极化SAR图像超分辨算法的研究

论文摘要

由于极化SAR(PolSAR)可以利用不同的极化通道(例如HH,VV,HV和VH)提供同一场景的极化特性,所以PolSAR在遥感研究领域变得越来越重要。然而,受信号带宽和天线尺寸的限制,PolSAR图像的分辨率不能和光学遥感图像相比较。因此,PolSAR图像的超分辨处理对于后续的PolSAR图像的应用(如图像解译和目标识别)是非常必要的。传统的PolSAR图像的超分辨处理方法可能会提高图像的分辨率。然而,在处理过程中,原始图像当中所包含的相位信息和极化信息会被丢失。通常在一幅极化图像当中,每一个分辨单元包含了几种不同的散射机理。如果知道这些散射机理在一个分辨单元内是如何分布的,那么图像的细节信息可以被增强,这也就意味着图像的分辨率得到了提高。本为提出了一种新的PolSAR图像超分辨处理过程,在这一处理过程中联合考虑了极化目标分解技术和极化空间相关性。所提出的方法具有保留相位信息和保持散射体的全极化散射特性的能力。所提出的方法分两步进行。第一步,通过目标分解技术获得不同的散射成分。第二步,分别利用四象元像素超分辨算法(SRQP)和极化空间相关性超分辨算法(SRPSC)确定同一分辨单元内的不同散射成分的分布。在通常的遥感图像中,相邻的像素很有可能具有相同的散射机理。在SRQP中,亚象元被认为是它们的四象元像素的加权线性合成。事实上,PolSAR图像中的相邻像素之间具有较强的空间相关性。SRPSC充分利用了这种极化空间相关的性质,把不同的散射机理分配到同一分辨单元的不同部分。SRQP和SRPSC都提高了PolSAR图像的分辨率。所提出的方法通过ESAR L波段的全极化单视复图像得到了验证。超分辨处理的结果表明了所提出的方法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景及研究的意义
• 1.2 国内外研究现状及分析
• 1.2.1 超分辨率图像复原研究概况
• 1.2.2 用于SAR 图像的超分辨处理
• 1.2.3 极化SAR 图像超分辨算法的研究
• 1.2.4 极化目标分解方法的研究及发展现状
• 1.3 论文主要内容及结构安排
• 第2章 超分辨率图像复原技术
• 2.1 超分辨概述
• 2.2 超分辨率复原的理论基础
• 2.2.1 解析延拓理论
• 2.2.2 信息叠加理论
• 2.2.3 非线性运算
• 2.3 匹配自分解字典超分辨算法
• 2.3.1 基本模型
• 2.3.2 自分解字典的生成
• 2.3.3 高频成分的估计
• 2.4 超分辨定位
• 2.5 本章小结
• 第3章 PolSAR 图像目标分解
• 3.1 目标极化散射特性的表示方法
• 3.1.1 极化散射矩阵
• 3.1.2 极化协方差矩阵
• 3.2 相干目标分解
• 3.2.1 Pauli 分解
• 3.2.2 SDH 分解
• 3.2.3 分解结果
• 3.3 部分相干目标分解
• 3.3.1 Freeman 分解
• 3.3.2 OEC 分解
• 3.3.3 分解结果
• 3.4 本章小结
• 第4章 基于极化分解的PolSAR 图像超分辨处理
• 4.1 极化图像超分辨处理流程
• 4.2 匹配自分解字典超分辨算法
• 4.2.1 基本原理
• 4.2.2 实验结果及分析
• 4.3 四象元像素超分辨算法
• 4.3.1 基本原理
• 4.3.2 实验结果及分析
• 4.4 极化空间相关性超分辨算法
• 4.4.1 基本原理
• 4.4.2 试验结果及分析
• 4.5 超分辨率重建算法评价
• 4.5.1 评价准则
• 4.5.2 试验结果评价数据
• 4.6 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢