1 中国石油大学（华东）海洋空间与信息学院，山东 青岛 266580
2 青岛海洋科学与技术试点国家实验室海洋矿产资源重点实验室，山东 青岛 266071
3 中国石油集团测井有限公司国际公司，北京 100101
4 自然资源部第一海洋研究所，山东 青岛 266061
5 青岛海洋科技中心，山东 青岛 266237
海上溢油事故的发生不仅给人类造成了巨大的财产经济损失，而且严重破坏了海洋生态环境。极化合成孔径雷达（PolSAR）通过利用多种极化通道能够更综合地记录地物后向散射信息，从而广泛应用于海上溢油检测中。为了更加准确地进行海上溢油检测，提出一种基于Dual Encoder-Decoder Net（Dual-EndNet）的极化SAR海上溢油检测算法。首先提取出目前常用的30种用于溢油检测的极化特征，并利用随机森林算法选出区分溢油重要性较好的前10个特征；然后以编码器-解码器为基本框架，设计两个分支，分别输入PauliRGB图像和优选的10个极化特征图像，用于提取溢油极化SAR图像的空间信息和极化信息，进而对两分支信息进行融合，以提高溢油检测算法性能。在两景Radarsat-2全极化SAR溢油数据集上的实验结果表明，所提方法不仅具有较强的溢油检测能力，而且能够有效地区分原油、植物油、乳化油不同类型的油膜。
图像处理 遥感影像分类 极化合成孔径雷达 深度学习 溢油检测 极化特征 激光与光电子学进展
2023, 60(24): 2412002
1 上海海洋大学信息学院，上海 201306
2 自然资源部东海局，上海 200136
3 上海电力大学，上海 200090
海上溢油对海洋生态环境造成的危害巨大，完成溢油区域的准确检测对海洋异常现象的快速应急处理具有重要意义。现阶段，合成孔径雷达（SAR）为海上溢油检测提供重要数据基础，但广泛存在海上生物油膜、低风区及SAR影像本身显著的斑点噪声等溢油疑似区域，极大限制了海上溢油检测精度。针对上述问题，提出一种基于改进全卷积神经网络（FCN）的多极化SAR影像海上溢油智能检测框架。首先，对极化SAR影像进行Pauli分解和Refined-Lee滤波预处理，在保证SAR影像极化特征信息同时降低疑似溢油噪声对检测精度的影响；其次，针对FCN模型对空间信息考虑的不足，提出不同层级卷积层融合机制，实现高层语义特征与低层空间细节特征融合，进而提升海上溢油区域检测精度。经实验对比分析可知，基于改进FCN的海上溢油智能检测框架可有效降低疑似溢油区域对检测精度的影响，同时兼顾考虑多极化与边缘特征信息，实现基于像素的溢油区域检测，最优检测精度可达95.7%。
机器视觉 极化合成孔径雷达 溢油检测 降噪 极化融合 全卷积神经网络 激光与光电子学进展
2022, 59(4): 0415005
1 清华大学 电子工程系, 北京 100084
2 中国人民解放军63892部队 第二研究室, 河南 洛阳 471003
3 北京科技大学 计算机与通信工程学院, 北京 100083
研究基于高分辨力极化合成孔径雷达(SAR)图像的城市区域车辆目标自动检测方法。城市区域具有复杂的地物, 这给在城市区域进行车辆目标检测工作带来困难。首先采用Freeman-Durden分解、极化白化滤波器(PWF)和相似性参数3种方法来提取图像数据的极化信息；在此基础上, 采用深度卷积神经网络来对车辆目标和其他地物进行二分类, 实现对城市区域车辆目标的检测。基于机载分米级分辨力极化SAR数据的实验结果验证了该方法的有效性, 在较低的虚警率下获得较高的检测率。将3种极化特征融合时, 能够在虚警率为2.82%时获得95.65%的检测率。
高分辨力 极化合成孔径雷达 城市区域 车辆检测 深度卷积神经网络 high resolution polarimetric Synthetic Aperture Radar(SAR) urban areas vehicle detection deep convolutional neural network 太赫兹科学与电子信息学报
2018, 16(4): 603
针对极化合成孔径雷达(SAR)应用中存在的特征冗余问题,结合线性判别分析(LDA)和局部线性嵌入(LLE)的思想,提出一种半监督降维算法:半监督局部判别分析(SLDA)。该算法首先基于LLE的局部保持特性建立正则项,以避免学习中的过拟合问题。然后,在标记样本集上进行正则化的判别分析,以增强算法的推广能力,同时保持所有样本点在原始空间的局部几何结构。利用RADARSAT-2和AIRSAR卫星获得的Flevoland地区的全极化SAR数据进行降维实验,结果表明SLDA提取的低维特征具有“类内紧聚,类间分离”的特性;进一步的分类实验结果表明,SLDA只需1‰~2‰的标记样本就能使分类精度达到90%左右,分类性能优于其他对比方法。
遥感 降维 半监督局部判别分析 极化合成孔径雷达 分类
中国石油大学(华东)地球科学与技术学院, 山东 青岛 266580
全极化合成孔径雷达(SAR)具有丰富的极化信息, 对地物识别具有显著优势, 提出了一种顾及极化特征的SAR与中分光学影像融合的方法, 对全极化SAR影像进行极化目标分解, 采用改进的色度、饱和度、明度(HSV)变换方法融合极化特征波段与中分光学影像, 并基于面向对象的方法对融合影像进行地物分类。结果表明, 该融合方法优于传统单极化SAR与中分光学影像的HSV融合方法, 能够有效利用全极化SAR的极化纹理信息。面向对象分类方法能够降低SAR对融合影像的斑点噪声影响, 地物总体分类精度优于高分光学影像, 且对于极化信息敏感的地物, 其分类精度明显优于高分光学影像。
遥感 影像融合 色度变换 全极化合成孔径雷达 中分光学影像 分类
西安电子科技大学 智能感知与图像理解教育部重点实验室,陕西 西安 710071
针对城区分类,利用颜色特征构造一个新颖的无监督的分类框架.首先,基于最近提出的极化合成孔径雷达(PolSAR)数据的四分量分解模型,计算了常用的颜色空间：YUV,RGB,HSI和CIELab,通过引入颜色熵量化的选择颜色特征；然后,联合纹理特征和扩展的散射功率熵,用自适应的均值漂移算法分割PolSAR图像；最后,根据基于G0分布的距离测度合并聚簇为较为匀质的地物类别.通过L波段AIRSAR数据和C波段Radarsat-2的PolSAR数据验证了提出算法的有效性,分类正确率表明,相比于已有的工作,提出的算法对于城区有较好的区分能力.
极化合成孔径雷达(PolSAR) 地物分类 颜色特征 扩展的散射功率熵 polarimetric synthetic aperture radar (PolSAR) image classification color features extended scattering power entropy
1 西安电子科技大学 智能感知与图像理解教育部重点实验室, 陕西 西安 710071
2 西安理工大学, 自动化与信息工程学院, 陕西 西安 710048
提出了一种新的基于一般散射模型的hybrid Freeman/eigenvalue 分解算法, 用于分析极化合成孔径雷达(PolSAR)数据。文中, 单位矩阵作为体散射模型, 相干矩阵的两个较大特征值对应的特征向量作为表面散射模型和二次散射模型, 并且不需要反射对称条件。新算法有三个优点: 第一, 表面散射和二次散射不需要反射对称条件, 更符合一般散射体的建模; 第二, 因为散射能量是相干矩阵特征值的线性组合, 所以散射能量具有旋转不变性; 第三, 表面散射能量和二次散射能量避免了负值现象。在San Francisco地区的AIRSAR数据上进行了实验, 证明了新算法的有效性。
极化合成孔径雷达 雷达极化 hybrid Freeman/eigenvalue 分解 散射模型 polarimetric synthetic aperture radar radar polarimetry hybrid Freeman/eigenvalue decomposition scattering model
