基于Poisson重建的极化SAR图像对比增强
基于深度空间特征学习的极化SAR图像分类
基于深度空间特征学习的极化SAR图像分类基于深度空间特征学习的极化SAR图像分类摘要：极化合成孔径雷达（PolSAR）技术是一种用于地球观测的重要工具，它可以提供丰富的地物信息。
然而，对于极化SAR图像的自动分类仍然面临许多挑战。
本文提出了一种基于深度空间特征学习的极化SAR图像分类方法。
首先，我们利用传统的极化特征提取方法获得极化SAR图像的纹理、反射特征。
然后，采用卷积神经网络（CNN）对提取的特征进行深度学习和空间特征学习，并使用支持向量机（SVM）进行分类。
实验结果表明，我们提出的方法在不同场景下，具有较高的分类准确性和鲁棒性。
1 引言极化SAR图像分类是遥感图像处理领域的重要研究方向。
随着合成孔径雷达（SAR）技术的发展，各种极化SAR图像处理算法也被提出。
然而，由于图像数据量大、噪声干扰、多个极化通道之间的冗余等因素，对极化SAR图像进行自动分类仍然是一个具有挑战性的任务。
2 相关工作针对极化SAR图像分类的问题，已经提出了很多方法。
传统的方法包括基于像元的方法、基于特征的方法和基于聚类的方法等。
这些方法在特定场合下取得了一定的分类效果，但是由于缺乏强大的特征学习和表征能力，不能很好地处理复杂的图像场景。
3 方法为了解决上述问题，本文提出了一种基于深度空间特征学习的极化SAR图像分类方法。
具体步骤如下：（1）极化特征提取：利用传统的极化特征提取方法，从极化SAR图像中提取纹理、反射特征。
（2）深度学习：采用卷积神经网络（CNN）对提取的特征进行深度学习。
CNN可以提取特征的空间关系和局部结构，具有较强的表征能力。
（3）空间特征学习：通过对训练集进行特征学习，学习不同类别之间的空间关系和分布特征。
（4）分类：利用支持向量机（SVM）对学习得到的特征进行分类。
SVM是一种常用的分类方法，具有较高的分类准确性和鲁棒性。
4 实验结果分析为了验证本文提出方法的有效性，我们在多个场景下进行了实验。
基于深度学习的极化SAR图像分类和变化检测
基于深度学习的极化SAR图像分类和变化检测基于深度学习的极化SAR图像分类和变化检测摘要：随着合成孔径雷达（SAR）技术的广泛应用，极化SAR图像在军事、环境监测、农业等领域具有重要价值。
然而，极化SAR图像的分类和变化检测在传统方法中面临诸多挑战。
本文提出基于深度学习的方法，通过利用卷积神经网络（CNN）和循环神经网络（RNN）的结合，实现了高效且准确的极化SAR图像分类和变化检测。
1. 引言合成孔径雷达（SAR）技术是一种通过记录回波信号并成像来获取地物信息的无源雷达技术。
它能够独立于天气和光照条件，适用于各种环境，因而在空间信息获取中具有广泛应用前景。
极化SAR技术则是对SAR信号进行极化处理，进一步提取地物散射信息，有助于实现更准确的地物分类和变化检测。
2. 极化SAR图像分类极化SAR图像分类是将图像中的像素点分到预先定义的不同类别中的任务。
传统的方法通常建立在手工设计的特征上，例如极化散射特性、纹理及统计特征。
然而，这些方法容易受到噪声和干扰的影响，且需要大量人工参与，限制了分类算法的性能和适用性。
基于深度学习的极化SAR图像分类方法则通过学习数据中的特征，能够自动提取和选择适用于分类的最佳特征。
2.1 卷积神经网络（CNN）卷积神经网络是一种专门设计用于处理具有网格结构数据（如图像和音频）的深度学习模型。
它能够通过多个卷积层和池化层，自动学习图像的局部特征和整体特征，从而实现图像的分类。
在极化SAR图像分类中，我们可以将极化SAR图像作为输入，构建卷积神经网络模型进行训练和分类。
2.2 循环神经网络（RNN）循环神经网络是一种能够处理序列数据的神经网络模型，它能够利用前一时刻的输出作为当前时刻的输入，从而实现对序列数据的建模和预测。
在极化SAR图像分类中，我们可以将极化SAR图像序列作为输入，通过循环神经网络模型学习序列的特征，实现序列的分类。
3. 极化SAR图像变化检测极化SAR图像变化检测是指对不同时间或不同观测条件下的极化SAR图像进行比较，找出图像间的变化。
基于稀疏约束与性能最优化的SAR图像目标增强方法
４ ０ ７ ，Ｃｈｎ １０３ ｉａ；２ Ｃ ｌ ｇ ｆＳ ｉｎ ｅ，Ｎａ ｉｎ ｌ ｎｖ ｒｉｙｏ ｆｎ ｅＴｅ ｈ ｏｏ ｙ，Ｃｈ ｎ ｓ ａ １ ０ ３ ． ｏ ｌ ｅｏ ｃｅ ｃ ｅ ｔｏ ａ ｉｅ ｓｔ ｆＤｅｅ ｓ ｃ ｎ ｌｇ Ｕ ａ ｇ ｈ ，４ ０ ７ ，Ｃｈｎ ） ｉａ
该模 型 的 有 效 性 ， 处理 后 图像 噪 声 得 到 抑 制 ， 经 目标 特 征 得 到 明显 增 强 ， 能 优 于传 统 正 则化 模 型 。 性
关 键 词 ： ＡＲ 图像 ； Ｓ 目标 增 强 ； 范数 ； 则化 ； 数 选择 正 参
中 图分 类号 ： Ｎ９ ７ Ｔ ５
文献标识码 ： Ａ
Ｔａ ｇ ｔＥｎｈ ｎ ｅ ｅ ｆ Ｓ ｒ ｅ ａ ｃ ｍ ｎｔ ｏ ＡＲ ｍ ａ ｅ Ｂａ ｅ ｎ Ｓｐ ｒ ｅ Ｃｏ ｓ ｒ ｉ ｎｄ Ｉ ｇ ｓ ｄ ｏ ａ ｓ ｎ ｔ ａ ｎｔａ
Ｐｅ ｆ ｒ ａ ｅ Ｏｐｔｍ ｉ ａ ｉ ｎ ｒ ｏ ｍ ｎｃ ｉ ｚ ｔｏ
维普资讯
第２卷第３ １ ３ ５ ２０ ０ ８年 ５月
数
据
采
集
与
处
理
Ｖｏ ． ３ Ｎｏ ３ １ ２ ．
Ｍ ａｙ ２０ ０８
Ｊ ｕ ｎ ｌ ｆＤａ ａＡｃ ｕｓｔｏ ＆ Ｐ ｏ ｅｓｎ ｏ ｒ ａ ｔ ｑ ｉｉ ｎ ｏ ｉ ｒ ｃ ｓｉ ｇ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｔｈ ｒ ｄ ｔｏ ａ ｅ ｕ ａ ｉａ ｉ ｎ ｍｏ ｅ ｄ ｆ ｄ ａ ｄ ａ ｎ ｗ ｙ ｅｏ ｄ ｌ ｏ ＡＲ ｍ— ｅｔ ａ ｉｉｎ ｌ ｇ ｌ ｒｚ ｔｏ ｄ ｌ ｓ ｍｏ ｉ ｅ ｎ ｅ ｔ ｐ ｆ ｒ ｉ ｉ ｍｏ ｅ ｒＳ ｆ ｉ
基于变分的SAR图像目标特征增强方法
引言
合 成孔 径 雷 达 （ｙｔｅｃＡ ｅｕｅＲ ｄｒＳ Ｒ） Ｓｎｈｔ ｐｒ ｒ ａａ，Ａ ｉ ｔ 是 种 高分 辨率微 波 成像 雷达 ， 泛 应 用 ｙｅｇ ｉ ｒｂ ｔ ｎ ｏ ｐ ｃ ｌ ｎ ｔ ｅ ａ ｌ ｕ ｅ ｉ ｇ ，ｔ ｅ ｖ ｒａｉｎ ｍｏ ｅ ｒｆａ ｕ ｅｅ ｈ ｃ ｍｅ ｔ ｃ ｔ ｓ ａ ｅ ｎ ｔｅ Ｒａ ｌｉｈ ｄ ｓ ｉｕ ｉ ｓ ｅ ｋ ｅ ｉ ｈ ｍｐｉ ｄ ｍａ ｅ ｈ ａｉｔ ｄ ｌ ｏ ｔ ｒ ｎ ａ ｅ ｎ ｅ ｔ ｏ ｆ ｔ ｏ ｆ ｅ ｎ ｗａ ｓａ ｌ ｈ ｄ ｂ ｏ ｉ ｉ ｇ ｔｅ Ｒ ｅｅ ｔｄ ｖ ｒ ｉｎ ａ ｄ ｔ ｅ ａ ｌ ｕ ｅ ｏ Ａ ｉ ｇ ｅ ｆｏ ｔ ｅ ＭＡＰ ｅ ｔ ｔｒ ｘ ｅ ｉ ｓｅ ｔ ｂｉ ｅ ｙ ｃ ｍｂ ｎ ｎ ＯＡ ｄ ｔｃｅ ｅ ｏ ｎ ｍｐｉ ｄ ｆＳ Ｒ ｍａ ｒ ｍ ｓ ｈ ｓ ｈ ｔ ｈ ｓｉ ｏ ．Ｅ ｐ ｒ ｍａ ・ ｍｅ ｔ ｏ ｈ ｅ ｌＳ ｍａ ｅ ｄ ｍｏ ｓｒ ｔｄ ｔ ａ ｈ ｒｐ ｓ ｄ ｍｅｈ ｄ Ｃ ｕ ｐ ｅ ｓ ｓ ｅ ｋｅ ｅ ｉ ｉｎ ｙ ｉ ｈ ｏ ｇ ｎ ｏ ｓ ｎｓ ｎ ｔ ｅ ｒａ ＡＲ ｉ ｇ ｅ ｎ ｔａｅ ｈ ｔｔ ｅ ｐ ｏ ｏ ｅ ｔｏ ａ ｓ ｐ ｒ ｓ ｐ ｃ ｌ ｆ ｅｅ ｄ ｎ ｔ ｅ ｈ ｍｏ ｅ ｅ ｕ ｎ ａ ｅ ｓ ａ ｄ ｐ ｅ ｅｖ ｒｅ ｅ ｎ ａ ｃ ｄ ｅ ｎ ｔ ｎ ａ ｇ ｔ ｎ ｔ ｅ ｉ ｇ ｅ ｒ ａ ｎ ｒｓ ｒ ｅ ｏ ｖ ｎ ｅ ｈ ｎ ｅ ｅ ｇ ｓａ ｄ ｓｒ ｇ ｔｒ ｅｓｉ ｈ ｍａ ． ｏ Ｋｅ ｒ ｓ：Ｓ ｍａ ｅ；ｆａｕ ｅ ｅ ｈ ｎ ｅ ｎ ；ｄ ｆ ｓｏ ｑ ａｉｎ；ｅ ｇ ｅｅ ｔ ｎ ｙ ｗｏ ｄ ＡＲ ｉ ｇ ｅ ｔ ｒ ｎ ａ ｃ ｍｅ ｔ ｉ ｕ ｉ ｎ ｅ ｕ ｔ ｏ ｄ ｅ ｄ ｔ ｃｉ ｏ
基于超复数FFT的极化SAR图像匹配方法
基于超复数FFT的极化SAR图像匹配方法马文婷;蔡疆;胡振;吴蔚;张桂林【期刊名称】《指挥信息系统与技术》【年(卷),期】2017(008)004【摘要】极化合成孔径雷达(SAR)图像匹配是修正惯性导航累积误差及提高导航精度的重要手段.针对已有方法在匹配时未充分利用极化信息的问题,提出了一种基于超复数快速傅里叶变换(FFT)的极化SAR图像多通道联合匹配方法.首先,提出了一种基于Pauli分解的极化SAR图像超复数形式,实现了单通道图像处理方法的间接升维;然后,对其进行偶对分解及FFT;最后,通过计算超复数相位相关,获取待匹配极化SAR图像的匹配位置.该方法将多通道极化SAR图像作为三维空间的3个矢量,在匹配时充分利用了极化信息.试验结果表明,即使在极化SAR图像间存在局部差异及包含乘性噪声情况下,该方法仍能获得精确的匹配结果.【总页数】6页(P53-58)【作者】马文婷;蔡疆;胡振;吴蔚;张桂林【作者单位】信息系统工程重点实验室南京210007;信息系统工程重点实验室南京210007;信息系统工程重点实验室南京210007;信息系统工程重点实验室南京210007;信息系统工程重点实验室南京210007【正文语种】中文【中图分类】TN959.21【相关文献】1.基于复数小波能量特征和支持向量机的图像匹配算法 [J], 王俊卿;黄莎白;史泽林2.基于超复数FFT的极化SAR图像匹配方法 [J], 马文婷;蔡疆;胡振;吴蔚;张桂林3.基于PWF的极化SAR图像匹配方法 [J], 马文婷;曲迪;吴蔚;熊朝华;秦洪4.基于PWF的极化SAR图像匹配方法 [J], 马文婷;曲迪;吴蔚;熊朝华;秦洪;5.基于FFT相位相关的图像匹配算法与实现 [J], 朱佳媛因版权原因，仅展示原文概要，查看原文内容请购买。
基于改善极化相似性的极化SAR目标增强新方法
ｔ ｅ Ｉ ｒ ｖ ｍ ｅ ｔｏ ｌ ｒｚ ｔｏ ａ ａ ｔ ｒｓ ｉｓ Ｓ ｍｉ ｉｙ ｈ ｍｐ ｏ ｅ ｎ ｆ Ｐｏ ａ ｉａ ｉｎ Ｃｈ ｒ ｃ ｅ ｉｔｃ ｉ ｌ ｔ ｒ ａ
Ｘｕ Ｍ ｕ Ｗ ａ ｇ Ｘｕ －ｏ ｇ ｎ ｅｓ ｎ Ｘｉｏ Ｓ ｕ － ｉｇ ａ ｈ ｎ ｐｎ
ｔ ｅ ｒ ｍｉｉ ｇ ｔ ｇ ｔ ｎ ｎ ｅ ｎ ｆ ｃ ． ｏ ｇ ｔａ ｐ ｏ ｓｎ ａ ｅ ｈａ ｃ ｍｅ ｔｅ ｆ ｔ Ｔｈ ａ ｉ ｉｙ ｏ ｅ ｎ ｖ ｌ ｔ ｏ ｎ ｉａ ｅ ｙ ｅ ｐ ｒ ｍｅ ｔ ｌ ｅ ｕ ｔ ｒ ｅ ｅ ｅｖ ｌ ｔ ｆ ｈ ｏ ｅ ｄ ｔ ｍｅ ｈ ｄ ｉ ｉ ｄ ｃ ｔ ｄ ｂ ｘ ｅ ｉ ｎ ａ ｓ ｌｓ ｓ ｒ ｗｉ ｈ ｆ ｌ ｏ ａ ｉ ｅ ｒｃ Ｓ ｔ ｕ ｌ ｐ ｌ ｍ ｔ ｉ ＡＲ ａ ａ ｓ ｔ ． ｙ ｒ ｄ ｔ ｅｓ Ｋｅ ｗｏ ｄ ： Ｐｏ ａ ｉ ｅ ｒｃ ＡＲ； Ｔａ ｇ ｔ ｎ ａ ｅ ｅ ｔ Ｐｏ ａ ｉ ａ ｉ ｎ ｙ ｒｓ ｌ ｍ ｔ ｉ Ｓ ｒ ｒ ｅ ｅ ｈ ｎｃ ｍ ｎ ； ｌ ｚ ｔｏ ｃ ａ ａ ｔ ｒｓ ｉｓ ｉ ｉ ｒｔ ； Ｐｏ ａ ｉａ ｉ ｎ ｒ ｈ ｃ ｅ ｉｔｃ ｓｍ ｌ ｉｙ ｒ ａ ｌ ｚ ｔｏ ｒ
维普资讯
第 ３ 卷第 ５ ０ 期
２ ０
息
学
报
Ｖｌ ． ０ ． ０ ３ ＮＯ ５ １ Ｍａ ０８ ｖ ｌ２ ０
Ｊ ｕ ｎ ｌ ｆＥｌｃ ｒ ｎｃ ｏ ｒ ａ ｅ ｔｏ ｉｓ＆ Ｉ ｆ ｒ ａ ｉｎＴｅ ｈ ｏｏ ｙ ｏ ｎ ｏ ｍ ｔｏ ｃ ｎ ｌｇ
基 于改善极化相似性 的极化 Ｓ Ｒ 目标 增强新方法 Ａ
徐 牧 王 雪松 肖顺平
（ 国防科技 大学电子科学与工程 学院 长沙 ４ ０ ７ １ １ ０ ３ 摘 要 ： 针对高分辨极化 Ｓ ＡＲ 目标增强 问题， 该文提 出一种基于 改善极化相似性 的 目标增 强新 方法 。 利用 Ｈ ｙ ｅ ｕ ｎｎ
图像超分辨率重建、SAR图像及SAR图像提高分辨率定义
图像超分辨率重建、SAR图像及SAR图像提高分辨率定义
图像重建（图像超分辨率重建）：图像超分辨率重建技术就是利用一组低质量、低分辨率图像(或运动序列)来产生单幅高质量、高分辨率图像，由一帧或多帧低分辨率图象重建一帧高分辨率图象的技术。
图象超分辨重建技术在视频监控、遥感成像、医学成像等众多领域具有重要的应用价值和研究意义。
图象超分辨技术按原理可分为基于重建的方法和基于学习的方法,而基于重建的方法又包含频域方法和空域方法。
SAR图像：SAR是一种可成像的雷达，它所用的雷达波段大约是300MHz到30GHz。
比如一般用的波段是1~10GHz的合成孔径雷达，大气对这种波段的影响不大。
也就是说如果天上有一个合成孔径雷达卫星，白天黑夜、大气的云雾雨雪等天气变化对雷达看到的结果影响甚微，可忽略不计。
所以合成孔径雷达是一种全天时、全天候的雷达，它所成的图像就是SAR图像了。
SAR图像的场景和照相机拍出来的场景类似，只不过波段不同看到的事物也不一样。
SAR都是斜视的，而光学的可以垂直照射。
SAR图像重建（SAR图像提高分辨率）：超分辨的成像方法一直是合成孔径雷达(SAR)追求的目标.除加窗傅里叶变换和带宽外推等传统超分辨成像算法外,SAR 图像提高分辨率的方法主要有现代谱估计、正则化、偏微分方程以及基追踪等。
基于纹理分类的极化SAR图像滤波方法
基于纹理分类的极化SAR图像滤波方法刘蓉;娄晓光【期刊名称】《计算机仿真》【年(卷),期】2012(029)001【摘要】Polarimetric Whitening Filtering is a classical method for polarimetric SAR noise reduction, but the parameter estimation of the covariance matrix has always been a difficulty. The noise reduction effects of traditional methods, like the sliding neighborhood window, the Prewitt operator edge detection, and the structure inspection, are not good enough as they can not make a subtle distinction between the pixels with different statistical properties. To solve this problem, a new parameter estimation method based on texture classification has been proposed in this pa per. Texture features were extracted from the span image, which then was used to calculate the gray-level co-occur rence matrix. Image pixels were then classified by K-raean clustering method. Parameters were calculated from the pixels of the same class in the sliding neighborhood window. Experiments demonstrate the effectiveness of this meth od. It shows much more advantage in polarimetric SAR images with complex scenes.%关于雷达图像优化,提高分辨率的问题,场景较为复杂的图像,固有噪声图像效果不够理想,对具有不同统计特性的像素点缺乏精确的区分.由于传统参数估计方法降噪效果不足,为解决上述问题,提出了一种基于纹理特征分类的参数估计方法.首先计算极化总功率图像的灰度共生矩阵,并提取纹理特征矢量,用K均值聚类的方法进行分类.然后根据分类结果,在滑动邻域窗内选取与中心像素同类别的像素用于参数估计.实验结果表明,改进的纹理分类的滤波方法具有更好的降噪效果,对于复杂场景的极化SAR图像表现了较大的优越性.【总页数】4页(P242-245)【作者】刘蓉;娄晓光【作者单位】中国科学院电子学研究所,北京100190;中国科学院研究生院,北京100049;中国科学院电子学研究所,北京100190【正文语种】中文【中图分类】TN958【相关文献】1.一种保持散射特性的极化SAR图像滤波方法 [J], 郭睿;刘艳阳;臧博;邢孟道2.一种新的多极化SAR图像滤波方法 [J], 张涛;管鲍;孙洪3.单波段单极化高分辨率SAR图像纹理分类研究 [J], 朱俊杰;郭华东;范湘涛;朱博勤4.基于C均值分类的极化SAR图像白化斑点滤波方法 [J], 王晓军;王鹤磊;李连华;孟藏珍;马宁5.一种保持散射特性的极化SAR图像滤波方法之探究 [J], 覃艳;因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ISSN 1000-0054CN 11-2223/N 清华大学学报(自然科学版)J T singh ua Un iv (Sci &Tech ),2008年第48卷第7期2008,V o l.48,N o.7w 11http://qhx bw.chinajo 基于Poisson 重建的极化SAR 图像对比增强邓启明, 陈亦伦, 张卫杰, 杨 健(清华大学电子工程系,北京100084)收稿日期:2007-04-16基金项目:国家自然科学基金资助项目(40571099);高校博士点基金资助项目;新世纪优秀人才支持计划作者简介:邓启明(1982—),男(汉),湖北,博士研究生。
通讯联系人:杨健,教授,E-mail:deng qm 05@mails.tsin 摘 要:为了能够同时增强多类目标,提出一种基于P oisso n 重建的极化合成孔径雷达(SAR )图像对比增强方法。
该方法对多类目标和对应的背景杂波分别进行广义相对最优极化增强(G OP CE ),并得到相应的最优极化状态和特征系数;以此定义图像中各像素点的最优局部梯度,并在最小二乘准则下,根据局部梯度建立离散P oisso n 方程;通过快速Fo urier 变换求解该Po isson 方程,得到最终的多目标增强图像。
实验结果表明:利用极化SA R 数据,使用该方法增强后的图像的直方图保持应有的峰值,且更加均衡,能够达到增强多类目标的效果,从而有利于目标检测等后续处理。
关键词:图像处理;极化;合成孔径雷达(SA R );对比增强;Poisso n 重建中图分类号:T P 751文献标识码:A文章编号:1000-0054(2008)07-1108-04Contrast enhancement of polarimetric SAR images based on the PoissonreconstructionsDE NG Qim ing ,CHEN Yilun ,ZHANG Weijie ,YA NG Jian (Department of Electronic Engineering ,Tsinghua University ,Beij ing 100084,China )Abstract :A contrast enhancement method bas ed on the Poisson reconstruction w as developed to enh an ce multiple targets in polarimetr ic s ynthetic aperture radar (SAR)images.Each kind of target is enhanced relative to its corr esp on ding clutter by us ing the gen eralized optimization of polar imetric contrast enhancemen t (GOPCE ).Th eobtainedoptimalpolarizationstatesandch aracteristic coefficients define th e optimal local contras t for each pixel.A dis crete Pois son equation is th en cons tructed us ing leas t squares m inimization,w hich is s olved using fast Fourier transforms.T ests w ith polarimetric SAR data demonstrated that the meth od produces an en han ced image with a more uniform histogram wh ile keeping its peaks.Satisfactory res ults can be ob tained w henen han cing multiple targets w ith various types of clutter for sub sequ ent applications such as target detection.Key words :image process ing;polarimetric;s ynthetic aperture radar(SA R);contrast enhancement;Poiss on recon struction在极化合成孔径雷达(synthetic aperturer adar,SAR)数据处理应用中,对比增强是一个重要的研究课题。
极化对比增强是通过融合目标多维的极化信息来增强目标和背景杂波之间的对比度,在目标检测中有着极为重要的应用。
多年来,研究者提出了多种利用极化信息增强目标的方法。
例如:Ko stinski 和Boerner [1]提出了经典的相对最优极化增强(generalized o ptimization of polarimetric contrast enhancement,OPCE)技术,其主要目的是选取一种最优极化状态以增强目标回波或接收功率,同时尽可能地抑制杂波干扰。
杨健等[2]利用交叉迭代法,得到了快速数值求解OPCE 的方法,提高了运算速度。
进而杨健等[3]还通过引入包含更多极化信息的参数,提出了广义相对最优极化增强(GOPCE )方法,取得了比传统OPCE 更好的效果。
但是,传统方法的模型均定义为对单一类别的目标进行对比增强,即能够对某类目标较之背景杂波进行较好地增强,但在增强多类目标时,不能取得很好的效果。
也就是说,使用OPCE 或GOPCE 进行增强某类目标时,有可能将另一类目标连同杂波一起抑制。
Poisson 重建是利用图像的梯度来重构图像的方法。
陈亦伦和杨健[4]将该方法用于极化SAR 图像的融合中,将各个通道的局部对比度融合后重建,可以在融合图像里显示各极化通道的信息。
但该方法在融合过程中仅用到了各极化通道的幅度值,没有完全利用极化信息。
为了进一步增强局部对比度,综合利用各个极化参数,可以将GOPCE和Poisson重建结合起来,提出一种基于Poisson重建的极化SAR图像对比增强的方法,能够同时增强多类目标。
其主要思想是:分别对多类目标较之对应的背景杂波进行GOPCE,并得到相应的最优极化状态和特征系数;基于以上得到的参数,可以定义图像中各像素点的最优局部梯度,并在最小二乘准则下,根据局部梯度建立离散Po isso n方程;最终的多目标增强图像可以通过快速Fo urier变换(fast Four ier tr ansfor m,FFT)求解Po isso n方程而得到。
实验中采用美国国家航空航天局喷气推进实验室(NASA/JPL)的机载SIR-C/ X-SAR的全极化数据(L波段),实验结果说明本文的方法在增强多类目标时能够取得令人满意的效果。
1 相似性参数和广义相对最优极化1.1 相似性参数为了提取散射目标的极化特征,杨健等提出了目标间的相似性参数[5],以表征2个散射体之间的相互近似程度。
在单站互易情况下,一个散射体可以由一个在水平和垂直极化基下的散射矩阵表示为S=s HH s HVs HV s V V.(1) 根据Huynen的散射矩阵分解,容易得到散射体的方位角,定义为W。
旋转该散射体,使其方位角为零,则去方位角后的散射矩阵可表示为S0=J(-W)SJ(W)=s0HH s0HVs0HV s0V V.(2)其中J(W)=cos W-sin Wsin W co s W为旋转矩阵。
将S0向量化,可用三维的散射向量k0表示为k0=12(s0HH+s0VV,s0HH-s0VV,2s0HV)T.(3)于是,定义2个散射矩阵的相似性参数为r(s1,s2)=û(k01)H(k02)û2‖k01‖2‖k02‖2.(4)其中:H表示共轭转置,表示向量的二范数。
相似性参数的取值范围是0≤r(s1,s2)≤1,其值越大,表示2个散射体越接近。
根据式(4),可以得到2个特殊的相似性参数。
1)一次散射系数:任意散射矩阵S与平面目标之间的相似性参数r1=r(S,diag(1,1))=ûs0HH+s0VVû22(ûs HHû+ûs VVû+2ûs HVû).(5) 2)二次散射系数:任意散射矩阵S与二面角目标之间的相似性参数r2=r[S,diag(1,-1)]=ûs0HH-s0VVû22(ûs0HHû2+ûs0VVû2+2ûs0HVû2).(6)1.2 广义相对最优极化传统的OPCE是通过调整雷达的发射与接受的极化方式,使得目标与背景回波功率比值达到最大,为了融合更多的极化信息,进一步提高目标与背景的对比度,杨健等提出了GOPCE[4]的概念,其数学模型为max1M∑TA∑3i=1x i r i(T A)21N∑TB∑3i=1x i r i(T B)2h T K-(T A)gh T K-(T B)g.s.t.g21+g22+g23=1,h21+h22+h23=1,x21+x22+x23= 1.(7)其中:T A和T B代表2类目标;M和N分别为所选T A和T B的像素点个数;K-(T A)和K-(T B)分别代表2类的平均Kennaug h矩阵;g和h分别代表发射和接收天线的极化状态,而最优极化状态g m和h m可以用文[2]介绍的交叉迭代法快速求解;r1和r2分别为式(5)和式(6)定义的相似性参数;r3为极化熵[6],是通过对3×3矩形窗内邻近像素点的协方差矩阵算术平均后进行特征分解而求得;系数x=[x i](i=1,2,3)可通过下面的特征方程求解。
1M∑TA[R(T A)x]=K1N∑TB[R(T B)x].(8)其中:R(T A)=[r i(T A)r j(T A)]3×3;R(T B)=[r i(T B)r j(T B)]3×3.上述特征方程最大特征根所对应的特征向量就是最优系数x m=(x1,x2,x3)T。
对于上述GOPCE问题,其函数形式包含2个因子:乘积中第2项为传统的OPCE,第1项则是利用相似性参数和极化熵的组合来进行增强。
根据以上求得的g m、h m和x m,可以得到经GOPCE增强T A(相对于T B)后的功率图G P=(x T m r)2×(h T m Kg m).(9)1109邓启明,等: 基于P oisso n重建的极化SA R图像对比增强其中:r=(r1,r2,r3)T为极化SAR图像中各像素点的特征向量;K代表各像素点的Kennaug h矩阵。