基于超像素与LightGBM的极化SAR图像地物分类

极化合成孔径雷达(SAR)图像的相干斑噪声降低了地物分类的准确率;联合极化SAR图像众多特征分类,过大的输入特征维度导致分类耗时长。为解决上述问题,提出一种基于超像素与LightGBM的分类算法。该算法充分利用极化SAR图像的极化特征与纹理特征,具备较强的分类能力;采用LightGBM处理大维度输入特征,能够快速得到基于像素的初级分类结果;利用SLIC生成基于超像素的极化SAR图像,并在各超像素内逐像素投票得到基于超像素的二级分类结果,抑制了相干斑的影响。利用实测极化SAR数据进行实验,分类的总体准确率超过97%,且分类耗时短。     

一种新的多极化SAR图像滤波方法

为了保持多极化SAR图像的极化特性,协方差矩阵中的每一个元素都必须在相同的局部同质区内进行独立的滤波处理.大多数滤波方法都采用了固定大小的滑动窗技术,导致其同质区域的大小不能自适应于局部纹理的变化,因此,很难解决保留结构特征和平滑斑点噪声这对矛盾.要解决该问题,可采用大小可变的滑动窗来搜索局部的最大同质区,最大同质区的大小能自适应局部纹理的变化.实验结果表明,该方法能有效地保持图像的空间结构特征和极化特性,同时也能获得较好的斑点噪声抑制效果.     

基于多角度合成SAR图像的目标识别性能分析

合成孔径雷达（synthetic aperture radar,SAR）在合成孔径累积时间内仅在小范围方位角获取目标的后向散射特性,导致SAR图像对观测方位向的变化极其敏感。通过图像非相干合成方法将不同方位向上的多幅同目标SAR图像合成单幅特征更明显的SAR图像,通过二维主成分分析方法提取特征和k-近邻分类方法实现目标识别。在两组不同数据集上对识别性能进行分析。实验结果表明,多角度SAR的识别率比单一角度更高。多角度SAR对观测平台俯视角的变化具有较强的鲁棒性。     

一种适用于双天线InSAR系统的成像定位算法

针对机载双天线InSAR系统实用化测图问题,提出一种将目标定位至数据获取几何的成像算法.该算法可以高效结合自配准处理.相对于将目标定位至零多普勒几何的传统算法,该算法优势在于减少了后续干涉处理过程三维定位的计算量,且成像算法效率与传统算法一致.该算法尤其适用于实用化机载双天线InSAR系统.     

一种用于机载双天线InSAR系统的实时DEM生成方法及实现

为满足实时地形测绘需求,从算法本质上解决运算量太大的问题,提出基于机载双天线InSAR系统的实时DEM生成算法.采用非线性ECS自配准成像算法,获取高精度配准的双通道SAR图像,省略了后续非常耗时的配准过程.对获取的双通道SAR图像,进行快速干涉滤波产生高质量干涉条纹,进而对该条纹采用基于密集残差点划分的快速相位展开算法,获得无缠绕干涉相位.对于传统非常耗时的参数定标问题,采用基于外部粗精度DEM数据的初始相位偏置实时估计算法,并结合在定标场获取的基线长度、基线倾角和绝对延迟时间等参数进行反演,实时获取DEM.通过算法实时性分析,给出硬件实现方案.实际InSAR数据处理结果验证了本算法的有效性.     

一种基于CLEAN的SAR图像旁瓣抑制方法

把通常用于图像处理的CLEAN算法引入到SAR成像处理中,提出一种基于CLEAN 的SAR图像旁瓣抑制方法.分析算法流程,比较点目标仿真结果和RADARSAT-1海洋稀疏目标场景成像结果,表明该方法在保证成像分辨率的同时,能够有效地抑制合成孔径雷达图像的旁瓣.     

一种干涉条纹快速滤波算法

提出了一种快速干涉滤波算法,解决了传统干涉滤波方法速度较慢的问题.首先对2天线的单视复图像共轭相乘产生干涉复数据,进而对该数据进行方位向多视处理,并对实部和虚部分别快速均值滤波产生干涉条纹,最后对干涉条纹进行快速准中值和均值滤波.在滤波过程中,充分利用了相邻像素滤波时的窗口信息来最大程度减少运算量进而提高滤波速度,保证了滤波质量.通过对实测数据滤波结果的分析比较,证明了该算法的有效性.     

一种用修正各向异性扩散方程抑制SAR相干斑的算法

针对各向异性扩散方程抑制SAR图像相干斑时,需要进行多次迭代,很难用于实时处理的情况,提出一种改进算法.该算法根据图像变差系数,自适应调整中心像素与各方向扩散系数的权重,从而在均匀区域加速扩散过程,在非均匀区域保留原各向异性扩散方程的性能.利用机载SAR图像对算法性能进行验证,结果表明,算法仅需较少的迭代次数,就可以获得与常规各向异性扩散方程相干斑抑制相同的性能.     

一种基于曲波域的SAR图像特征增强新方法

Starck等人的图像增强方法不能有效增强SAR图像中的边缘特征.为此,提出一种curvelet域SAR图像特征增强新方法.该方法充分利用curvelet变换多尺度多方向特性及其良好的各向异性特点,在curvelet域内提取图像的边缘特征,并定位特征curvelet系数.通过增强特征curvelet系数,达到增强图像边缘特征的目的.实验结果表明,与Starck等人的方法相比,本文算法能够更加有效性地增强SAR图像的边缘特征.