及其与分层媒质间的相互作用被表示成线性方程,天线对雷达信号的影响被表示为只与频率有关的传输函数。为验证模型准确性,该文在实验室条件下搭建了准单站配置的步进频探地雷达系统,并对已知厚度的石膏板和木板的雷达测量信号进行全波反演。反演结果表明:石膏板和木板的厚度估计误差均不超过0.3 mm,验证了所提出的正演模型具有高准确度。利用石膏板和木板搭建分层模型,该文进一步比较了准单站配置和单站配置步进频探地雷达系统对介电常数差异较小的分层媒质的反演性能。实验结果表明:准单站配置探地雷达能获得更精确的反演参数。通过对分界面反射信号的信噪比估计可知,准单站配置比单站配置探地雷达系统能获得高出约10 dB的信噪比,因此具有更好的反演性能。
摘要:
该文针对周期性变PRF采样高分辨率聚束模式合成孔径雷达(SAR)提出了一种改进的两步成像算法。变脉冲重复频率(PRF)设计可解决固定盲区等问题,是解决星载SAR高分宽幅矛盾的一种有效手段,但变PRF采样会引起频谱混叠和虚假目标等问题。该文从离散非均匀傅里叶变换原理出发,推导改进sinc插值核函数并建立了时域-时域的回波重建方法,将变PRF采样回波重构为均匀采样回波。此外将改进sinc插值与两步式成像算法结合,据此发展出针对非均匀采样回波的改进两步式聚束SAR成像算法,拓展了传统两步式成像算法的使用范围。仿真数据和实际数据处理结果验证了成像算法的有效性和精确性,并且改进sinc插值具备更高的计算效率。 该文针对周期性变PRF采样高分辨率聚束模式合成孔径雷达(SAR)提出了一种改进的两步成像算法。变脉冲重复频率(PRF)设计可解决固定盲区等问题,是解决星载SAR高分宽幅矛盾的一种有效手段,但变PRF采样会引起频谱混叠和虚假目标等问题。该文从离散非均匀傅里叶变换原理出发,推导改进sinc插值核函数并建立了时域-时域的回波重建方法,将变PRF采样回波重构为均匀采样回波。此外将改进sinc插值与两步式成像算法结合,据此发展出针对非均匀采样回波的改进两步式聚束SAR成像算法,拓展了传统两步式成像算法的使用范围。仿真数据和实际数据处理结果验证了成像算法的有效性和精确性,并且改进sinc插值具备更高的计算效率。