CN110646795A - 一种简缩极化sar的海洋溢油检测方法和系统 - Google Patents
一种简缩极化sar的海洋溢油检测方法和系统 Download PDFInfo
- Publication number
- CN110646795A CN110646795A CN201910869853.1A CN201910869853A CN110646795A CN 110646795 A CN110646795 A CN 110646795A CN 201910869853 A CN201910869853 A CN 201910869853A CN 110646795 A CN110646795 A CN 110646795A
- Authority
- CN
- China
- Prior art keywords
- polarization
- scattering
- matrix
- simplified
- sar
- 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.)
- Granted
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 354
- 239000003305 oil spill Substances 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 195
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 89
- 230000011218 segmentation Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 13
- 238000005284 basis set Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000005388 cross polarization Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 239000003921 oil Substances 0.000 description 34
- 230000001427 coherent effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 241000845082 Panama Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000012075 bio-oil Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9076—Polarimetric features in SAR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9029—SAR image post-processing techniques specially adapted for moving target detection within a single SAR image or within multiple SAR images taken at the same time
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种简缩极化SAR的海洋溢油检测方法和系统，包括以下步骤：首先提取简缩极化SAR协方差矩阵；其次对简缩极化协方差矩阵进行简缩极化精致Lee滤波；接着对简缩极化精致Lee滤波之后的简缩极化协方差矩阵进行简缩极化H/α分解得到简缩极化熵(H)与简缩极化各向异性度(A)，并且进行H(1‑A)组合计算，得到简缩极化熵与各向异性度联合分布图(HA)；最后通过基于高斯模型的最小误差阈值法对联合图进行自动分割检测，消除疑似溢油区域暗斑，得到溢油区域结果。该方法适用于简缩极化SAR海洋溢油检测，能够过滤疑似溢油的暗斑区域，快速地检测出海洋溢油区域。
Description
技术领域
本发明属于海洋遥感技术领域，具体涉及一种简缩极化SAR的海洋溢油检测方法和系统。
背景技术
海洋溢油会对海洋生态环境造成严重的威胁，是海洋污染主要的来源之一。海底油田的天然泄露，海底油田开采过程中的外漏，以及油轮泄露、碰撞事故频发，都造成了严重的海洋溢油污染。2010年4月20日在墨西哥湾发生了一起海底油田开采过程中的油田泄露事故，该事故造成了大面积的原油泄漏，对生态的影响破坏持续至今。2018年1月6号，中国货船与巴拿马籍油轮“吉桑”号发生碰撞，导致“吉桑”号起火，在海面上形成了至少十公里的油污带。此外由于海底油气藏经常会发生烃类泄漏，这样会在海洋表面形成油膜。对这些由海底油气藏渗漏产生的油膜的检测和追踪，能够帮助确定海底油气藏的具体位置。因此及时准确地进行海洋溢油的检测，不仅对海洋生态环境的保护具有重要的意义，而且能够对远景海底油田进行预测与范围确定。
海洋面积约占地球面积的71％，我国海洋面积约300万平方公里，此外海洋中很多地方人类难以到达。遥感卫星由于其成像面积广、远距离探测等优点，已经成为海洋溢油检测的最主要的方式之一。而在不同的遥感卫星中，SAR由于其全天时、全天候、穿透能力强等特点，适合对海上的溢油目标进行检测。海洋溢油在传统的单极化SAR图像上显示为黑色暗斑。但是，不仅海洋溢油在SAR图像上表现为黑色暗斑，很多疑似溢油现象(雨团，生物油膜、低风速区等)也表现为“暗斑”，因此利用单极化SAR进行海洋溢油检测的时候经常会发生虚警。但是这些不同暗斑的极化信息存在差异，所以可以利用其极化特征进行区分，全极化SAR在溢油检测过程中就能够很好地过滤疑似溢油暗斑。但是全极化SAR的系统复杂度比较高，系统维护成本也比较高，此外其数据量比较大，幅宽相对较小，这些因素对全极化SAR数据的适用范围存在一定的制约。
简缩极化SAR是一种新兴的极化SAR，其相对于单极化SAR能够很好地保持地物的极化信息；相对于全极化SAR，其幅宽较大，数据量较少。因此简缩极化SAR在海洋溢油检测方面具有良好的潜力，可以利用简缩极化SAR的极化特征对海洋溢油与疑似溢油进行区分检测，过滤消除疑似溢油暗斑，检测出海洋溢油区域。
发明内容
为了解决单极化SAR溢油检测过程中，疑似溢油暗斑干扰的问题，以及全极化SAR数据量大，幅宽较小的不足的问题，本发明提出一种简缩极化SAR的海洋溢油检测方法，包含以下步骤：
S101，提取简缩极化SAR协方差矩阵；
S102，对上述步骤获取的简缩极化协方差矩阵，进行简缩极化精致Lee滤波；
S103，对上述进行简缩极化精致Lee滤波之后的简缩极化协方差矩阵进行简缩极化H/α分解，得到简缩极化熵H、简缩极化各向异性度A；
S104，对上述步骤得到的简缩极化熵、简缩极化各项异性度进行组合计算，得到简缩极化熵与简缩极化各向异性度联合图；
S105，利用基于高斯分布的最小误差阈值分割法对简缩极化熵与简缩极化各向异性度联合图进行自动阈值计算与分割，得到最终的溢油检测结果。
进一步的，步骤S101通过两种方式实施，一是从简缩极化原始数据中提取简缩极化协方差，二是通过对原始的全极化SAR数据进行模拟仿真，得到简缩极化协方差数据，最终提取简缩极化SAR协方差矩阵。
进一步的，通过对原始的全极化SAR数据进行模拟仿真，得到简缩极化协方差数据，最终提取简缩极化SAR协方差矩阵的具体实现方式如下，
步骤a，获取极化散射矩阵S；
式中，Sij为复散射系数，其中i极化表示发射的电磁波，j极化表示接收的电磁波，极化散射矩阵S是一个复2*2的矩阵，它包含了散射体的散射信息，其中SHH和SVV成为共极化项，SHV和SVH称为交叉极化项；
步骤b，从极化散射矩阵提取全极化协方差矩阵；
地物散射的极化信息通过极化散射矩阵S进行描述，极化散射矩阵用四维Pauli特征矢量k进行表示：
k＝[SHH SHV SVH SVV]T
在上式中，T表示转置，在散射矢量中，ki分别表示不同的极化通道的后向散射的值；
在单站后向散射机制下，极化散射矩阵矩阵满足互易定理，即SHV＝SVH，因此四维极化的目标矢量可以减少到三维，收发天线互换时，测量值不变，而相应的两类特殊正交几何的定义如下所示：
复Pauli旋转矩阵基集合{ψP}
由此得三维Pauli特征矢量k：
k＝[SHH+SVVSHH-SVV2SVH]T
在上式中，不同元素分别表示：SHH为表面散射、SVV为二面角散射、SVH45°为倾角的二面角散射；
Lexicographic矩阵基集合{ψL}
由此得三维Lexicographic特征矢量Ω表示如下所示：
上式中，SHV项引入因子
保证散射矩阵的总功率守恒；
因此k与Ω之间存在变换关系：
式中，U3(L→P)是由Lexicographic特征矢量到Pauli特征矢量的特殊酉变换；
至此，从极化散射矩阵S中获取目标矢量Ω，从而使用目标矢量与自身共轭转置矢量的外积来求全极化协方差矩阵C：
C＝<Ω·Ω*T>
上式中<·>表示时间或空间集合平均，并且假设随机媒质是各向同性的，因此协方差矩阵C用下式所示：
上式中*表示矩阵的共轭，Cij分别为协方差矩阵C的各个元素；
步骤c，简缩极化HP模式模拟仿真；
当HP简缩极化SAR系统发射右圆极化波时，其后向回波矢量用极化散射矩阵表示为：
式中，S为散射矩阵，J为Jones矢量；简缩极化SAR水平回波信号与垂直回波信号用极化散射矩阵表示为：
在HP工作模式下，简缩极化SAR后向散射的散射矢量用极化散射矩阵表示为：
因此在HP模式下，简缩极化SAR协方差矩阵表示为：
其中Re表示实部，i为虚数单位；
全极化协方差矩阵用极化散射矩阵表达：
利用全极化协方差矩阵对HP模式进行仿真：
得到步骤S101中所描述的简缩极化协方差矩阵。
进一步的，步骤S103的具体实现方式如下，
所述简缩极化H/a分解为：
其中λ1、λ2为简缩极化的特征值，U2为特征矢量，
简缩极化熵被定义为：
简缩极化各向异性度被定义为：
A＝p1-p2
其中简缩极化熵表示地物散射现象统计的混乱程度。
进一步的，步骤S104中得到的简缩极化熵与简缩极化各向异性度联合图如下，
HA＝H(1-A)
该联合特征图能够表征随机散射过程，即高简缩极化熵，低简缩极化各向异性度。
进一步的，步骤S105的具体实现方式如下，
基于高斯分布的最小误差阈值分割法是假设溢油目标与背景各自分布p(x|i)均服从
的正态分布：
在上式中i＝0，1，然后基于最小分类思想，得到以下最小误差目标函数：
而后的最佳阈值通过下式获得：
T*＝arg{min0≤t＜lJ(t)}
式中，t表示不同的阈值，l表示最大阈值；
自动计算得到阈值之后，进行图像的阈值分割，这样就得到溢油检测结果，并且能够过滤掉疑似溢油的暗斑。
本发明还提供一种简缩极化SAR的海洋溢油检测系统，包含以下模块：
简缩极化SAR协方差矩阵提取模块，用于提取简缩极化SAR协方差矩阵；
精致Lee滤波模块，用于对获取的简缩极化协方差矩阵，进行简缩极化精致Lee滤波；
简缩极化H/α分解模块，用于对上述进行简缩极化精致Lee滤波之后的简缩极化协方差矩阵进行简缩极化H/α分解，得到简缩极化熵H、简缩极化各向异性度A；
联合图计算模块，用于对得到的简缩极化熵、简缩极化各项异性度进行组合计算，得到简缩极化熵与简缩极化各向异性度联合图；
阈值计算与分割模块，用于利用基于高斯分布的最小误差阈值分割法对简缩极化熵与简缩极化各向异性度联合图进行自动阈值计算与分割，得到最终的溢油检测结果。
进一步的，简缩极化SAR协方差矩阵提取模块通过两种方式实施，一是从简缩极化原始数据中提取简缩极化协方差，二是通过对原始的全极化SAR数据进行模拟仿真，得到简缩极化协方差数据，最终提取简缩极化SAR协方差矩阵；
其中第二种方式的具体实现方式如下，
步骤a，获取极化散射矩阵S；
式中，Sij为复散射系数，其中i极化表示发射的电磁波，j极化表示接收的电磁波，极化散射矩阵S是一个复2*2的矩阵，它包含了散射体的散射信息，其中SHH和SVV成为共极化项，SHV和SVH称为交叉极化项；
步骤b，从极化散射矩阵提取全极化协方差矩阵；
地物散射的极化信息通过极化散射矩阵S进行描述，极化散射矩阵用四维Pauli特征矢量k进行表示：
k＝[SHH SHV SVH SVv]T
在上式中，T表示转置，在散射矢量中，ki分别表示不同的极化通道的后向散射的值；
在单站后向散射机制下，极化散射矩阵矩阵满足互易定理，即SHV＝SVH，因此四维极化的目标矢量可以减少到三维，收发天线互换时，测量值不变，而相应的两类特殊正交几何的定义如下所示：
复Pauli旋转矩阵基集合{ψP}
由此得三维Pauli特征矢量k：
k＝[SHH+SVVSHH-SVV2SVH]T
在上式中，不同元素分别表示：SHH为表面散射、SVV为二面角散射、SVH45°为倾角的二面角散射；
Lexicographic矩阵基集合{ψL}
由此得三维Lexicographic特征矢量Ω表示如下所示：
上式中，SHV项引入因子保证散射矩阵的总功率守恒；
因此k与Ω之间存在变换关系：
式中，U3(L→P)是由Lexicographic特征矢量到Pauli特征矢量的特殊酉变换；
至此，从极化散射矩阵S中获取目标矢量Ω，从而使用目标矢量与自身共轭转置矢量的外积来求全极化协方差矩阵C：
C＝<Ω·Ω*T>
上式中<·>表示时间或空间集合平均，并且假设随机媒质是各向同性的，因此协方差矩阵C用下式所示：
上式中*表示矩阵的共轭，Cij分别为协方差矩阵C的各个元素；
步骤c，简缩极化HP模式模拟仿真；
当HP简缩极化SAR系统发射右圆极化波时，其后向回波矢量用极化散射矩阵表示为：
式中，S为散射矩阵，J为Jones矢量；
简缩极化SAR水平回波信号与垂直回波信号用极化散射矩阵表示为：
在HP工作模式下，简缩极化SAR后向散射的散射矢量用极化散射矩阵表示为：
因此在HP模式下，简缩极化SAR协方差矩阵表示为：
其中Re表示实部，i为虚数单位；
全极化协方差矩阵用极化散射矩阵表达：
利用全极化协方差矩阵对HP模式进行仿真：
得到步骤S101中所描述的简缩极化协方差矩阵。
进一步的，简缩极化H/α分解模块的具体实现方式如下，
所述简缩极化H/α分解为：
其中λ1、λ2为简缩极化的特征值，U2为特征矢量，
简缩极化熵被定义为：
简缩极化各向异性度被定义为：
A＝p1-p2
其中简缩极化熵表示地物散射现象统计的混乱程度。
进一步的，阈值计算与分割模块的具体实现方式如下，
基于高斯分布的最小误差阈值分割法是假设溢油目标与背景各自分布p(x|i)均服从
的正态分布：
在上式中i＝0，1，然后基于最小分类思想，得到以下最小误差目标函数：
而后的最佳阈值通过下式获得：
T*＝arg{min0≤t＜lJ(t)}
式中，t表示不同的阈值，l表示最大阈值；
自动计算得到阈值之后，进行图像的阈值分割，这样就得到溢油检测结果，并且能够过滤掉疑似溢油的暗斑。
与现有技术相比，该方法适用于简缩极化SAR数据，提出了能够有效区分溢油与疑似溢油的简缩极化熵与简缩极化各向异性度联合分布图，有效减少了溢油检测过程中的虚警率，并且通过基于高斯分布的最小误差阈值分割法能够进行海洋溢油区域的检测。该方法计算量较小，能够适用于大范围的海洋溢油与疑似溢油的检测区分，在快速初步海洋溢油提取方面有着明显的价值与意义。
附图说明
图1是本发明一种简缩极化SAR的海洋溢油检测方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步的描述。
如图1所示，本发明的实施示例提供了一种简缩极化SAR海洋溢油检测的方法，包括以下步骤。
步骤S101，提取简缩极化SAR协方差矩阵。
本发明首先提取简缩极化SAR协方差矩阵，国内外的简缩极化SAR尚处在实验阶段，目前简缩极化模式主要包括：π/4简缩极化模式、circularly-circularly(CC)简缩极化模式、hybrid-polarity(HP)简缩极化模式。π/4简缩极化模式是最早被提出来的一种简缩极化方式，其发射45°的线极化波，接收水平回波信号与垂直汇报信号。接着被提出来的是circularly-circularly(CC)模式，该模式发射圆极化波，接收的是圆极化波回波信号。最后被提出来，也是最完善的模式是hybrid-polarity(HP)模式，其发射的是圆极化波，接收的分别为水平回波信号和垂直回波信号。HP模式被认为是简缩极化模式中表现最优秀的，其具有简单、稳定、对噪声敏感程度低的优点，此外其还具有一定的自校正能力。HP简缩极化模式被人们广泛地认可，也是简缩极化未来最主要的发展方向之一。
由于目前缺乏真实的简缩极化SAR数据，国内外的研究主要根据全极化SAR数据与简缩极化SAR数据的线性关系进行模拟仿真。因此在本发明的实施示例中步骤S101可以通过两种方式实施，一是从简缩极化原始数据中提取简缩极化协方差，二是通过对原始的全极化SAR数据进行模拟仿真，得到简缩极化协方差数据，最终提取简缩极化SAR协方差矩阵。
方式一的具体实施步骤如下所示：
直接从简缩极化原始数据中提取简缩极化协方差矩阵。
式中kHP为HP模式简缩极化散射矢量，*表示矩阵的共轭，Cij表示简缩极化协方差矩阵的元素。
这样即可以得到步骤S101中所描述的简缩极化协方差矩阵。
方式二的具体实施过程为：
步骤a，获取极化散射矩阵
极化是电磁波的基本特性之一，也是电磁波所固有的一种物理性质，在选定的坐标系中，可以对电磁波的电场矢量进行分解，可以分别得到水平方向和垂直方向的电磁波分量，这两个电磁波分量构成了电磁波的极化方式。
因为相干目标的散射方式时线性的过程，所以在选定了空间坐标系以及相对应的极化基之后就可以对入射波和反射波之间进行线性转换。因此地物目标可以通过一个复二维矩阵进行表示，这个矩阵就是极化散射矩阵S(Sinclair matrix)。在极化SAR数据表达中，极化散射矩阵是最基本的记录单元，可以保持和记录地物的全部极化信息。
因此SAR的入射波Et在后向散射坐标系中可以通过下式进行表示：
在上式中，eH和eV分别表示水平方向和垂直方向上的正交极化基，
和
分别表示水平和垂直方向上的发射的电磁波，上标t表示发射天线发射的电磁波。当发射的电磁波被地物反射回去的时候，在远场的情况下，反射波可以被看成面波，因此这个后向散射的过程可以被视做线性转化的过程，可以用极化散射矩阵表示，因此接收的电磁波Es常可以通过如下公式表示：
式中，r表示的是散射目标与接收天线之间的距离，上标s表示的是接收到的电磁波，k表示电磁波的波数。因此可以得到极化散射矩阵S如下：
式中，Sij为复散射系数，其中i极化表示发射的电磁波，j极化表示接收的电磁波。极化散射矩阵S是一个复2*2的矩阵，它包含了散射体的散射信息。其中SHH和SVV成为共极化项，SHV和SVH称为交叉极化项。
步骤b，从极化散射矩阵提取全极化协方差矩阵
地物散射的极化信息主要通过极化散射矩阵S进行描述，极化散射矩阵可以用四维Pauli特征矢量k进行表示：
k＝[SHH SHV SvH SVV]T
在上式中，T表示转置。在散射矢量中，ki分别表示不同的极化通道的后向散射的值。
在单站后向散射机制下，极化散射矩阵矩阵满足互易定理，即SHV＝SVH，因此四维极化的目标矢量可以减少到三维，收发天线互换时，测量值不变，而相应的两类特殊正交几何的定义如下所示：
复Pauli旋转矩阵基集合{ψP}
由此可得三维Pauli特征矢量k：
k＝[SHH+SVVSHH-SVV2SVH]T
在上式中，不同元素分别表示：SHH为表面散射、SVV为二面角散射、SVH为45°倾角的二面角散射。
Lexicographic矩阵基集合{ψL}
由此可得三维Lexicographic特征矢量Ω表示如下所示：
上式中，SHV项引入因子
保证散射矩阵的总功率守恒。
因此极化散射目标矢量k与极化散射矢量Ω之间存在变换关系：
式中，U3(L→P)是由Lexicographic目标矢量到Pauli目标矢量的特殊酉变换。
至此可以从极化散射矩阵S中获取目标矢量Ω，从而可以使用目标矢量与自身共轭转置矢量的外积来求全极化协方差矩阵C：
C＝<Ω·Ω*T>
上式中<·>表示时间或空间集合平均，并且假设随机媒质是各向同性的。因此协方差矩阵C可以用下式所示：
上式中*表示矩阵的共轭，Cij分别为协方差矩阵C的各个元素。
步骤c，简缩极化HP模式模拟仿真
HP模式通过发射圆极化波信号，分别接收水平回波信号和垂直回波信号，其相对于其他的简缩极化模式更加稳定，并且对噪声敏感程度下降，具有一定的自校正能力，当其发射的圆极化波为右圆极化波时效果最好。本发明主要使用基于右圆极化波的简缩极化HP模式进行分析。
当HP简缩极化SAR系统发射右圆极化波时，其后向回波矢量EB可以用全极化SAR的散射矩阵表示为：
式中，S为散射矩阵，J为Jones矢量。
因此，简缩极化SAR水平回波信号EH与垂直回波信号EV可以用极化散射矩阵表示为：
因此，在HP工作模式下，简缩极化SAR后向散射的散射矢量kHP用极化散射矩阵表示为：
因此在HP模式下，简缩极化SAR协方差矩阵可以用极化散射矩阵表示为：
其中Re表示实部，i为虚数单位。
全极化协方差矩阵可以用极化散射矩阵表达：
因此可以利用全极化协方差矩阵对HP模式进行仿真：
这样即可以得到步骤S101中所描述的简缩极化协方差矩阵。
步骤S102，对上述步骤获取的简缩极化协方差矩阵，进行简缩极化精致Lee滤波。
SAR图像熵的相干斑是由大量的散射单元反射波的相干叠加引起的，相干斑会使得相邻像素间的信号强度发生变化，视觉上表现为颗粒状的噪声。对于简缩极化而言，相干斑不仅存在于各个极化通道的强度图像中，也存在于极化通道间的复乘积项中。因此针对于简缩极化SAR影像需要有特殊设计的简缩极化滤波方法。
简缩极化SAR精致Lee滤波的思想与极化SAR精致Lee滤波思想一致，是一种基于方向性非正方形窗和最小均方误差的滤波算法。其边界对齐窗和滤波加权值都是有简缩极化总功率来确定的。
步骤S103，对得到的简缩极化精致Lee滤波之后的简缩极化协方差矩阵进行简缩极化H/α分解，得到简缩极化熵(H)、简缩极化各向异性度(A)。
简缩极化H/α分解为：
其中λ1、λ2为简缩极化的特征值，U2为特征矢量，
海洋表面主要是Bragg散射占主导地位，其是海表的小粗糙面对电磁波的后向散射产生的，其主要呈现弱去极化状态，特征值λ1远大于特征值λ2，此时海表主要是低简缩极化熵。而海洋溢油对海表的Bragg散射有一定的阻尼作用，溢油区域主要呈现去极化状态，其简缩极化熵值比较高，此时特征值λ1与特征值λ2相差不大。
简缩极化熵被定义为：
简缩极化各向异性度被定义为：
A＝p1-p2
地物的简缩极化散射特性主要可以被这两者描述。其中简缩极化熵表示地物散射现象统计的混乱程度。对于大于0.7的高熵值，需要一个互补的参数简缩极化各向异性度来充分描述。而简缩极化各向异性度定义为二次散射机制的相对重要性。因为特征值是旋转不变的，因此简缩极化熵与简缩极化各向异性度也是旋转不变的。
步骤S104，对得到的简缩极化熵、简缩极化各项异性度进行组合计算H(1-A)，可以得到简缩极化熵与简缩极化各向异性度联合图(HA)。
简缩极化熵与简缩极化各向异性度联合图计算公式如下：
HA＝H(1-A)
该联合特征图具有明确的物理意义，能够表征随机散射过程，即高简缩极化熵，低简缩极化各向异性度，并且λ1≈λ2。随机散射过程在简缩极化熵与简缩极化各向异性度联合图能够被有效地突出，并且抑制单一散射过程。
根据前文的分析可知，海表溢油区域主要是随机散射过程，而疑似溢油与海表区域主要是Bragg散射占主导的单一散射过程，在简缩极化熵与简缩极化各向异性度的联合图上，溢油区域会被明显的突出，疑似溢油暗斑的特征会最大程度地趋近海表，这样即可以达到突出溢油区域，过滤疑似溢油暗斑的作用，可以有效地用于接下来的海洋溢油检测工作。
步骤S105，利用基于高斯分布的最小误差阈值分割法对简缩极化熵与简缩极化各向异性度联合图进行自动阈值计算与分割，得到最终的溢油检测结果。
基于高斯分布的最小误差阈值分割法是假设溢油目标与背景各自分布p(x|i)均服从的正态分布：
在上式中i＝0，1，然后基于最小分类思想，可以得到以下最小误差目标函数：
其中，ω(t)表示分布的概率。
而后的最佳阈值可以通过下式获得：
T*＝arg{min0≤t＜lJ(t)}
式中，t表示不同的阈值，l表示最大阈值。
自动计算得到阈值之后，可以进行图像的阈值分割，这样就可以得到溢油检测结果，并且能够过滤掉疑似溢油的暗斑。
本发明实施例还提供一种简缩极化SAR的海洋溢油检测系统，包含以下模块：
简缩极化SAR协方差矩阵提取模块，用于提取简缩极化SAR协方差矩阵；
精致Lee滤波模块，用于对获取的简缩极化协方差矩阵，进行简缩极化精致Lee滤波；
简缩极化H/α分解模块，用于对上述进行简缩极化精致Lee滤波之后的简缩极化协方差矩阵进行简缩极化H/a分解，得到简缩极化熵H、简缩极化各向异性度A；
联合图计算模块，用于对得到的简缩极化熵、简缩极化各项异性度进行组合计算，得到简缩极化熵与简缩极化各向异性度联合图；
阈值计算与分割模块，用于利用基于高斯分布的最小误差阈值分割法对简缩极化熵与简缩极化各向异性度联合图进行自动阈值计算与分割，得到最终的溢油检测结果。
其中，简缩极化SAR协方差矩阵提取模块的两种方式具体实现如下，
方式一是直接从简缩极化原始数据中提取简缩极化协方差，方式一的具体实施步骤如下所示：
直接从简缩极化原始数据中提取简缩极化协方差矩阵。
式中kHP为HP模式简缩极化散射矢量，*表示矩阵的共轭，Cij表示简缩极化协方差矩阵的元素。
这样即可以得到步骤S101中所描述的简缩极化协方差矩阵。
方式二是通过对原始的全极化SAR数据进行模拟仿真，得到简缩极化协方差数据，最终提取简缩极化SAR协方差矩阵。方式二的具体实施步骤如下所示：
步骤a，获取极化散射矩阵S；
式中，Sij为复散射系数，其中i极化表示发射的电磁波，j极化表示接收的电磁波，极化散射矩阵S是一个复2*2的矩阵，它包含了散射体的散射信息，其中SHH和SVV成为共极化项，SHV和SVH称为交叉极化项；
步骤b，从极化散射矩阵提取全极化协方差矩阵；
地物散射的极化信息通过极化散射矩阵S进行描述，极化散射矩阵用四维Pauli特征矢量k进行表示：
k＝[SHH SHV SVH SVV]T
在上式中，T表示转置，在散射矢量中，kj分别表示不同的极化通道的后向散射的值；
在单站后向散射机制下，极化散射矩阵矩阵满足互易定理，即SHV＝SVH，因此四维极化的目标矢量可以减少到三维，收发天线互换时，测量值不变，而相应的两类特殊正交几何的定义如下所示：
复Pauli旋转矩阵基集合{ψP}
由此得三维Pauli特征矢量k：
k＝[SHH+SVVSHH-SVV2SVH]T
在上式中，不同元素分别表示：SHH为表面散射、SVV为二面角散射、SVH45°为倾角的二面角散射；
Lexicographic矩阵基集合{ψL}
由此得三维Lexicographic特征矢量Ω表示如下所示：
上式中，SHV项引入因子
保证散射矩阵的总功率守恒；
因此k与Ω之间存在变换关系：
式中，U3(L→P)是由Lexicographic特征矢量到Pauli特征矢量的特殊酉变换；
至此，从极化散射矩阵S中获取目标矢量Ω，从而使用目标矢量与自身共轭转置矢量的外积来求全极化协方差矩阵C：
C＝<Ω·Ω*T>
上式中<·>表示时间或空间集合平均，并且假设随机媒质是各向同性的，因此协方差矩阵C用下式所示：
上式中*表示矩阵的共轭，Cij分别为协方差矩阵C的各个元素；
步骤c，简缩极化HP模式模拟仿真；
当HP简缩极化SAR系统发射右圆极化波时，其后向回波矢量用极化散射矩阵表示为：
式中，S为散射矩阵，J为Jones矢量；
简缩极化SAR水平回波信号与垂直回波信号用极化散射矩阵表示为：
在HP工作模式下，简缩极化SAR后向散射的散射矢量用极化散射矩阵表示为：
因此在HP模式下，简缩极化SAR协方差矩阵表示为：
其中Re表示实部，i为虚数单位；
全极化协方差矩阵用极化散射矩阵表达：
利用全极化协方差矩阵对HP模式进行仿真：
得到步骤S101中所描述的简缩极化协方差矩阵。
其中，简缩极化H/α分解模块的具体实现方式如下，
所述简缩极化H/α分解为：
其中λ1、λ2为简缩极化的特征值，U2为特征矢量，
简缩极化熵被定义为：
简缩极化各向异性度被定义为：
A＝p1-p2
其中简缩极化熵表示地物散射现象统计的混乱程度。
其中，联合图计算模块中得到的简缩极化熵与简缩极化各向异性度联合图如下，
HA＝H(1-A)
该联合特征图能够表征随机散射过程，即高简缩极化熵，低简缩极化各向异性度。
其中，阈值计算与分割模块的具体实现方式如下，
基于高斯分布的最小误差阈值分割法是假设溢油目标与背景各自分布p(x|i)均服从
的正态分布：
在上式中i＝0，1，然后基于最小分类思想，得到以下最小误差目标函数：
而后的最佳阈值通过下式获得：
T*＝arg{min0≤t＜lJ(t)}
式中，t表示不同的阈值，l表示最大阈值；
自动计算得到阈值之后，进行图像的阈值分割，这样就得到溢油检测结果，并且能够过滤掉疑似溢油的暗斑。
各模块的具体实现方式和各步骤相应。
上述实例为只是为了说明本发明的技术构思及特点，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，这些变化、修改、替换和变形也应视为本发明的保护范围。
Claims (10)
1.一种简缩极化SAR的海洋溢油检测方法，其特征在于，包含以下步骤：
S101，提取简缩极化SAR协方差矩阵；
S102，对上述步骤获取的简缩极化协方差矩阵，进行简缩极化精致Lee滤波；
S103，对上述进行简缩极化精致Lee滤波之后的简缩极化协方差矩阵进行简缩极化H/α分解，得到简缩极化熵H、简缩极化各向异性度A；
S104，对上述步骤得到的简缩极化熵、简缩极化各项异性度进行组合计算，得到简缩极化熵与简缩极化各向异性度联合图；
S105，利用基于高斯分布的最小误差阈值分割法对简缩极化熵与简缩极化各向异性度联合图进行自动阈值计算与分割，得到最终的溢油检测结果。
2.如权利要求1所述的一种简缩极化SAR的海洋溢油检测方法，其特征在于：步骤S101通过两种方式实施，一是从简缩极化原始数据中提取简缩极化协方差，二是通过对原始的全极化SAR数据进行模拟仿真，得到简缩极化协方差数据，最终提取简缩极化SAR协方差矩阵。
3.如权利要求2所述的一种简缩极化SAR的海洋溢油检测方法，其特征在于：通过对原始的全极化SAR数据进行模拟仿真，得到简缩极化协方差数据，最终提取简缩极化SAR协方差矩阵的具体实现方式如下，
步骤a，获取极化散射矩阵S；
式中，Sij为复散射系数，其中i极化表示发射的电磁波，j极化表示接收的电磁波，极化散射矩阵S是一个复2*2的矩阵，它包含了散射体的散射信息，其中SHH和SVV成为共极化项，SHV和SVH称为交叉极化项；
步骤b，从极化散射矩阵提取全极化协方差矩阵；
地物散射的极化信息通过极化散射矩阵S进行描述，极化散射矩阵用四维Pauli特征矢量k进行表示：
k＝[SHH SHV SVH SVV]T
在上式中，T表示转置，在散射矢量中，ki分别表示不同的极化通道的后向散射的值；
在单站后向散射机制下，极化散射矩阵矩阵满足互易定理，即SHV＝SVH，因此四维极化的目标矢量可以减少到三维，收发天线互换时，测量值不变，而相应的两类特殊正交几何的定义如下所示：
复Pauli旋转矩阵基集合{ψP}
由此得三维Pauli特征矢量k：
k＝[SHH+SVV SHH-SVV 2SvH]T
在上式中，不同元素分别表示：SHH为表面散射、SVV为二面角散射、SVH45°为倾角的二面角散射；
Lexicographic矩阵基集合{ψL}
由此得三维Lexicographic特征矢量Ω表示如下所示：
上式中，SHV项引入因子
保证散射矩阵的总功率守恒；
因此k与Ω之间存在变换关系：
k＝U3(L→P)Ω，
式中，U3(L→P)是由Lexicographic特征矢量到Pauli特征矢量的特殊酉变换；
至此，从极化散射矩阵S中获取目标矢量Ω，从而使用目标矢量与自身共轭转置矢量的外积来求全极化协方差矩阵C：
C＝<Ω·Ω*T>
上式中<·>表示时间或空间集合平均，并且假设随机媒质是各向同性的，因此协方差矩阵C用下式所示：
上式中*表示矩阵的共轭，Cij分别为协方差矩阵C的各个元素；
步骤c，简缩极化HP模式模拟仿真；
当HP简缩极化SAR系统发射右圆极化波时，其后向回波矢量用极化散射矩阵表示为：
式中，S为散射矩阵，J为Jones矢量；
简缩极化SAR水平回波信号与垂直回波信号用极化散射矩阵表示为：
在HP工作模式下，简缩极化SAR后向散射的散射矢量用极化散射矩阵表示为：
因此在HP模式下，简缩极化SAR协方差矩阵表示为：
其中Re表示实部，i为虚数单位；
全极化协方差矩阵用极化散射矩阵表达：
利用全极化协方差矩阵对HP模式进行仿真：
得到步骤S101中所描述的简缩极化协方差矩阵。
4.如权利要求1所述的一种简缩极化SAR的海洋溢油检测方法，其特征在于：步骤S103的具体实现方式如下，
所述简缩极化H/α分解为：
其中λ1、λ2为简缩极化的特征值，U2为特征矢量，
简缩极化熵被定义为：
简缩极化各向异性度被定义为：
A＝p1-p2
其中简缩极化熵表示地物散射现象统计的混乱程度。
5.如权利要求1所述的一种简缩极化SAR的海洋溢油检测方法，其特征在于：步骤S104中得到的简缩极化熵与简缩极化各向异性度联合图如下，
HA＝H(1-A)
该联合特征图能够表征随机散射过程，即高简缩极化熵，低简缩极化各向异性度。
6.如权利要求1所述的一种简缩极化SAR的海洋溢油检测方法，其特征在于：步骤S105的具体实现方式如下，
基于高斯分布的最小误差阈值分割法是假设溢油目标与背景各自分布p(x|i)均服从
的正态分布：
在上式中i＝0，1，然后基于最小分类思想，得到以下最小误差目标函数：
而后的最佳阈值通过下式获得：
T*＝arg{min0≤t＜lJ(t)}
式中，t表示不同的阈值，l表示最大阈值；
计算得到阈值之后，进行图像的阈值分割得到溢油检测结果。
7.一种简缩极化SAR的海洋溢油检测系统，其特征在于，包含以下模块：
简缩极化SAR协方差矩阵提取模块，用于提取简缩极化SAR协方差矩阵；
精致Lee滤波模块，用于对获取的简缩极化协方差矩阵，进行简缩极化精致Lee滤波；
简缩极化H/a分解模块，用于对上述进行简缩极化精致Lee滤波之后的简缩极化协方差矩阵进行简缩极化H/α分解，得到简缩极化熵H、简缩极化各向异性度A；
联合图计算模块，用于对得到的简缩极化熵、简缩极化各项异性度进行组合计算，得到简缩极化熵与简缩极化各向异性度联合图；
阈值计算与分割模块，用于利用基于高斯分布的最小误差阈值分割法对简缩极化熵与简缩极化各向异性度联合图进行自动阈值计算与分割，得到最终的溢油检测结果。
8.如权利要求7所述的一种简缩极化SAR的海洋溢油检测系统，其特征在于：简缩极化SAR协方差矩阵提取模块通过两种方式实施，一是从简缩极化原始数据中提取简缩极化协方差，二是通过对原始的全极化SAR数据进行模拟仿真，得到简缩极化协方差数据，最终提取简缩极化SAR协方差矩阵；
其中第二种方式的具体实现方式如下，
步骤a，获取极化散射矩阵S；
式中，Sij为复散射系数，其中i极化表示发射的电磁波，j极化表示接收的电磁波，极化散射矩阵S是一个复2*2的矩阵，它包含了散射体的散射信息，其中SHH和SVV成为共极化项，SHV和SVH称为交叉极化项；
步骤b，从极化散射矩阵提取全极化协方差矩阵；
地物散射的极化信息通过极化散射矩阵S进行描述，极化散射矩阵用四维Pauli特征矢量k进行表示：
k＝[SHH SHV SVH SVV]T
在上式中，T表示转置，在散射矢量中，ki分别表示不同的极化通道的后向散射的值；
在单站后向散射机制下，极化散射矩阵矩阵满足互易定理，即SHV＝SVH，因此四维极化的目标矢量可以减少到三维，收发天线互换时，测量值不变，而相应的两类特殊正交几何的定义如下所示：
复Pauli旋转矩阵基集合{ψP}
由此得三维Pauli特征矢量k：
k＝[SHH+SVV SHH-SVV 2SVH]T
在上式中，不同元素分别表示：SHH为表面散射、SVV为二面角散射、SVH45°为倾角的二面角散射；
Lexicographic矩阵基集合{ψL}
由此得三维Lexicographic特征矢量Ω表示如下所示：
上式中，SHV项引入因子保证散射矩阵的总功率守恒；
因此k与Ω之间存在变换关系：
k＝U3(L→P)Ω，
式中，U3(L→P)是由Lexicographic特征矢量到Pauli特征矢量的特殊酉变换；
至此，从极化散射矩阵S中获取目标矢量Ω，从而使用目标矢量与自身共轭转置矢量的外积来求全极化协方差矩阵C：
C＝<Ω·Ω*T>
上式中<·>表示时间或空间集合平均，并且假设随机媒质是各向同性的，因此协方差矩阵C用下式所示：
上式中*表示矩阵的共轭，Cij分别为协方差矩阵C的各个元素；
步骤c，简缩极化HP模式模拟仿真；
当HP简缩极化SAR系统发射右圆极化波时，其后向回波矢量用极化散射矩阵表示为：
式中，S为散射矩阵，J为Jones矢量；
简缩极化SAR水平回波信号与垂直回波信号用极化散射矩阵表示为：
在HP工作模式下，简缩极化SAR后向散射的散射矢量用极化散射矩阵表示为：
因此在HP模式下，简缩极化SAR协方差矩阵表示为：
其中Re表示实部，i为虚数单位；
全极化协方差矩阵用极化散射矩阵表达：
利用全极化协方差矩阵对HP模式进行仿真：
得到步骤S101中所描述的简缩极化协方差矩阵。
9.如权利要求7所述的一种简缩极化SAR的海洋溢油检测系统，其特征在于：简缩极化H/α分解模块的具体实现方式如下，
所述简缩极化H/α分解为：
其中λ1、λ2为简缩极化的特征值，U2为特征矢量，
简缩极化熵被定义为：
简缩极化各向异性度被定义为：
A＝p1-p2
其中简缩极化熵表示地物散射现象统计的混乱程度。
10.如权利要求7所述的一种简缩极化SAR的海洋溢油检测系统，其特征在于：阈值计算与分割模块的具体实现方式如下，
基于高斯分布的最小误差阈值分割法是假设溢油目标与背景各自分布p(x|i)均服从
的正态分布：
在上式中i＝0，1，然后基于最小分类思想，得到以下最小误差目标函数：
而后的最佳阈值通过下式获得：
T*＝arg{min0≤t＜lJ(t)}
式中，t表示不同的阈值，l表示最大阈值；
计算得到阈值之后，进行图像的阈值分割得到溢油检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910869853.1A CN110646795B (zh) | 2019-09-16 | 2019-09-16 | 一种简缩极化sar的海洋溢油检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910869853.1A CN110646795B (zh) | 2019-09-16 | 2019-09-16 | 一种简缩极化sar的海洋溢油检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110646795A true CN110646795A (zh) | 2020-01-03 |
| CN110646795B CN110646795B (zh) | 2021-09-24 |
Family
ID=69010449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910869853.1A Active CN110646795B (zh) | 2019-09-16 | 2019-09-16 | 一种简缩极化sar的海洋溢油检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110646795B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112014808A (zh) * | 2020-09-07 | 2020-12-01 | 航天科工微电子系统研究院有限公司 | 一种弹载双基sar抗干扰系统及其工作方法 |
| CN114202674A (zh) * | 2021-12-15 | 2022-03-18 | 北京化工大学 | 一种基于散射机制用于简缩极化sar的交互cnn分类方法 |
| CN114565694A (zh) * | 2022-03-03 | 2022-05-31 | 西北工业大学 | 一种星载ctlr模式简缩极化sar重构方法 |
| CN118351445A (zh) * | 2024-04-26 | 2024-07-16 | 北京化工大学 | 基于简缩极化span数据的船只目标检测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080231502A1 (en) * | 2007-03-22 | 2008-09-25 | Harris Corporation | Method and apparatus for processing sar images based on an anisotropic diffusion filtering algorithm |
| CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
| EP3177941A1 (en) * | 2014-08-08 | 2017-06-14 | Urthecast Corp. | Apparatus and methods for quad-polarized synthetic aperture radar |
| CN107203791A (zh) * | 2017-06-30 | 2017-09-26 | 西安电子科技大学 | 基于异极化比和散射功率熵的极化sar图像分类方法 |
| CN107229933A (zh) * | 2017-05-11 | 2017-10-03 | 西安电子科技大学 | 自适应体散射模型的freeman/特征值分解方法 |
| CN107292317A (zh) * | 2017-06-26 | 2017-10-24 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
| CN107609577A (zh) * | 2017-08-23 | 2018-01-19 | 中国地质大学（武汉） | 一种利用随机森林的极化sar海面油膜提取方法 |
| CN108076341A (zh) * | 2017-12-19 | 2018-05-25 | 武汉大学 | 一种视频卫星成像在轨实时稳像方法及系统 |
| CN108459322A (zh) * | 2018-02-09 | 2018-08-28 | 长安大学 | 一种InSAR干涉图批滤波与优选的方法 |
| CN109490886A (zh) * | 2018-11-28 | 2019-03-19 | 北京工业大学 | 一种极化合成孔径雷达遥感海面溢油区域精确提取方法 |
| CN109633576A (zh) * | 2018-10-30 | 2019-04-16 | 上海无线电设备研究所 | 一种通道噪声下的极化sar高精度定标算法 |
| CN109840542A (zh) * | 2018-12-06 | 2019-06-04 | 北京化工大学 | 基于极化特征的自适应维度决策树分类方法 |
-
2019
- 2019-09-16 CN CN201910869853.1A patent/CN110646795B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080231502A1 (en) * | 2007-03-22 | 2008-09-25 | Harris Corporation | Method and apparatus for processing sar images based on an anisotropic diffusion filtering algorithm |
| CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
| US20180335518A1 (en) * | 2014-08-08 | 2018-11-22 | Urthecast Corp. | Apparatus and methods for quad-polarized synthetic aperture radar |
| EP3177941A1 (en) * | 2014-08-08 | 2017-06-14 | Urthecast Corp. | Apparatus and methods for quad-polarized synthetic aperture radar |
| CN107229933A (zh) * | 2017-05-11 | 2017-10-03 | 西安电子科技大学 | 自适应体散射模型的freeman/特征值分解方法 |
| CN107292317A (zh) * | 2017-06-26 | 2017-10-24 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
| CN107203791A (zh) * | 2017-06-30 | 2017-09-26 | 西安电子科技大学 | 基于异极化比和散射功率熵的极化sar图像分类方法 |
| CN107609577A (zh) * | 2017-08-23 | 2018-01-19 | 中国地质大学（武汉） | 一种利用随机森林的极化sar海面油膜提取方法 |
| CN108076341A (zh) * | 2017-12-19 | 2018-05-25 | 武汉大学 | 一种视频卫星成像在轨实时稳像方法及系统 |
| CN108459322A (zh) * | 2018-02-09 | 2018-08-28 | 长安大学 | 一种InSAR干涉图批滤波与优选的方法 |
| CN109633576A (zh) * | 2018-10-30 | 2019-04-16 | 上海无线电设备研究所 | 一种通道噪声下的极化sar高精度定标算法 |
| CN109490886A (zh) * | 2018-11-28 | 2019-03-19 | 北京工业大学 | 一种极化合成孔径雷达遥感海面溢油区域精确提取方法 |
| CN109840542A (zh) * | 2018-12-06 | 2019-06-04 | 北京化工大学 | 基于极化特征的自适应维度决策树分类方法 |
Non-Patent Citations (8)
| Title |
|---|
| GUI GAO: "Ship Detection Using Compact Polarimetric SAR Based on the Notch Filter", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
| MANICHANDRA MORAMPUDI: "EXTENDED GENERAL RELATIVISTIC MAGNETOHYDRODYNAMICS:FORMULATION AND APPLICATION TO BLACK HOLE ACCRETION", 《IDEALS.ILLINOIS.EDU》 * |
| SHENGWU TONG: "Multi-Feature Based Ocean Oil Spill Detection for Polarimetric SAR Data Using Random Forest and the Self-Similarity Parameter", 《REMOTE SENSING》 * |
| 崔建峰: "基于分层结构的遥感影像变化检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王彦平: "多角度极化SAR图像散射特征建模及其应用", 《信号处理》 * |
| 谢广奇: "基于简缩极化SAR的海洋溢油检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 邵璐熠: "基于二维极化特征的PolSAR图像决策分类", 《雷达学报》 * |
| 韩萍: "基于典型散射差异指数的PolSAR图像Lee滤波", 《系统工程与电子技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112014808A (zh) * | 2020-09-07 | 2020-12-01 | 航天科工微电子系统研究院有限公司 | 一种弹载双基sar抗干扰系统及其工作方法 |
| CN112014808B (zh) * | 2020-09-07 | 2024-04-30 | 航天科工微电子系统研究院有限公司 | 一种弹载双基sar抗干扰系统及其工作方法 |
| CN114202674A (zh) * | 2021-12-15 | 2022-03-18 | 北京化工大学 | 一种基于散射机制用于简缩极化sar的交互cnn分类方法 |
| CN114565694A (zh) * | 2022-03-03 | 2022-05-31 | 西北工业大学 | 一种星载ctlr模式简缩极化sar重构方法 |
| CN118351445A (zh) * | 2024-04-26 | 2024-07-16 | 北京化工大学 | 基于简缩极化span数据的船只目标检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110646795B (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110646795B (zh) | 一种简缩极化sar的海洋溢油检测方法和系统 | |
| Shirvany et al. | Ship and oil-spill detection using the degree of polarization in linear and hybrid/compact dual-pol SAR | |
| Sato et al. | Polarimetric SAR analysis of tsunami damage following the March 11, 2011 East Japan earthquake | |
| Nunziata et al. | Dual-polarimetric C-and X-band SAR data for coastline extraction | |
| Nunziata et al. | On the degree of polarization for SAR sea oil slick observation | |
| CA2883637A1 (en) | Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (ifsar) measurements | |
| Gao et al. | Adaptive ship detection in hybrid-polarimetric SAR images based on the power–entropy decomposition | |
| Migliaccio et al. | Polarimetric synthetic aperture radar utilized to track oil spills | |
| CN104318572B (zh) | 基于极化方向角补偿的polsar图像海上目标检测方法 | |
| Song et al. | Efficient water area classification using Radarsat-1 SAR imagery in a high relief mountainous environment | |
| Nunziata et al. | Shoreline erosion of microtidal beaches examined with UAV and remote sensing techniques | |
| He et al. | Mining subsidence monitoring with modified time-series SAR interferometry method based on the multi-level processing strategy | |
| Migliaccio et al. | SAR polarimetry for effective sea oil slick observation | |
| Tapete et al. | Mapping changes and damages in areas of conflict: from archive C-band SAR data to new HR X-band imagery, towards the Sentinels | |
| Marino et al. | Ship detection with quad polarimetric TerraSAR-X data: An adaptive notch filter | |
| Nunziata et al. | Metallic objects and oil spill detection with multi-polarization SAR | |
| Li et al. | Research on methods of high coherent target extraction in urban area based on PSINSAR technology | |
| He et al. | An improved method for phase triangulation algorithm based on the coherence matrix eigen-decomposition in time-series SAR interferometry | |
| Xu et al. | Research on marine radar oil spill network monitoring technology | |
| Zhang et al. | Marine oil slick and platform detection by compact polrimetric synthetic aperture radar | |
| Kulmar | Wave Direction Distributions off Sydney, New South Wales | |
| Ferrentino et al. | Monitoring waterline variation of the Monte Cotugno lake using dual-polarimetric SAR data | |
| Zhang et al. | Bathymetric features of Subei Bank on ENVISAT ASAR images | |
| Buono et al. | Ocean and Coastal Area Information Retrieval Using SAR Polarimetry | |
| Roberto et al. | Modeling COSMO-SkyMed measurements of precipitating clouds over the sea using simultaneous weather radar observations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240109 Address after: No. 120, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Patentee after: Land sea space (Yantai) Information Technology Co.,Ltd. Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Patentee before: WUHAN University |