引用排行

(被引数据来源于全网,每月更新)
1

深度卷积网络等深度学习算法变革了计算机视觉领域,在多种应用上的效果都超过了以往传统图像处理算法。该文简要回顾了将深度学习应用在SAR图像目标识别与地物分类中的工作。利用深度卷积网络从SAR图像中自动学习多层的特征表征,再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR上,10类目标平均分类精度达到了99%。针对带相位的极化SAR图像,该文提出了复数深度卷积网络,将该算法应用于全极化SAR图像地物分类,Flevoland 15类地物平均分类精度达到了95%。

深度卷积网络等深度学习算法变革了计算机视觉领域,在多种应用上的效果都超过了以往传统图像处理算法。该文简要回顾了将深度学习应用在SAR图像目标识别与地物分类中的工作。利用深度卷积网络从SAR图像中自动学习多层的特征表征,再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR上,10类目标平均分类精度达到了99%。针对带相位的极化SAR图像,该文提出了复数深度卷积网络,将该算法应用于全极化SAR图像地物分类,Flevoland 15类地物平均分类精度达到了95%。

2
传统的合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network, CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率TerraSAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。 传统的合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network, CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率TerraSAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。
3
合成孔径雷达目标识别是雷达数据解译中一个长期研究的难点问题。近年来,基于模型的SAR目标识别方法由于在扩展条件下的识别性能表现良好而备受关注。在联合国内多家研究单位进行攻关的基础上,该文简要阐述了对该问题的初步研究成果及思考。首先从3个方面出发梳理了散射部件模型发展的技术脉络并对其进行了补充完善;然后从正向推算和逆向反演两条技术途径提出了复杂目标电磁散射参数化建模方法;最后提出了基于复杂目标电磁散射参数化模型的目标识别新框架。论文最后对基于模型的SAR目标识别下一步研究方向进行了展望。 合成孔径雷达目标识别是雷达数据解译中一个长期研究的难点问题。近年来,基于模型的SAR目标识别方法由于在扩展条件下的识别性能表现良好而备受关注。在联合国内多家研究单位进行攻关的基础上,该文简要阐述了对该问题的初步研究成果及思考。首先从3个方面出发梳理了散射部件模型发展的技术脉络并对其进行了补充完善;然后从正向推算和逆向反演两条技术途径提出了复杂目标电磁散射参数化建模方法;最后提出了基于复杂目标电磁散射参数化模型的目标识别新框架。论文最后对基于模型的SAR目标识别下一步研究方向进行了展望。
4
属性散射中心是合成孔径雷达 (Synthetic Aperture Radar, SAR) 图像的一个重要特征。该文提出了一种属性散射中心匹配方法并将其运用于SAR目标识别中。该方法首先基于属性散射中心模型提取待识别SAR图像和模板SAR图像的属性散射中心,进而采用Hungarian算法实现散射中心的匹配。在建立的匹配关系的基础上,设计了一种稳健的散射中心匹配度度量方法计算待识别散射中心与各类模板散射中心的匹配度。该匹配度准则充分考虑了单个散射中心强弱、匹配对强弱以及漏警、虚警带来的影响,对于散射中心集的匹配度的评价更为全面。基于Moving and Stationary Target Acquisition and Recognition (MSTAR) 数据集的实验验证了方法的有效性。 属性散射中心是合成孔径雷达 (Synthetic Aperture Radar, SAR) 图像的一个重要特征。该文提出了一种属性散射中心匹配方法并将其运用于SAR目标识别中。该方法首先基于属性散射中心模型提取待识别SAR图像和模板SAR图像的属性散射中心,进而采用Hungarian算法实现散射中心的匹配。在建立的匹配关系的基础上,设计了一种稳健的散射中心匹配度度量方法计算待识别散射中心与各类模板散射中心的匹配度。该匹配度准则充分考虑了单个散射中心强弱、匹配对强弱以及漏警、虚警带来的影响,对于散射中心集的匹配度的评价更为全面。基于Moving and Stationary Target Acquisition and Recognition (MSTAR) 数据集的实验验证了方法的有效性。
5
高分三号SAR卫星是我国首颗空间分辨率达到1 m的C波段多极化合成孔径雷达成像卫星,于2016年8月成功发射,并通过5个月的在轨测试任务,于2017年1月正式交付用户单位使用。该文利用高分三号卫星实际在轨监测数据,分析了从数据采集、大气传输到成像处理与几何定位的全链路系统级几何定位误差源,并进行了基于角反射器的几何定位精度验证实验。实验结果表明,高分三号SAR卫星系统几何定位精度可以达到3 m。 高分三号SAR卫星是我国首颗空间分辨率达到1 m的C波段多极化合成孔径雷达成像卫星,于2016年8月成功发射,并通过5个月的在轨测试任务,于2017年1月正式交付用户单位使用。该文利用高分三号卫星实际在轨监测数据,分析了从数据采集、大气传输到成像处理与几何定位的全链路系统级几何定位误差源,并进行了基于角反射器的几何定位精度验证实验。实验结果表明,高分三号SAR卫星系统几何定位精度可以达到3 m。
6
该文提出了一种基于栈式自编码器(Stacked AutoEncoder, SAE)特征融合的合成孔径雷达(Synthetic Aperture Rader, SAR)图像车辆目标识别算法。首先,该算法提取了SAR图像的25种基线特征(baseline features)和局部纹理特征(Three-Patch Local Binary Patterns, TPLBP)。然后将特征串联输入SAE网络中进行融合,采用逐层贪婪训练法对网络进行预训练。最后利用softmax分类器微调网络,提高网络融合性能。另外,该文提取了SAR图像的Gabor纹理特征,进行了不同特征之间的融合实验。结果表明基线特征与TPLBP特征冗余性小,互补性好,融合后的特征区分性大。与直接利用SAE, CNN (Convolutional Neural Network)进行目标识别的算法相比,基于SAE的特征融合算法简化了网络结构,提高了识别精度与识别效率。基于MSTAR数据集的10类目标分类精度达95.88%,验证了算法的有效性。 该文提出了一种基于栈式自编码器(Stacked AutoEncoder, SAE)特征融合的合成孔径雷达(Synthetic Aperture Rader, SAR)图像车辆目标识别算法。首先,该算法提取了SAR图像的25种基线特征(baseline features)和局部纹理特征(Three-Patch Local Binary Patterns, TPLBP)。然后将特征串联输入SAE网络中进行融合,采用逐层贪婪训练法对网络进行预训练。最后利用softmax分类器微调网络,提高网络融合性能。另外,该文提取了SAR图像的Gabor纹理特征,进行了不同特征之间的融合实验。结果表明基线特征与TPLBP特征冗余性小,互补性好,融合后的特征区分性大。与直接利用SAE, CNN (Convolutional Neural Network)进行目标识别的算法相比,基于SAE的特征融合算法简化了网络结构,提高了识别精度与识别效率。基于MSTAR数据集的10类目标分类精度达95.88%,验证了算法的有效性。
7

空时自适应处理(Space Time Adaptive Processing, STAP)技术通过空域和时域2维联合自适应滤波的方式,实现了机载雷达对强杂波与干扰的有效抑制。作为提升机载雷达性能的一项关键技术,近年来备受雷达领域的关注与世界军事强国的重视。该文从方法、实验系统和应用3个方面回顾了空时自适应处理技术的发展过程和研究现状,着重阐述了其发展过程中遇到的关键技术问题,介绍了STAP技术在装备上的应用情况,并讨论了下一步的发展趋势,提出了需要或值得进一步研究的方向。

空时自适应处理(Space Time Adaptive Processing, STAP)技术通过空域和时域2维联合自适应滤波的方式,实现了机载雷达对强杂波与干扰的有效抑制。作为提升机载雷达性能的一项关键技术,近年来备受雷达领域的关注与世界军事强国的重视。该文从方法、实验系统和应用3个方面回顾了空时自适应处理技术的发展过程和研究现状,着重阐述了其发展过程中遇到的关键技术问题,介绍了STAP技术在装备上的应用情况,并讨论了下一步的发展趋势,提出了需要或值得进一步研究的方向。

8
复杂背景下稳健高效的低可观测动目标检测始终是雷达信号处理领域的研究热点和难点,一方面,强杂波背景和目标复杂运动使得信号微弱,时频域难以区分;另一方面,相参积累算法复杂,长时间积累运算量较大,如何利用有限的雷达资源提高雷达探测性能成为亟需解决的问题。高分辨稀疏表示技术从信号稀疏性角度出发区分杂波和动目标,是传统变换域动目标检测技术的拓展,具有高时频分辨率、对噪声不敏感、稳健性高以及适于多分量信号分析的优势,有广阔应用前景。该文重点从应用角度进行归纳总结,系统回顾了雷达动目标检测的常规方法,然后对稀疏表示在雷达杂波特性分析、抑制、动目标检测、特征提取、时频分析等方面的应用进行了初步总结和归纳,对研究方向进行展望,最后结合实测数据和已有成果给出了部分处理结果。 复杂背景下稳健高效的低可观测动目标检测始终是雷达信号处理领域的研究热点和难点,一方面,强杂波背景和目标复杂运动使得信号微弱,时频域难以区分;另一方面,相参积累算法复杂,长时间积累运算量较大,如何利用有限的雷达资源提高雷达探测性能成为亟需解决的问题。高分辨稀疏表示技术从信号稀疏性角度出发区分杂波和动目标,是传统变换域动目标检测技术的拓展,具有高时频分辨率、对噪声不敏感、稳健性高以及适于多分量信号分析的优势,有广阔应用前景。该文重点从应用角度进行归纳总结,系统回顾了雷达动目标检测的常规方法,然后对稀疏表示在雷达杂波特性分析、抑制、动目标检测、特征提取、时频分析等方面的应用进行了初步总结和归纳,对研究方向进行展望,最后结合实测数据和已有成果给出了部分处理结果。
9
雷达目标识别中特征提取是关键步骤,所提取特征的好坏决定着识别效果的优劣,但传统特征提取方法很难发掘目标数据深层次本质特征。深度学习理论中的自动编码器模型能够用数据去学习特征,获得数据不同层次的特征表达。同时为消除噪声影响,该文提出一种基于栈式降噪稀疏自动编码器的雷达目标识别方法,通过设置不同隐藏层数和迭代次数,从雷达数据中直接高效地提取识别所需的各层次特征。暗室仿真数据实验结果验证了该方法较K近邻分类方法及传统栈式自编码器有更好的识别效果。 雷达目标识别中特征提取是关键步骤,所提取特征的好坏决定着识别效果的优劣,但传统特征提取方法很难发掘目标数据深层次本质特征。深度学习理论中的自动编码器模型能够用数据去学习特征,获得数据不同层次的特征表达。同时为消除噪声影响,该文提出一种基于栈式降噪稀疏自动编码器的雷达目标识别方法,通过设置不同隐藏层数和迭代次数,从雷达数据中直接高效地提取识别所需的各层次特征。暗室仿真数据实验结果验证了该方法较K近邻分类方法及传统栈式自编码器有更好的识别效果。
10
作为一种新体制雷达,分布式孔径相参合成雷达通过多孔径分散布置以及电磁波空间能量合成,实现雷达大威力高精度探测,是解决平台约束与探测性能矛盾的有效手段,具有生存能力强、效费比高、角分辨率高、扩展性强、实现性好等技术优势,是雷达重要的发展方向。该文对分布式孔径相参合成雷达的工作原理、技术优势、国内外发展现状和关键技术进行了阐述,重点介绍了相关的原理验证试验,并对该雷达技术的发展方向及典型应用进行了展望。 作为一种新体制雷达,分布式孔径相参合成雷达通过多孔径分散布置以及电磁波空间能量合成,实现雷达大威力高精度探测,是解决平台约束与探测性能矛盾的有效手段,具有生存能力强、效费比高、角分辨率高、扩展性强、实现性好等技术优势,是雷达重要的发展方向。该文对分布式孔径相参合成雷达的工作原理、技术优势、国内外发展现状和关键技术进行了阐述,重点介绍了相关的原理验证试验,并对该雷达技术的发展方向及典型应用进行了展望。
11
高分三号作为我国首颗民用C波段多极化多成像模式SAR卫星,其全天时全天候观测特点,在国家海域使用动态监测中具有较大优势。该文在分析国家海域使用遥感监测的基础上,探讨GF-3号 SAR成像模式和标准预处理方式,并以海岸线围填海、海水养殖等典型海域使用要素为例,给出GF-3不同成像模式在海域使用要素识别分类的部分研究结果,并与现有方法进行对比分析,最后展望了进一步研究方向。 高分三号作为我国首颗民用C波段多极化多成像模式SAR卫星,其全天时全天候观测特点,在国家海域使用动态监测中具有较大优势。该文在分析国家海域使用遥感监测的基础上,探讨GF-3号 SAR成像模式和标准预处理方式,并以海岸线围填海、海水养殖等典型海域使用要素为例,给出GF-3不同成像模式在海域使用要素识别分类的部分研究结果,并与现有方法进行对比分析,最后展望了进一步研究方向。
12

该文提出了一种基于卷积神经网络(CNN)及有效图像预处理的合成孔径雷达(SAR)图像变化检测方法。为了验证方法的有效性,以2011年日本仙台地区地震导致的城区变化为例进行了研究。在预处理中分别利用DEM模型以及Otsu方法对SAR图像中的山体和水体进行了提取和去除。利用多层卷积神经网络从SAR图像中自动学习目标特征,再利用学习到的特征对图像进行分类。训练集和测试集的分类精度分别达到了98.25%和97.86%。利用图像差值法得到分类后的SAR图像变化检测结果,并验证了该方法的准确性和有效性。另外,文中给出了基于CNN的变化检测方法和传统方法的对比结果。结果表明,相对于传统方法,基于CNN的变化检测方法具有更高的检测精度。

该文提出了一种基于卷积神经网络(CNN)及有效图像预处理的合成孔径雷达(SAR)图像变化检测方法。为了验证方法的有效性,以2011年日本仙台地区地震导致的城区变化为例进行了研究。在预处理中分别利用DEM模型以及Otsu方法对SAR图像中的山体和水体进行了提取和去除。利用多层卷积神经网络从SAR图像中自动学习目标特征,再利用学习到的特征对图像进行分类。训练集和测试集的分类精度分别达到了98.25%和97.86%。利用图像差值法得到分类后的SAR图像变化检测结果,并验证了该方法的准确性和有效性。另外,文中给出了基于CNN的变化检测方法和传统方法的对比结果。结果表明,相对于传统方法,基于CNN的变化检测方法具有更高的检测精度。

13
合成孔径雷达(Synthetic Aperture Radar, SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks, CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机理,图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重,非直观性较强,使得SAR图像人工标注非常困难,极易出错,从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题,该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN, PTCNN)方法,该方法在传统CNN模型基础上,基于含噪标记与正确标记之间的概率转移模型,建立噪声标记转移层,这种新的卷积网络模型可潜在地校正错误标记,增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比,在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型,在保持SAR图像分类性能的同时具有较好的抗噪性,能够有效校正训练样本中的标注错误,从而降低了SAR图像有监督分类任务对样本标注质量的要求,具有一定的研究价值与应用前景。 合成孔径雷达(Synthetic Aperture Radar, SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks, CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机理,图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重,非直观性较强,使得SAR图像人工标注非常困难,极易出错,从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题,该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN, PTCNN)方法,该方法在传统CNN模型基础上,基于含噪标记与正确标记之间的概率转移模型,建立噪声标记转移层,这种新的卷积网络模型可潜在地校正错误标记,增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比,在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型,在保持SAR图像分类性能的同时具有较好的抗噪性,能够有效校正训练样本中的标注错误,从而降低了SAR图像有监督分类任务对样本标注质量的要求,具有一定的研究价值与应用前景。
14
最近涌现的临近空间高动态飞行器存在超高速、高机动、超远程、低RCS、等离子鞘套、电离层污染、宇宙射线干扰等显著区别于常规目标的特性。基于空天地不同平台雷达临近空间高动态飞行器通用信号建模,该文提出了分布式组网、多维度、变模型、多目标、微运动、非参数化等应用的检测前聚焦雷达信号处理新方法,通过多维参数空间相参积累和能量聚焦,克服尺度伸缩、任意运动、孔径渡越、稀疏子带、跨距离、跨多普勒和跨波束等效应,有效抑制电离层污染和有源干扰,显著提高临近空间高动态飞行器的目标检测、参数测量、聚焦成像、机动跟踪、特征提取和属性识别等环节性能。该文方法适用于临近空间高动态目标也适用于探测常规雷达目标,适用于新体制雷达也适用于常规体制雷达,具备重要的学术理论价值和广阔的应用前景。 最近涌现的临近空间高动态飞行器存在超高速、高机动、超远程、低RCS、等离子鞘套、电离层污染、宇宙射线干扰等显著区别于常规目标的特性。基于空天地不同平台雷达临近空间高动态飞行器通用信号建模,该文提出了分布式组网、多维度、变模型、多目标、微运动、非参数化等应用的检测前聚焦雷达信号处理新方法,通过多维参数空间相参积累和能量聚焦,克服尺度伸缩、任意运动、孔径渡越、稀疏子带、跨距离、跨多普勒和跨波束等效应,有效抑制电离层污染和有源干扰,显著提高临近空间高动态飞行器的目标检测、参数测量、聚焦成像、机动跟踪、特征提取和属性识别等环节性能。该文方法适用于临近空间高动态目标也适用于探测常规雷达目标,适用于新体制雷达也适用于常规体制雷达,具备重要的学术理论价值和广阔的应用前景。
15
高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar, SAR)卫星,拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法,其核心为基于贝叶斯框架的像素分类以实现目标筛选,并根据数据特点设计有效的图像降质条件下的性能提升方法。该文提出的检测算法与多种恒虚警率(Constant False Alarm Rate, CFAR)检测算法进行对比实验分析,实验结果证明了该文所提方法的有效性与性能优势。 高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar, SAR)卫星,拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法,其核心为基于贝叶斯框架的像素分类以实现目标筛选,并根据数据特点设计有效的图像降质条件下的性能提升方法。该文提出的检测算法与多种恒虚警率(Constant False Alarm Rate, CFAR)检测算法进行对比实验分析,实验结果证明了该文所提方法的有效性与性能优势。
16
针对分布式MIMO雷达目标检测问题,该文首先根据分布式MIMO雷达站间的位置几何分布,给出了分布式MIMO雷达系统的3种形态:分布式相参MIMO雷达、相位随机MIMO雷达和幅相随机MIMO雷达。然后重点推导了低信噪比条件下相位随机和幅相随机MIMO雷达的平方律检测器结构,并详细分析了这两种检测器的检测性能。最后的仿真实验说明了该文的理论分析对实际工程具有一定的指导意义。 针对分布式MIMO雷达目标检测问题,该文首先根据分布式MIMO雷达站间的位置几何分布,给出了分布式MIMO雷达系统的3种形态:分布式相参MIMO雷达、相位随机MIMO雷达和幅相随机MIMO雷达。然后重点推导了低信噪比条件下相位随机和幅相随机MIMO雷达的平方律检测器结构,并详细分析了这两种检测器的检测性能。最后的仿真实验说明了该文的理论分析对实际工程具有一定的指导意义。
17
激光合成孔径雷达(SAL)结合了光相干探测技术和合成孔径成像技术,其微弱信号检测能力达到光子量级、成像分辨率可以突破望远镜衍射孔径极限,可以获得高分辨率图像而不受探测距离影响。针对SAL系统在成像幅宽方面的技术短板,在介绍激光合成孔径雷达与扫描成像激光雷达(LiDAR)各自发展阶段和技术特点的基础上,该文提出合成孔径技术与激光扫描技术相结合,在实现高分辨率成像同时突破SAL技术的成像幅宽限制。通过对扫描模式下SAL信号模型分析、机载SAL外场飞行成像实验和地面目标合成孔径成图计算,该文展示了SAL在远程、高分辨率和扫描成像中的应用潜力,提出了弥补现有SAL技术在成像幅宽和作业效率方面的缺憾的方法,为SAL系统在大幅宽、高分辨率对地观测以及空天弱目标ISAL成像提供了科学技术手段。 激光合成孔径雷达(SAL)结合了光相干探测技术和合成孔径成像技术,其微弱信号检测能力达到光子量级、成像分辨率可以突破望远镜衍射孔径极限,可以获得高分辨率图像而不受探测距离影响。针对SAL系统在成像幅宽方面的技术短板,在介绍激光合成孔径雷达与扫描成像激光雷达(LiDAR)各自发展阶段和技术特点的基础上,该文提出合成孔径技术与激光扫描技术相结合,在实现高分辨率成像同时突破SAL技术的成像幅宽限制。通过对扫描模式下SAL信号模型分析、机载SAL外场飞行成像实验和地面目标合成孔径成图计算,该文展示了SAL在远程、高分辨率和扫描成像中的应用潜力,提出了弥补现有SAL技术在成像幅宽和作业效率方面的缺憾的方法,为SAL系统在大幅宽、高分辨率对地观测以及空天弱目标ISAL成像提供了科学技术手段。
18
极化合成孔径雷达图像非监督分类是极化SAR图像自动化解译的重要步骤,但是在非监督分类的过程中如何确定样本类数仍然是十分具有挑战性的问题。由于像素之间具有空间相关性,因此和基于像素的分类方法相比,基于区域的分类方法能得到更加鲁棒的结果。为此,该文提出了一种基于混合Wishart模型和密度峰值聚类的区域级极化SAR图像非监督分类方法。该方法首先使用SLIC算法对极化SAR图像进行过分割,生成多个超像素区域;然后采用混合Wishart模型对超像素区域进行建模,并且利用Cauchy-Schwarz散度来衡量不同超像素区域之间的距离;最后通过密度峰值快速搜索聚类算法得到PolSAR图像的非监督分类结果。在不同极化SAR图像上的实验结果表明了该文方法的有效性。 极化合成孔径雷达图像非监督分类是极化SAR图像自动化解译的重要步骤,但是在非监督分类的过程中如何确定样本类数仍然是十分具有挑战性的问题。由于像素之间具有空间相关性,因此和基于像素的分类方法相比,基于区域的分类方法能得到更加鲁棒的结果。为此,该文提出了一种基于混合Wishart模型和密度峰值聚类的区域级极化SAR图像非监督分类方法。该方法首先使用SLIC算法对极化SAR图像进行过分割,生成多个超像素区域;然后采用混合Wishart模型对超像素区域进行建模,并且利用Cauchy-Schwarz散度来衡量不同超像素区域之间的距离;最后通过密度峰值快速搜索聚类算法得到PolSAR图像的非监督分类结果。在不同极化SAR图像上的实验结果表明了该文方法的有效性。
19
数字广播电视是外辐射源雷达的重要机会照射源,分布式多基地结构是外辐射源雷达的发展趋势。新一代的数字广播电视广泛采用网络化覆盖方式,这为外辐射源雷达分布式组网探测提供了天然条件,同时也对外辐射源雷达系统设计提出了更高的要求。其中首先要解决的是接收站与照射源、多个单元接收站之间的同步问题,主要包括频率和时间同步。该文针对数字广播电视信号和外辐射源雷达结构特点,分析了分布式外辐射源雷达系统同步需求,设计了基于全球定位系统(GPS)授时技术的同步方案。利用中国移动多媒体广播信号帧结构特殊性,提出了一种系统同步测试方法,并结合分布式多站实验,通过实测数据分析,验证了该同步方案的可靠性。 数字广播电视是外辐射源雷达的重要机会照射源,分布式多基地结构是外辐射源雷达的发展趋势。新一代的数字广播电视广泛采用网络化覆盖方式,这为外辐射源雷达分布式组网探测提供了天然条件,同时也对外辐射源雷达系统设计提出了更高的要求。其中首先要解决的是接收站与照射源、多个单元接收站之间的同步问题,主要包括频率和时间同步。该文针对数字广播电视信号和外辐射源雷达结构特点,分析了分布式外辐射源雷达系统同步需求,设计了基于全球定位系统(GPS)授时技术的同步方案。利用中国移动多媒体广播信号帧结构特殊性,提出了一种系统同步测试方法,并结合分布式多站实验,通过实测数据分析,验证了该同步方案的可靠性。
20
针对多时相合成孔径雷达(Synthetic Aperture Radar, SAR)图像的变化检测,该文提出一种改进的混合变化检测方法来提高检测精度。该方法首先采用基于像素级的变化检测方法提取初始变化区域,并以此估计初始聚类中心;然后采用模糊聚类(FCM)将变化前后SAR图像分为3类,即水体区域、背景区域、过渡区域;接着采用最近距离聚类(NNC)将过渡区域像素进一步划分为水体和背景两部分,合并所有水体像素,实现洪水区域的提取。最后得到的洪水区域差异图即为最终的变化检测结果。该文采用Sentinel-1A获取的淮河与鄱阳湖水域数据进行算法验证,实验表明,该文方法的检测率较高,且总体误差较低。 针对多时相合成孔径雷达(Synthetic Aperture Radar, SAR)图像的变化检测,该文提出一种改进的混合变化检测方法来提高检测精度。该方法首先采用基于像素级的变化检测方法提取初始变化区域,并以此估计初始聚类中心;然后采用模糊聚类(FCM)将变化前后SAR图像分为3类,即水体区域、背景区域、过渡区域;接着采用最近距离聚类(NNC)将过渡区域像素进一步划分为水体和背景两部分,合并所有水体像素,实现洪水区域的提取。最后得到的洪水区域差异图即为最终的变化检测结果。该文采用Sentinel-1A获取的淮河与鄱阳湖水域数据进行算法验证,实验表明,该文方法的检测率较高,且总体误差较低。
  • 首页
  • 上一页
  • 1
  • 2
  • 3
  • 4
  • 末页
  • 共:4页
  • 跳转
  • Go