CN102253377B - 基于特征值分析的极化干涉合成孔径雷达目标检测方法 - Google Patents
基于特征值分析的极化干涉合成孔径雷达目标检测方法 Download PDFInfo
- Publication number
- CN102253377B CN102253377B CN201110102633XA CN201110102633A CN102253377B CN 102253377 B CN102253377 B CN 102253377B CN 201110102633X A CN201110102633X A CN 201110102633XA CN 201110102633 A CN201110102633 A CN 201110102633A CN 102253377 B CN102253377 B CN 102253377B
- Authority
- CN
- China
- Prior art keywords
- rightarrow
- coherence
- polarization
- matrix
- omega
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
基于特征值分析的极化干涉合成孔径雷达目标检测方法,本发明涉及一种极化干涉合成孔径雷达目标检测方法,以解决传统全极化与单极化合成孔径雷达无法实现较强自然地物杂波背景下地物的检测与识别问题。方法:根据图像数据格式读入极化干涉合成孔径雷达图像的数据;对极化干涉合成孔径雷达图像进行预处理;利用两组极化散射矢量得到简化极化干涉相干矩阵并求解矩阵的特征值,利用相似对角化及Jordan标准型对矩阵进行简化得到优化的散射矢量基相干系数;选取不同样本分析特征值及相干系数的统计特性;利用得到的统计特性构造目标检测器进行感兴趣目标检测得到结果。本发明用于极化干涉合成孔径雷达目标检测。
Description
技术领域
本发明涉及一种极化干涉合成孔径雷达目标检测方法,属于遥感技术领域。
背景技术
合成孔径雷达作为一种唯一可以全天时、全天候对地观测成像的遥感手段,在该领域具有不可替代的作用,而极化干涉合成孔径雷达(PolInSAR)能将地物细致几何形状、结构、指向及物质组成与相干性、高程(海拔高度)等信息结合起来,极大提升了合成孔径雷达提取与分析地物特征的能力,在遥感领域具有广阔的应用前景。
目前我国经济飞速发展,城市化进程不断加快,对新兴城镇及城乡结合部地区的研究分析将帮助人们更好的认识城市化的发展趋势,为制定进一步的发展规划提供有效指导。因此利用合成孔径雷达进行城镇区域地物分析与评估具有较强应用价值与广泛应用前景。传统全极化及单极化合成孔径雷达可以实现对一些基本地物的分类与识别,但无法解决较强自然地物杂波背景下人造目标的检测与识别。
发明内容
本发明的目的是提供一种基于特征值分析的极化干涉合成孔径雷达目标检测方法,以解决传统全极化与单极化合成孔径雷达无法实现较强自然地物杂波背景下人造目标的检测与识别的问题。
本发明为解决上述问题采取的技术方案是:
本发明的基于特征值分析的极化干涉合成孔径雷达目标检测方法,所述方法由以下步骤实现:
步骤一:通过极化干涉合成孔径雷达***采集图像获得待处理的图像数据,根据图像数据格式读入极化干涉合成孔径雷达图像的数据;
步骤二:图像预处理:对步骤一读入的极化干涉合成孔径雷达图像进行滤波、配准预处理,得到极化散射矢量;
步骤三:根据步骤二得到的极化散射矢量计算简化极化干涉相干矩阵的特征值及Jordan标准型,计算基于特征值分析的相干系数,对城镇区域三种不同地物特征值及相干系数统计特性进行统计分析,具体步骤如下:
步骤三A:简化极化干涉相干矩阵的计算:
公式二
其中,[Ω12]为简化极化干涉相干矩阵;(i=1,2)为Pauli基下极化散射矢量;Spq(p,q∈{h,v})为散射幅度,表示以q极化状态发射、p极化状态接收电磁波所得的目标后向复散射系数,h为水平极化状态,v为垂直极化状态;上角标H表示矩阵的共轭转置;上角标T表示矩阵的转置;上角标*表示共轭;
步骤三B:对步骤三A计算得到的简化极化干涉相干矩阵进行特征值分解,相似对角化,得到特征值及基于特征值分析的优化相干系数;
步骤三C:选取城镇三种典型不同地物样本:森林、农田、建筑物,将所述三种不同地物样本作为检测目标,依据步骤三B得到的特征值及优化相干系数对所述三种不同地物样本的特征值及相干系数的统计特性进行分析,进而得到用于特征提取与目标检测的结果;
步骤四:将步骤三C得到的用于特征提取与目标检测的结果进行目标检测器设计,用于极化干涉合成孔径雷达图像,得到人造目标检测结果。
本发明的有益效果是:1、本发明解决了较强杂波背景下极化合成孔径雷达人造目标特征提取困难的缺陷,并提出了简化极化干涉相干矩阵的概念,利用该矩阵的特征值及相对应的相干系数来区分城镇区域不同地物特征上的统计差别,进而设计目标检测器实现较强自然地物杂波背景下人造目标的检测与识别。2、本发明相对于其他极化干涉合成孔径雷达图像数据分析方法计算成本较小,且可以充分利用地物几何特征,相干性等单极化、全极化合成孔径雷达图像中不包含的信息,实现强杂波背景下感兴趣人造目标检测。
附图说明
图1是极化干涉合成孔径雷达图像hh(水平极化发射水平极化状态接收获得的SAR图像)通道的幅度图片;图2a是建筑物样本选取示意图;图2b是农田样本选取示意图;图2c是森林样本选取示意图;图3是建筑物、农田在特征值平面上的分布图(图中,△表示建筑物,□表示农田);图4是三种不同地物样本相干系数分布概率密度图(图中实线表示建筑物、虚线表示森林、点划线表示农田);图5是本发明的检测结果图。
具体实施方式
具体实施方式一:本实施方式的基于特征值分析的极化干涉合成孔径雷达目标检测方法,所述方法由以下步骤实现:
步骤一:通过极化干涉合成孔径雷达***采集图像获得待处理的图像数据,根据图像数据格式读入极化干涉合成孔径雷达图像的数据(hh通道图像如图1所示);
步骤二:图像预处理:对步骤一读入的极化干涉合成孔径雷达图像进行滤波、配准预处理,得到极化散射矢量;
步骤三:根据步骤二得到的极化散射矢量计算简化极化干涉相干矩阵的特征值及Jordan标准型(参见《矩阵分析教程》68页,董增福主编,哈尔滨工业大学出版社2005年4月第二版),计算基于特征值分析的相干系数,对城镇区域三种不同地物特征值及相干系数统计特性进行统计分析,具体步骤如下:
步骤三A:简化极化干涉相干矩阵的计算:
公式一
公式二
其中,[Ω12]为简化极化干涉相干矩阵;(i=1,2)为Pauli(参见Cloude S.R.andPapathanassiou K.P.,Polarimetric SAR interferometry,IEEE Trans.on GRS,1998,36(5),1551-1565)基下极化散射矢量;Spq(p,q∈{h,v})为散射幅度,表示以q极化状态发射、p极化状态接收电磁波所得的目标后向复散射系数,h为水平极化状态,v为垂直极化状态;上角标H表示矩阵的共轭转置;上角标T表示矩阵的转置;上角标*表示共轭;
步骤三B:对步骤三A计算得到的简化极化干涉相干矩阵进行特征值分解,相似对角化,得到特征值及基于特征值分析的优化相干系数;
步骤三C:选取城镇三种典型不同地物样本:森林、农田、建筑物,将所述三种不同地物样本作为检测目标,依据步骤三B得到的特征值及优化相干系数对所述三种不同地物样本的特征值及相干系数的统计特性进行分析,进而得到用于特征提取与目标检测的结果;
步骤四:将步骤三C得到的用于特征提取与目标检测的结果进行目标检测器设计,用于极化干涉合成孔径雷达图像,得到人造目标检测结果。
如图3及图4所示,利用特征值及线性约束条件去除农田杂波,利用相干系数和一常数门限去除森林杂波,检测结果如图5所示。
具体实施方式二:本实施方式的步骤三B中,所述对简化极化干涉相干矩阵进行特征值分解,相似对角化,得到特征值及基于特征值的优化相干系数,具体特征值、优化相干系数计算及矩阵相似对角化技术过程如下:
一个矩阵的特征值可以全面、准确表征矩阵的特性,是矩阵分析的重要手段和工具,因此求解简化极化干涉相干矩阵特征值用于基于简化极化干涉相干矩阵的地物特征提取与分析;简化极化干涉相干矩阵是3×3复矩阵,可以计算出其三个复特征值及对应的三个复特征矢量;
可以注意到,公式二中非对角元素为不同极化通道间信号相干性的度量,显然不同极化通道间信号的相干性对相同极化状态的信号起到去相干的作用。因此,只需利用某种方法使非对角元素为零即可实现相同极化状态信号的相干优化。当然这种设想同样可以用特征值分析的方法来实现;
若简化极化干涉相干矩阵为单纯矩阵,即可进行相似对角化,利用下述公式三~十二得到所述优化相干系数:
[Ω12]=[E]-1[Λ][E] 公式三
其中:[Ω12]为简化极化干涉相干矩阵;上角标H表示矩阵的共轭转置;(i=1,2)为Pauli基下极化散射矢量;(i=1,2)为新散射机理下的散射矢量;由简化极化干涉相干矩阵的特征向量构成;[Λ]=diag(λ1,λ2,λ3),由简化极化干涉相干矩阵的特征值λ1,λ2,λ3构成;[E]H和[E]-1的列向量可以被看作三组极化散射机理,即,
故而
其中:[E]H和[E]-1的列向量i=1,2;j=1,2,3被看作三组极化散射机理;上角标H表示矩阵的共轭转置;(i=1,2)为Pauli基下极化散射矢量;μij(i=1,2;j=1,2,3)为第i个散射矢量在第j个散射机理上的投影值,散射机理由[E]H和[E]-1的列向量确定;(i=1,2)为新散射机理下的散射矢量;
在这三组极化散射机理下,不同极化通道信号间的相干性得到抑制而相同极化通道信号间的去相干被最小化,相干性得到优化,利用下述公式十一和十二计算出三个优化相干系数,并与简化极化干涉相干矩阵一起用于极化干涉合成孔径雷达图像数据分析与特征提取;
其中,μij(i=1,2;j=1,2,3)为第i个散射矢量在第j个散射机理上的投影值,散射机理由[E]H和[E]-1的列向量确定;i=1,2,3为三对散射机理下的优化相干系数;(i=1,2)为新散射机理下的散射矢量;上角标T表示矩阵的转置;
若简化极化干涉相干矩阵不满足单纯矩阵的条件(在少数情况下),利用Jordan标准型来近似相似对角化,再利用公式六、四、五及七~十二得到所述优化相干系数:
[Ω12]=[P]-1[J][P] 公式六
其中:[Ω12]为简化极化干涉相干矩阵;[J]为[Ω12]的Jordan标准型,[J]对角线元素为[Ω12]的特征值,[J]除与对角线相邻的次对角线外的非对角线元素均为零,是相似对角化的一种近似;[P]为相似变换矩阵。其它方法步骤与具体实施方式一相同。
具体实施方式三:本实施方式的步骤三C中,依据步骤三B得到的特征值及优化相干系数对所选取的三种不同地物样本的特征值及相干系数的统计特性进行分析如下:
以上述三种不同地物样本的特征值为坐标构成特征空间或平面,统计上述三种不同地物样本点在特征空间或平面上的分布情况,分析上述三种样本在特征空间或平面中的可分性,分别统计绘制三种不同地物样本的三个相干系数分布概率密度图,通过所述三个相干系数分布概率密度图分析三种样本在该相干系数概率密度图上的差异,利用上述分析手段分析所述三种不同地物的区别,进而得到用于特征提取与目标检测的结果(即统计上述三种不同地物的特征值在特征平面上的分布情况以及相干系数的分布情况,从中分析所述三种不同地物的区别,进而用于特征提取与目标检测)。其它方法步骤与具体实施方式一相同。
具体实施方式四:本实施方式的步骤四中,所述目标检测器的设计方法如下:
根据步骤三C得到的用于特征提取与目标检测的结果,在特征值为坐标轴构成的特征空间上确定判决平面;利用三种不同地物样本的三个相干系数分布概率密度图设定阈值,综合以上两种方法实现目标检测。其它方法步骤与具体实施方式一、二或三相同。
本实施方式以图3、图4为例,在第一、二特征值构成的特征平面上设置如图3、图4所示的线性判决条件去除农田,第一相干系数设置一0.3左右的常数门限滤除森林,实现建筑物目标的检测。实际应用中的判决条件及门限应根据步骤三C得到的统计特性灵活设定。
具体实施方式五:本实施方式的步骤三A中,所述简化极化干涉相干矩阵(公式二)概念的提出;具体描述如下:
传统极化干涉合成孔径雷达图像相干性的度量采用极化干涉相干矩阵,即
[T6]为一个2×2的分块矩阵(极化干涉相干矩阵),由三个3×3的复矩阵[T11]、[T22]和[Ω12]构成,同时包含了两幅干涉复图像的极化信息和干涉信息;其中,[T11]、[T22]和[Ω12]分别定义为
显然[T11]和[T22]只包含两雷达的极化信息,与干涉无关,在极化干涉数据分析中是一种数据冗余,因此,定义[Ω12]为简化极化干涉相干矩阵(Simplified PolarimetricInterferometric Coherency Matrix,SPICM)为
公式二
由公式二可以看出简化极化干涉相干矩阵的每个元素为极化干涉合成孔径雷达两天线不同极化通道信号间相干性的度量,包含数据分析所需的足够极化干涉信息。
Claims (4)
1.一种基于特征值分析的极化干涉合成孔径雷达目标检测方法,其特征在于:所述方法由以下步骤实现:
步骤一:通过极化干涉合成孔径雷达***采集图像获得待处理的图像数据,根据图像数据格式读入极化干涉合成孔径雷达图像的数据;
步骤二:图像预处理:对步骤一读入的极化干涉合成孔径雷达图像进行滤波、配准预处理,得到极化散射矢量;
步骤三:根据步骤二得到的极化散射矢量计算简化极化干涉相干矩阵的特征值及Jordan标准型,计算基于特征值分析的相干系数,对城镇区域三种不同地物特征值及相干系数统计特性进行统计分析,具体步骤如下:
步骤三A:简化极化干涉相干矩阵的计算:
公式一
公式二
其中,[Ω12]为简化极化干涉相干矩阵;(i=1,2)为Pauli基下极化散射矢量;Spq(p,q∈{h,v})为散射幅度,表示以q极化状态发射、p极化状态接收电磁波所得的目标后向复散射系数,h为水平极化状态,v为垂直极化状态;上角标H表示矩阵的共轭转置;上角标T表示矩阵的转置;上角标*表示共轭;
步骤三B:对步骤三A计算得到的简化极化干涉相干矩阵进行特征值分解,相似对角化,得到特征值及基于特征值分析的优化相干系数;
步骤三C:选取城镇三种典型不同地物样本:森林、农田、建筑物,将所述三种不同地物样本作为检测目标,依据步骤三B得到的特征值及优化相干系数对所述三种不同地物样本的特征值及相干系数的统计特性进行分析,进而得到用于特征提取与目标检测的结果;
步骤四:将步骤三C得到的用于特征提取与目标检测的结果进行目标检测器设计,用于极化干涉合成孔径雷达图像,得到人造目标检测结果。
2.根据权利要求1所述的基于特征值分析的极化干涉合成孔径雷达目标检测方法,其特征在于:步骤三B中,所述对简化极化干涉相干矩阵进行特征值分解,相似对角化,得到特征值及基于特征值的优化相干系数,具体特征值、优化相干系数计算及矩阵相似对角化技术过程如下:
若简化极化干涉相干矩阵为单纯矩阵,即可进行相似对角化,利用下述公式三~十二得到所述优化相干系数:
[Ω12]=[E]-1[Λ][E] 公式三
其中:[Ω12]为简化极化干涉相干矩阵;上角标H表示矩阵的共轭转置;(i=1,2)为Pauli基下极化散射矢量;(i=1,2)为新散射机理下的散射矢量;由简化极化干涉相干矩阵的特征向量构成;[Λ]=diag(λ1,λ2,λ3),由简化极化干涉相干矩阵的特征值λ1,λ2,λ3构成;[E]H和[E]-1的列向量可以被看作三组极化散射机理,即,
故而
其中:[E]H和[E]-1的列向量i=1,2;j=1,2,3被看作三组极化散射机理;上角标H表示矩阵的共轭转置;(i=1,2)为Pauli基下极化散射矢量;μij(i=1,2;j=1,2,3)为第i个散射矢量在第j个散射机理上的投影值,散射机理由[E]H和[E]-1的列向量确定;(i=1,2)为新散射机理下的散射矢量;
在这三组极化散射机理下,不同极化通道信号间的相干性得到抑制而相同极化通道信号间的去相干被最小化,相干性得到优化,利用下述公式十一和十二计算出三个优化相干系数,并与简化极化干涉相干矩阵一起用于极化干涉合成孔径雷达图像数据分析与特征提取;
其中,μij(i=1,2;j=1,2,3)为第i个散射矢量在第j个散射机理上的投影值,散射机理由[E]H和[E]-1的列向量确定;i=1,2,3为三对散射机理下的优化相干系数;(i=1,2)为新散射机理下的散射矢量;上角标T表示矩阵的转置;
若简化极化干涉相干矩阵不满足单纯矩阵的条件,利用Jordan标准型来近似相似对角化,再利用公式六、四、五及七~十二得到所述优化相干系数:
[Ω12]=[P]-1[J][P] 公式六
其中:[Ω12]为简化极化干涉相干矩阵;[J]为[Ω12]的Jordan标准型,[J]对角线元素为[Ω12]的特征值,[J]除与对角线相邻的次对角线外的非对角线元素均为零,是相似对角化的一种近似;[P]为相似变换矩阵。
3.根据权利要求1所述的基于特征值分析的极化干涉合成孔径雷达目标检测方法,其特征在于:步骤三C中,依据步骤三B得到的特征值及优化相干系数对所选取的三种不同地物样本的特征值及相干系数的统计特性进行分析如下:
以上述三种不同地物样本的特征值为坐标构成特征空间或平面,统计上述三种不同地物样本点在特征空间或平面上的分布情况,分析上述三种样本在特征空间或平面中的可分性,分别统计绘制三种不同地物样本的三个相干系数分布概率密度图,通过所述三个相干系数分布概率密度图分析三种样本在该相干系数概率密度图上的差异,利用上述分析手段分析所述三种不同地物的区别,进而得到用于特征提取与目标检测的结果。
4.根据权利要求1、2或3所述的基于特征值分析的极化干涉合成孔径雷达目标检测方法,其特征在于:步骤四中,所述目标检测器的设计方法如下:
根据步骤三C得到的用于特征提取与目标检测的结果,在特征值为坐标轴构成的特征空间上确定判决平面;利用三种不同地物样本的三个相干系数分布概率密度图设定阈值,综合以上两种方法实现目标检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110102633XA CN102253377B (zh) | 2011-04-22 | 2011-04-22 | 基于特征值分析的极化干涉合成孔径雷达目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110102633XA CN102253377B (zh) | 2011-04-22 | 2011-04-22 | 基于特征值分析的极化干涉合成孔径雷达目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102253377A CN102253377A (zh) | 2011-11-23 |
CN102253377B true CN102253377B (zh) | 2012-11-21 |
Family
ID=44980743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110102633XA Expired - Fee Related CN102253377B (zh) | 2011-04-22 | 2011-04-22 | 基于特征值分析的极化干涉合成孔径雷达目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102253377B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772371A (zh) * | 2016-11-21 | 2017-05-31 | 上海卫星工程研究所 | 基于极化干涉sar分类应用的极化定标参数需求分析方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197304B (zh) * | 2013-04-19 | 2014-12-24 | 哈尔滨工业大学 | 基于非反射对称散射分量提取的PolSAR图像两层目标分解方法 |
CN103323830B (zh) * | 2013-05-20 | 2016-03-09 | 中国科学院电子学研究所 | 基于极化干涉合成孔径雷达的三元素分解方法及装置 |
CN104360331B (zh) * | 2014-12-11 | 2016-09-14 | 南京长峰航天电子科技有限公司 | 一种宽带雷达目标极化特性的模拟方法 |
CN104991241B (zh) * | 2015-06-30 | 2017-04-19 | 西安电子科技大学 | 强杂波背景下目标信号的提取和超分辨率增强处理方法 |
CN106338775B (zh) * | 2016-09-07 | 2018-07-10 | 民政部国家减灾中心(民政部卫星减灾应用中心) | 基于干涉合成孔径雷达数据的建筑物倒损程度评估方法 |
CN107121673A (zh) * | 2017-04-17 | 2017-09-01 | 北京环境特性研究所 | 基于全极化技术的背景杂波提取方法 |
CN107167806A (zh) * | 2017-05-22 | 2017-09-15 | 中国人民解放军国防科学技术大学 | 基于凹陷滤波的极化合成孔径雷达海上舰船目标检测方法 |
CN107144842A (zh) * | 2017-06-27 | 2017-09-08 | 哈尔滨工业大学 | 一种改进的极化干涉sar植被高度联合反演方法 |
CN109754004B (zh) * | 2018-12-25 | 2020-10-23 | 中国科学院国家空间科学中心 | 一种极化sar图像的对偶g4u目标分解方法 |
CN112630741B (zh) * | 2020-12-11 | 2023-04-14 | 江西师范大学 | 一种全极化合成孔径雷达图像目标补偿peoc方法 |
CN113643284B (zh) * | 2021-09-09 | 2023-08-15 | 西南交通大学 | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITRM20070399A1 (it) * | 2007-07-19 | 2009-01-20 | Consiglio Nazionale Ricerche | Metodo di elaborazione di dati rilevati mediante radar ad apertura sintetica (synthetic aperture radar - sar) e relativo sistema di telerilevamento. |
CN101419284A (zh) * | 2008-08-08 | 2009-04-29 | 哈尔滨工业大学 | 由森林覆盖下目标参数反演模型获得人造目标信息的方法 |
CN101685155B (zh) * | 2008-09-27 | 2012-08-29 | 中国科学院电子学研究所 | 基于极化干涉合成孔径雷达数据优化干涉相干系数的方法 |
CN101369019A (zh) * | 2008-10-10 | 2009-02-18 | 清华大学 | 基于极化数据融合的极化干涉合成孔径雷达三维成像方法 |
-
2011
- 2011-04-22 CN CN201110102633XA patent/CN102253377B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772371A (zh) * | 2016-11-21 | 2017-05-31 | 上海卫星工程研究所 | 基于极化干涉sar分类应用的极化定标参数需求分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102253377A (zh) | 2011-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102253377B (zh) | 基于特征值分析的极化干涉合成孔径雷达目标检测方法 | |
CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
Park et al. | Polarimetric SAR remote sensing of the 2011 Tohoku earthquake using ALOS/PALSAR | |
US10107904B2 (en) | Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (IFSAR) measurements | |
CN104899562B (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN104698460A (zh) | 一种双频共面合成孔径雷达海面风场反演方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN105321163A (zh) | 检测全极化sar图像的变化区域的方法和装置 | |
Liao et al. | Urban change detection based on coherence and intensity characteristics of SAR imagery | |
Li et al. | Enhanced automatic root recognition and localization in GPR images through a YOLOv4-based deep learning approach | |
CN103870842B (zh) | 结合极化特征和分水岭的极化sar图像分类方法 | |
Quan et al. | Exploring fine polarimetric decomposition technique for built-up area monitoring | |
CN103808736A (zh) | 基于被动微波混合像元分解技术的盐碱地特性探测方法 | |
CN106022383B (zh) | 基于方位角相关动态字典稀疏表示的sar目标识别方法 | |
CN106154239A (zh) | 一种利用极化干涉信息探测林下隐目标的方法 | |
Costantini et al. | Enhanced PSP SAR interferometry for analysis of weak scatterers and high definition monitoring of deformations over structures and natural terrains | |
CN107358162A (zh) | 基于深度堆栈网络的极化sar影像变化检测方法 | |
Guo et al. | Study of detecting method with advanced airborne and spaceborne synthetic aperture radar data for collapsed urban buildings from the Wenchuan earthquake | |
CN103744079B (zh) | 一种甘蔗植期的确定方法及*** | |
Liang et al. | Mapping urban impervious surface with an unsupervised approach using interferometric coherence of SAR images | |
Thapa et al. | Monitoring land encroachment and land use & land cover (LULC) change in the Pachhua Dun, Dehradun District using landsat images 1989 and 2020 | |
Preiss et al. | Polarimetric SAR coherent change detection | |
He et al. | An improved method for phase triangulation algorithm based on the coherence matrix eigen-decomposition in time-series SAR interferometry | |
Li et al. | Detecting, Monitoring, and Analyzing the Surface Subsidence in the Yellow River Delta (China) Combined with CenterNet Network and SBAS‐InSAR |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121121 Termination date: 20130422 |