论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是建立在传统合成孔径雷达(Synthetic Aperture Radar,SAR)上的新体制雷达,它不仅具有全天时、全天候、远作用距离、宽观测带与高分辨率成像等优势,而且能够充分利用电磁波的极化信息精确反映目标物理散射过程,使它在目标检测、资源勘探、地形测绘、海面环境监测、战场监视与侦察等国计民生等领域具有独特的应用优势。然而,极化SAR易受到同频段射频源干扰、图像数据表征形式与观测场景复杂等造成极化SAR目标检测精度下降的问题。由于极化SAR图像数据表征形式的复杂性,如何对极化SAR图像数据的统计分布模型进行构建与模型参数的精确估计是当前极化SAR目标检测的关键问题。在复杂观测场景下目标的散射特性易受到观测环境的影响,如何设计有效的特征提取方法并有效的挖掘目标各种特征的关联性同样是当前极化SAR目标检测的关键问题。同时,射频干扰的存在会影响极化SAR成像质量与后续目标检测的性能,如何对干扰进行检测与抑制是雷达信号处理领域中的热点问题。因此,研究极化SAR的目标检测方法具有重要的现实意义与理论价值。论文以提升目标检测性能为目的,重点围绕极化SAR干扰抑制方法、极化SAR成像结果的统计分布模型构建与模型参数估计方法、极化SAR数据特征提取与目标检测方法等内容进行深入的研究。主要研究内容如下:1.在掌握极化SAR工作原理的基础上,研究极化SAR成像结果的表征方法,并在此基础上分析极化SAR图像的统计特性与目标散射特性。首先,本节利用双随机乘积模型建立极化SAR图像数据的统计模型。然后,利用梅林变换和梅林统计量分析其统计特性。接着,利用典型的极化分解方法分析目标的散射特性。最后,从射频干扰表征与射频干扰特性分析两个方面,定性分析了干扰在不同特征域对极化SAR数据的影响,为后续的射频干扰抑制方法与极化SAR目标检测方法的研究奠定了理论基础。2.针对射频干扰造成极化SAR的成像质量与极化SAR目标检测的性能下降的问题,提出了基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的射频干扰检测方法与基于深度残差网络(Deep Residual Network,ResNet)的干扰抑制方法。首先,详细介绍DCNN的基础理论,根据射频干扰与目标回波信号在时频域上的特征差异性,设计了基于DCNN的射频干扰检测算法,该算法将射频干扰检测问题转化为二分类问题,并利用经典的视觉几何组网络(Visual Geometry Group,VGG)提取射频干扰在时频域的特征,实现了对窄带与宽带干扰的精确检测。然后,在射频干扰检测算法的基础上设计了一种基于ResNet的射频干扰抑制算法。该方法根据射频干扰与目标回波信号在时频谱上的特征差异性,利用ResNet以及跳级连接结构对时频谱图中的目标回波信号进行提取,进而实现对射频干扰的重构与抑制。该算法不仅能够提升窄带与宽带干扰抑制的准确性,还能够提升干扰抑制的处理速度。最后,仿真和实测的机载/星载SAR数据的窄带与宽带干扰检测与抑制结果验证了基于深度学习的干扰检测与抑制算法的有效性。3.针对高斯模型不能精确表征极化SAR图像数据的统计分布而导致舰船目标检测性能差的问题,提出了基于非高斯分布的极化SAR舰船目标检测算法,提升了极化SAR舰船目标检测的性能。首先,研究了非高斯分布K-Wishart的统计模型,并分析了K-Wishart分布对极化SAR图像数据的表征能力。然后,利用改进的最大期望算法对抽取的极化SAR图像数据进行无监督聚类。由于K-Wishart分布模型复杂,参数估计比较困难,引入了梅林变换和梅林统计量对模型的参数进行估计。而最大期望算法中的聚类个数可以通过统计分布的模型适应性检测确定。在获得极化SAR数据的无监督聚类结果后,根据舰船目标与海背景的极化散射特征差异性,利用SPAN值在无标签的聚类结果中检测舰船目标。最后,通过不同极化SAR系统的多组数据集验证了所提舰船检测算法的有效性。4.针对复杂观测环境下的极化SAR图像中舰船目标检测性能差的问题,提出了基于改进Faster R-CNN的舰船目标检测算法。复杂观测环境下的强海杂波具有较强的散射特性将会影响附近的弱小舰船目标的检测,而海岸在低分率极化SAR图像中与舰船目标具有相似的图像特征,也将降低弱小舰船目标的检测能力。传统Faster RCNN结合DCNN能够挖掘不同目标在高维域的特征差异性在光学图像中实现了对不同目标的准确检测,而传统Faster R-CNN对弱小目标的检测能力较差。为了解决上述问题,首先通过对极化SAR图像数据进行预处理增加样本的多样性并抑制相干斑噪声与海杂波。其次,利用深度卷积神经网络设计海陆分割网络抑制海岸对舰船检测的影响。再次,对Faster R-CNN进行改进使其能够产生不同尺度目标候选窗口从而提升其对小舰船目标检测的性能,最后,通过样本的几何关系以及非极大值抑制方法对舰船目标检测结果进行融合得到最终的舰船目标检测结果。通过AIRSAR与UAVSAR录取的多组极化SAR数据集验证了所提舰船目标检测算法的有效性。