导读:本文包含了合成孔径雷达极化论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:孔径,语义,深度,阿尔卑斯山,取向,冰川,卷积。
合成孔径雷达极化论文文献综述
陶云红,郎海涛,石洪基[1]（2019）在《基于散射相似性参数的全极化合成孔径雷达船只检测》一文中研究指出全极化合成孔径雷达(SAR)数据提供了丰富的散射信息,目前被广泛应用于海上船只目标的检测。本文首先利用一种方便有效的极化散射信息分析法-散射相似性参数统计分析了船只目标与海面的散射特性,重点分析了两者散射机制间的差异,并基于该差异提出了一个新的全极化SAR船只目标检测量(SSM),该检测量同时考虑了极化SAR数据的空间信息,有效提高了船海对比度。然后基于核密度估计提出了对检测量SSM的模型估计方法,结合恒虚警率(CFAR)检测方法实现了对船只目标的检测。利用RADARSAT-2全极化数据对本文的方法进行验证,并与典型的极化SAR船只目标检测方法比较,实验结果表明了本文方法对船只目标检测的有效性。(本文来源于《中国海洋大学学报(自然科学版)》期刊2019年06期）
黄刚,刘先林[2]（2019）在《深度学习的极化合成孔径雷达影像语义分割》一文中研究指出针对现有极化合成孔径雷达影像语义分割方法存在的缺点,且该方向深度学习研究较少的问题,该文以国产机载全极化MiniSAR系统为依托,首先,对极化合成孔径雷达原理和基于深度学习的极化合成孔径雷达影像语义分割方法进行了分析;其次,使用实验数据对该方法的分割精度进行了验证分析,单类分割最大像素精度达94.61%,全类均交并比达到86.83%,结果证明了该分割方法的可行性和准确性;最后,为进一步提高极化SAR影像语义分割精度,在样本制作、提升效率、矢量化等方面提出了建议。(本文来源于《测绘科学》期刊2019年06期）
聂祥丽,黄夏渊,张波,乔红[3]（2019）在《极化合成孔径雷达图像相干斑抑制和分类方法综述》一文中研究指出极化合成孔径雷达(Polarimetric synthetic aperture radar, Pol SAR)是一种多参数、多通道的微波成像系统,在农林业、地质、海洋和军事等领域有着广泛的应用前景. PolSAR图像的相干斑抑制和分类是数据解译的重要环节,已经成为遥感领域的研究热点.本文综述了现有PolSAR图像的相干斑噪声抑制和分类方法并进行展望.首先,简要介绍了PolSAR系统的主要进展和应用;然后,对PolSAR图像相干斑抑制的评价指标和方法进行综述并对几种代表性方法进行了实验对比;接下来,对PolSAR图像的特征进行分析归纳,分别对有监督、无监督和半监督的PolSAR分类方法进行总结并给出了几种有监督分类方法的实验比较;最后,对PolSAR图像相干斑抑制和分类方法未来可能的研究方向进行了思考和讨论.(本文来源于《自动化学报》期刊2019年08期）
胡涛,李卫华,秦先祥[4]（2019）在《基于多层深度特征融合的极化合成孔径雷达图像语义分割》一文中研究指出针对传统特征表征能力较弱的问题,提出了一种基于多层深度特征融合的极化合成孔径雷达图像语义分割方法;利用经过预训练的VGG-Net-16模型提取表征能力更强的多层图像特征,再将各层深度特征分别用于训练对应的条件随机场模型,最后将多个条件随机场模型的输出结果进行融合,实现了最终的图像语义分割。结果表明:与基于传统经典特征的方法相比,所提方法取得了最高的总体分类精度,说明所提方法采用的融合特征具有比传统特征更强的表征能力。(本文来源于《中国激光》期刊2019年02期）
李索,张支勉,王海鹏[5]（2018）在《基于深度学习算法的极化合成孔径雷达通用分类器设计》一文中研究指出地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。(本文来源于《上海航天》期刊2018年03期）
隋克林[6]（2018）在《EM算法在极化合成孔径雷达影像分类中的应用》一文中研究指出探讨了一种将EM算法结合极化散射参数对极化SAR影像进行非监督分类的方法。该方法首先采用H-α平面进行初分类,然后将EM算法与极化熵H、散射角α、反熵A和总功率SPAN等参数结合,对极化SAR影像进一步再分类。实验结果表明该方法可取得较高的分类精度。(本文来源于《城市勘测》期刊2018年02期）
张昊宇[7]（2017）在《机载多波段全极化FMCW合成孔径雷达最新实测成果》一文中研究指出基于调频连续波(FMCW)技术的合成孔径雷达(SAR)是近些年日趋成熟的新技术。与传统的脉冲SAR雷达相比,FMCW-SAR具有质量轻,体积小,功耗低等优点,在遥感以及航道监测领域极具潜力。本文公布了机载FMCW全极化同步L,X波段SAR在国内进行的第一次遥感测试结果以及该型雷达对阿尔卑斯山冰川断层成像的部分结果。(本文来源于《中国水运》期刊2017年06期）
朱飞亚[8]（2017）在《全极化合成孔径雷达信息预处理和目标分解方法研究》一文中研究指出全极化合成孔径雷达(PolSAR)在对目标进行微波成像的同时,可还获得目标的全极化散射信息,是微波遥感技术研究的重要方向。本文主要开展PolSAR的信息处理方法的研究,包括PolSAR信息预处理(PolSAR图像斑点滤波和目标去取向角)和目标分解方法(基于模型的目标分解和基于特征分解的目标分解),主要研究内容和创新点如下:1、PolSAR图像斑点滤波方法研究。针对PolSAR图像斑点滤波的需求,提出了可以同时保留目标的极化散射机制和目标边缘信息的斑点滤波方法。本文引入极化相似性参数以测量滑窗内中心像素点和其他像素点的极化散射机制的相似性,同时使用功率相似性参数以测量滑窗内中心像素点和其他像素点的功率相似性,通过阈值法选择和中心像素点极化散射机制和功率信息均一致的像素点参与滤波,这样保证了被滤波的中心像素点的极化散射机制和目标边缘信息不变。功率信息直接反应目标的边缘信息。2、PolSAR目标去取向角方法研究。现有的目标去取向角方法的缺点是对熵比较高的目标去取向角效果不好,比如取向角较大的建筑物。熵比较高的目标的分辨单元内存在许多散射机制不同的散射体,这些散射体有不同的取向角。现有的方法使用一个取向角代表这些有不同取向角的散射体,所以其取向角效果不好。本文提出了采用分解思路的去取向角方法,把分布目标分解为3个单目标,分布目标的分辨单元内所有的散射体用这3个单目标表示,每个单目标有不同的取向角,然后分别进行去取向角,取得了改善的去取向角效果。3、基于模型的PolSAR目标分解方法研究。在非负特征值分解中,剩余矩阵和面散射分量、双次散射分量的模型不一致,并且散射分量不完全是通过模型的方法求解的。本文对剩余矩阵实施了去取向角和进一步的螺旋角补偿,完全补偿了其产生交叉极化的因素,使补偿后的剩余矩阵的形式和面散射分量、双次散射分量的模型完全一致,最后用模型的方法求解面散射分量和双次散射分量。4、基于特征分解的PolSAR目标分解方法研究。提出了基于相干矩阵T矩阵的没有参数增殖、没有信息丢失的基于特征分解的目标分解方法。借助乘性分解框架,主特征矢量的模型采用TSVM散射矢量模型,拥有9个自由度的T矩阵分解得到9个物理意义明确的参数。本文还提出了改进的目标精细分类方法,并通过实验验证了分解参数和目标分类方法。(本文来源于《中国科学院大学(中国科学院国家空间科学中心)》期刊2017-05-01）
王苏芸[9]（2017）在《基于点目标的仿真与实验于全极化合成孔径雷达的极化校正研究》一文中研究指出本文对有关全极化合成孔径雷达极化校正、极化分解以及极化特征参数提取进行了详细的阐释,从物理背景到应用的了解、探索和挖掘的过程中,取得了一些创新性的成果。主要研究内容和创新点包括:(1)从全极化合成孔径雷达的物理背景出发,系统性地阐释了电磁波的极化状态及其表征、目标极化散射特征的描述、极化合成、极化特征响应等全极化合成孔径雷达的基本理论;基于全极化合成孔径雷达系统发射和接收转换过程,建立了基于混合式角反射器法的极化校正模型,明晰了通道间隔离度不足、串扰、幅度与相位不平衡等失真影响以及极化校正中涉及的重要物理概念;(3)提出一种基于叁个点目标的全极化合成孔径雷达极化校正的方法,该方法通过叁面角反射器、二面角反射器以及旋转22.5°二面角反射器的叁个点目标,依据目标实测与理论散射矩阵建立关系来获取校正矩阵,然后利用校正矩阵对全极化合成孔径雷达的回波数据进行校正,从而完成对全极化合成孔径雷达各极化通道之间的幅度与相位不平衡及串扰的校正。(4)基于仿真实验,验证了该极化校正方法的有效性和稳定性,探究旋转22.5°二面角反射器随旋转角度以及其摆设角度的敏感性对校正精度的回馈影响,为机载Pi-SAR系统的校正提供参考;(5)基于机载实验,以机载Pi-SAR系统获取的全极化SAR影像为例,运用所提出的极化校正方法,得出校正结果,进行定量分析,以角反射器的极化特征响应作为评价极化校正效果的可视化对比方式之一,将参考目标校正前、校正后与理想极化特征响应图进行对比;(6)极化分解作为极化SAR应用领域的重要分支之一,将校正前后的全极化SAR影像应用于Pauli分解和Yamaguchi四分量分解,并基于TSVM分解提取校正前后的叁个极化特征参数,予以验证极化校正的效果。(本文来源于《中国地质大学(北京)》期刊2017-05-01）
徐晓煜[10]（2017）在《极化合成孔径雷达舰船检测方法研究》一文中研究指出相对于传统的单极化合成孔径雷达(Synthetic Aperture Radar,SAR),极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)能够利用极化多样性获得大量目标的结构与纹理特性,从而提高PolSAR的目标检测精度。舰船目标检测是舰船目标分类与识别课题的重要前提与基础,是目标解译的重要组成部分,且广泛应用在海洋救助、渔船监控、港口监督等领域。因此利用PolSAR对海洋中的舰船目标进行检测具有重要的发展前景与应用价值。本文研究内容包括两方面:通过处理PolSAR图像包含的目标极化散射信息以突出舰船与海面的对比度;应用卷积神经网络(Convolutional Neural Network,CNN)自动化实现目标识别,进行海面舰船目标的检测。具体工作如下:(1)PolSAR基本原理的介绍,包括极化散射信息的主要数据模型,以及海面背景与舰船目标的散射机理的区别。(2)本文通过分析常用的舰船检测算法的局限性,研究了基于相关峭度(Relative Kurtosis,RK)的舰船检测方法。该方法利用海杂波分布的统计特性,结合极化散射协方差矩阵与RK之间的物理关系,将原始的PolSAR图像的目标检测转变为RK图像舰船检测;然后利用Canny检测算法实现目标边缘清晰化,得到平滑鲁棒的舰船边缘。(3)卷积神经网络已经成为一种有效的遥感图像识别与分类处理的方法。本文梳理了以卷积神经网络为分类器,在遥感图像分类实验中的研究成果。并根据卷积神经网络能够自动化提取图像中目标特征信息的性能,提出了一种新的PolSAR图像舰船检测方法—TS-CNN(Two-Step CNN)算法,该算法建立了精确的CNN结构,利用该结构对PolSAR图像进行舰船的颜色特征学习,从而实现海洋与舰船的分类,并将分类结果提取出来,再一次导入网络中进行第二次舰船识别,达到舰船精确检测的效果。(4)最后,利用实测UAVSAR与AIRSAR数据验证了本文所提的两种舰船检测算法的可行性,并对两种算法的检测结果进行了分析。研究结果表明:基于RK的舰船检测算法充分利用了海杂波的统计特性,能精确的实现舰船边缘检测,尤其在对微弱目标的检测中表现出优越性能,但是该算法的计算时间复杂度较大。同时,本文利用卷积神经网络实现了PolSAR图像的目标检测,该算法可以处理任意尺寸的PolSAR图像,且算法检测精度高、时间复杂度小,应用方便。(本文来源于《西安电子科技大学》期刊2017-05-01）
合成孔径雷达极化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对现有极化合成孔径雷达影像语义分割方法存在的缺点,且该方向深度学习研究较少的问题,该文以国产机载全极化MiniSAR系统为依托,首先,对极化合成孔径雷达原理和基于深度学习的极化合成孔径雷达影像语义分割方法进行了分析;其次,使用实验数据对该方法的分割精度进行了验证分析,单类分割最大像素精度达94.61%,全类均交并比达到86.83%,结果证明了该分割方法的可行性和准确性;最后,为进一步提高极化SAR影像语义分割精度,在样本制作、提升效率、矢量化等方面提出了建议。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
合成孔径雷达极化论文参考文献
[1].陶云红,郎海涛,石洪基.基于散射相似性参数的全极化合成孔径雷达船只检测[J].中国海洋大学学报(自然科学版).2019
[2].黄刚,刘先林.深度学习的极化合成孔径雷达影像语义分割[J].测绘科学.2019
[3].聂祥丽,黄夏渊,张波,乔红.极化合成孔径雷达图像相干斑抑制和分类方法综述[J].自动化学报.2019
[4].胡涛,李卫华,秦先祥.基于多层深度特征融合的极化合成孔径雷达图像语义分割[J].中国激光.2019
[5].李索,张支勉,王海鹏.基于深度学习算法的极化合成孔径雷达通用分类器设计[J].上海航天.2018
[6].隋克林.EM算法在极化合成孔径雷达影像分类中的应用[J].城市勘测.2018
[7].张昊宇.机载多波段全极化FMCW合成孔径雷达最新实测成果[J].中国水运.2017
[8].朱飞亚.全极化合成孔径雷达信息预处理和目标分解方法研究[D].中国科学院大学(中国科学院国家空间科学中心).2017
[9].王苏芸.基于点目标的仿真与实验于全极化合成孔径雷达的极化校正研究[D].中国地质大学(北京).2017
[10].徐晓煜.极化合成孔径雷达舰船检测方法研究[D].西安电子科技大学.2017
论文知识图
