哈尔滨工业大学 电子与信息工程学院, 黑龙江 哈尔滨 150001
PolSAR(Polarimetric Synthetic Aperture Radar)图像分类的传统方法在前期需要对数据进行特征提取, 涉及较多的人为参与, 且分类精度有待进一步提高。此外, 在采用监督分类方法时, 某些地物存在小样本问题, 针对这些问题并结合PolSAR图像精细分类的需求, 提出基于3D卷积神经网络的PolSAR图像地物精细分类方法, 将传统卷积神经网络扩展为三维并将其应用于PolSAR图像分类中, 利用PolSAR数据多通道特性, 充分挖掘数据中的信息, 提高分类性能, 并采用虚拟样本扩充的方法改善某些地物的小样本情况, 获得更好的分类结果。实验结果表明: 3D卷积神经网络较2D卷积神经网络在PolSAR图像地物精细分类中有较好的性能, 且虚拟样本扩充方法能够有效改善小样本分类问题。
极化SAR 卷积神经网络 图像分类 小样本 polarimetric SAR convolutional neural network image classification small sample 红外与激光工程
2018, 47(7): 0703001
1 国防科学技术大学电子科学与工程学院，湖南 长沙 410073
2 西安航天动力研究所，陕西 西安 710100
3 空军预警学院，湖北 武汉 430019
与全极化相比，简缩极化合成孔径雷达 (SAR)因其更宽的幅宽，在海洋监视方面具有先天的优势。针对海上舰船目标检测，提出一种基于加权支持向量机 (SVM)和m-χ分解的简缩极化 SAR图像舰船检测方法。该方法首先对简缩极化的极化参数进行提取，构造加权特征向量，然后基于加权 SVM分类器对简缩极化 SAR图像舰船目标进行检测，最后利用 m-χ分解后 3个分量对应不同散射机制的差异进行虚警去除。基于 NASA/JPL AIRSAR机载以及 Radarsat-2星载全极化实测数据模拟的圆极化发射线极化接收 (CTLR)模式的简缩极化数据实验结果表明，该方法能在舰船目标检测的同时，有效去除虚警和模糊噪声。
简缩极化 SAR m-χ分解 支持向量机 舰船检测 compact polarimetric SAR m-χdecomposition Support Vector Machine ship detection 太赫兹科学与电子信息学报
2016, 14(4): 554
国防科技大学电子科学与工程学院，湖南 长沙410073
两层植被结构模型是传统三阶段植被参数反演方法的基础，当实际植被结构为三层结构时，三阶段植被参数反演方法精度变差.针对该问题，建立了与三层植被结构模型对应的极化SAR干涉复相关系数模型，分析了传统三阶段植被参数反演方法精度变差的原因，提出了基于双基线极化SAR干涉的三层植被参数反演新方法，新方法充分考虑了三层植被干涉复相关系数的特征，比传统的三阶段植被参数反演方法更适合于三层植被结构，反演性能更好.实验结果验证了所建的复相关系数模型的正确性和反演新方法的优越性.
极化SAR干涉 植被参数反演 散射机理 三阶段反演方法 polarimetric SAR interferometry vegetation parameter inversion scattering mechanism three-stage inversion method
