基于单边拟合策略的合成孔径雷达图像变化检测毕业设计文档格式.docx

基于单边拟合策略的合成孔径雷达图像变化检测毕业设计文档格式.docx

《基于单边拟合策略的合成孔径雷达图像变化检测毕业设计文档格式.docx》由会员分享，可在线阅读，更多相关《基于单边拟合策略的合成孔径雷达图像变化检测毕业设计文档格式.docx（33页珍藏版）》请在冰豆网上搜索。

成像处理一般包括三个步骤：

1、距离向脉冲压缩，对一个合成孔径内的每个回波脉冲均进行压缩；

2、距离徙动矫正，把属于同一点目标的脉冲校正到等距离线上、3、方位向脉冲压缩。

难点在于方位向，需要利用回波信号的相位提取多普勒频率。

平台轨道和姿态的不稳定及测量误差、雷达系统的不稳定等，均会引起信号的幅度和相位误差，从而影响匹配滤波的处理精度，很难实现理论的分辨率（D/2）。

方位压缩的滤波匹配需要估计出两个参数：

多普勒质心和多普勒频率。

常用的算法有：

距离-多普勒（Range-Doppler,R-D）算法。

Chirp-Scaling（C-S）算法

SAR主要采用侧视雷达，以有源主动方式工作，其特殊的成像方式，形成了图像的独有特征，包括：

辐射特征、噪声特征、目标集合特征、统计特征、纹理特征等。

雷达图像的分辨率有距离向和方位向两种。

雷达图像的分辨率和像元大小是两个概念，雷达图像中每个像元大小通常低于分辨率。

SAR图像的灰度统计特征：

雷达图像上色调的变化，主要取决于目标物的后向散射截面。

每一个接受到的回波被转换成电信号，并以某一特定的灰度色调记录在光学胶片上或转换成一个具有特定值、由于表示亮度的数字化像元。

坡度的变化，复介电常数（含水量）、表面的粗糙度是影响雷达图像色调的三个主要因素。

其中表面的粗糙度在决定雷达图像的灰度（也就是回波强度）上起着决定性的作用。

SAR图像与传统的光学图像不同，它是通过天线发射有规律的无线电信号，并接收从地面返回的回波信号然后采取用成像处理的方法将回波信号转化为实际图片。

雷达成像是依靠对回波信号提取目标的后向散射系数，反映所探测区域的微波特性，光学成像依靠的是普通的光学反射[1]。

相对于与光学图像，SAR图像具有许多重要特性：

1　全天候、全天时，受风雨天气影响非常小，不受太阳照射影响，白天黑夜均可工作

2　对电介质（水分量、生物量、冰雪等）、地表粗糙度（海洋风速等敏感）

3　精确测量距离

4　对人工目标以及目标结构较敏感

5　强透射性，能穿透遮盖物，比如植被、树叶

6　分辨率不受雷达波长、载体飞行高度、雷达作用距离无关

1.2SAR技术发展历程

雷达卫星是载有合成孔径雷达（SAR）的对地观测遥感卫星的统称。

尽管迄今为止，已在一些发射的卫星上携有SAR，如SeasatSAR,AlmazSAR,JERS-1SAR,ERS-1/2SAR,与它们搭载在同一遥感平台上还装载着其他传感器。

而1995年11月发射的加拿大雷达卫星（Radarsat）则是一个兼顾商用及科学试验用途的雷达系统，其主要探测目标为海冰，同时还考虑到陆地成像，以便应用于农业、地质等领域。

该系统有5种波束工作模式，即：

（1）标准波束模式，入射角20°

～49°

，成像宽度100公里，距离及方位分辨率为25米x28米；

（2）宽辐射波束，入射角20°

～40°

，成像宽度及空间分辨率分别为150公里和28米x35米；

（3）高分辨率波束，三种参数依此为37°

～48°

，45公里及10米x10米；

（4）扫描雷达波束，该模式具有对全球快速成像能力，成像宽度大（300公里或500公里），分辨率较低（50米x50米或100米x100米），入射角为20°

；

（5）试验波束，该模式最大特点为入射角大，且变化幅度小49°

～59°

，成像宽度及分辨率分别为75公里及28米x30米。

合成孔径的概念产生于20世纪50年代初期。

1951年6月，美国Goodyear航空公司的CarlWiley首先提出利用频率分析的方法来改善雷达角分辨率，并称其为多普勒波束锐化。

1952年C.W.Shervin提出了全聚焦陈列概念以及运动补偿概念。

这些思想促进了X波段相干雷达的研制。

1957年密歇根大学雷达与光学实验室研制的SAR系统获取了第一张全聚焦的SAR图像。

50年代末，美国成功研制第一批可供军事侦察用的机载高分辨力合成孔径雷达。

1967年Greeberg提出在卫星上安装SAR的设想。

从此，人们开始了一航天飞机、卫星等为载体的空载SAR研究。

60年代中期，随着遥感技术的发展，合成孔径雷达技术从军用推广到民用方面，并发挥了重要作用。

1978年，NASA发射了全球第一颗装载了合成孔径雷达的人造卫星SEASAT,此卫星标志着SAR进入太空安装SAR对地观测的新时代，星载SAR由实验阶段转向实际应用的阶段。

1981年，美国“哥伦比亚”号航天飞机搭载SAR-A顺利升空以及1984年进行了“挑战者”航天飞机搭载SAR-B的实验。

1987年前苏联发射了第一部长期运行的空间合成孔径雷达，名为ALMAZ-I。

1988年12月美国用“阿特兰蒂斯”号航天飞机将世界上第一颗高分辨率雷达成像卫星“长曲棍球”（LACROSSE）SAR卫星送入太空,其分辨率已达1m,在海湾战争中发挥了重要作用。

欧空局于1991年7月和1995年4月分别发射成功ERS-1和ERS-2卫星。

日本于1992年发射了JERS-1空间合成空间雷达，工作于L波段。

1994年9月，美国航天局、德国空间局和意大利空间局共同进行了航天飞机成像雷达飞行任务。

1995年，加拿大发射了第一颗资源勘测卫星Padarsat-1，该系统为商业和科学研究提供了全球的冰情、海洋和地球资源等数据。

SAR成像技术随着时代不断前进发展，且功能实现更加完善，包括频率方面由单频段到多频段、成像空间由单极化到多极化，视角角度方面升级到多视角，性能的大大升级扩大了对全地球的覆盖率，提供的全日时的合成孔径雷达探测数据信息准确度更加准确，SAR逐渐向小型化、SAR星座组网及干涉测量等方向发展。

目前合成空间雷达分辨率已达到0.1m数量级，纵观国外SAR的发展历程，可以看出随着科学技术的不断进步，SAR的水平和功能也在不断提高。

可以相信，科学家们将不断地挖掘SAR的技术潜力，为人类的需求服务。

我国SAR研究开始于20世纪70年代后期，起步较晚。

经过几代人的不懈努力，许多技术已经走在世界前列[2][3]。

1.3SAR图像变化检测介绍

SAR图像变化检测是指对不同时段同一地区的遥感图像，经过一定的分析和运算得出地面的变化区域、特征以及过程，涉及变化的类型、分布状况与变化量。

SAR图像变化检测的主要任务是检测局部文理和辐射值的变化。

目前SAR图像变化检测思想主要分为两大类，一种是非监督的变化检测思路。

常用非监督的变化检测方法常用的例如图像比值法[4]、图像差值法。

此类方法优点在于简单、直接。

如图1.2所示差，异图分类法的关键在于差异图的构造和阈值的选取。

图1.2非监督的变化检测方法

另一种主流思想是基于分类的变化检测方法思路。

如图1.3所示首先对不同时段的图像分别进行分类处理，然后根据分类结果比较，得出类别的不同并获得变化的区域。

后分类比较法的关键在于多时相图像的准确分割和分割结果与差异图变化信息的提取与反馈。

图1.3基于分类的变化检测方法

由于星载SAR遥感术后局具有全天候、全天时的独特优势，同事具有固定的重访周期，所以它比光学遥感更适合于变化检测。

针对SAR图像的特点，目前比较通用的方法主要有差值法、相关系数法、直方图比较法、图像熵方法来对SAR图像来进行变化检测[2]。

归结起来，近些年逐步形成的SAR图像变化检测方法可以分为：

（1）基于简单代数运算的变化检测，经典的变化检测方法包括图像差值法、图像比值法、对数比值法；

（2）基于图像变换的变换检测，经典的变化检测方法包括主成分分析、变化向量分析法、相关分析法图像变换法；

（3）基于图像分类的变化检测方法。

1.4SAR图像变化检测发展现状及应用

国外在应用SAR遥感进行变化检测方面起步较早，进行了一系列研究。

Cyril采用模糊隐马尔可夫链方法进行SAR变化检测[5]，通过计算两幅配准数据的对数比值，并引入模糊隐马尔可夫链，最大限度地提取相关性进行变化检测。

Ramin[6]提出来通过模拟部分极化电磁场引入向量和观察量而建立变化空间，从而对相关或变化特征分解，更深入理解图像变化的本质。

Andreas[7]在小波变换和位置上衣脊状特征重建原始图像，在曲波空间进行变化检测。

Hachicha和Chaabane[8]应用Dezert-Smarandache理论进行了变化检测的探索。

Eric采用ERS-1数据对SAR变化检测进行多种方法的初步研究和对比[9]。

Onana针对ERS-SAR多时相图像的特点，采用了数据融合的方法解决城镇地区的变化检测[10]。

Patricia和Kenneth分别对SAR相关系数的变化检测方法进行了深入研究[11,12]。

Francesca将小波变换的多尺度方法引入到SAR图像变化检测中[13]。

Jordi将聚合交叉熵计算方法引入到SAR图像变化检测中，取得了初步的结果[13,14]。

在国内，由于SAR数据源不足的问题，开展SAR变化检测的研究相对数少，近几年来的主要成果有：

基于二阶灰度统计特性的SAR图像变化检测[15]，该方法着重研究了统计特征中的二阶灰度特征如二维直方图、自相关、能量、协方差、惯性矩、熵、绝对值等，先对多幅SAR图像分别计算灰度特征，然后用差值法对不同时相图像内相应的特征进行变化检测，最后用数学期望最大算法获得阈值。

基于分形维数的SAR图像变化检测[16]，引入盒子维计算法，该方法最大的优点就是对SAR图像固有的斑点早说不敏感。

也有学者引入马尔科夫随机场理论，研究了一种顾及空间领域关系的多时相SAR图像变化检测方法，该方法能有效提高漏检率，实现变化特征不明显区域的有效提取[17]。

对于现在SAR图像变化检测方法大多根据SAR幅度的不足，有学者针对SAR图像的极化特征及其分布模型构建极化似然比检测模型[18]，实验证明该方法能有效地区分地物变化情况。

针对传统分类比较法存在的分类误差累积问题，根据不同时相图像的不变信息的相关性，有学者提出了一种基于两时相图像联合分类的SAR图像变化检测方法[19]，该方法以灰度值作为输入信息，通过相似度计算得到两时相图像对应位置像素的灰度相似度，然后求解全局相似度阈值，并用K均值对两幅时相图像进行联合分类，最后通过类别比较获得变化检测结果。

由于SAR图像变化检测技术在国内起步较晚，加之SAR数据源不足，因此在变化检测的方法和技术上没有根本的突破，误捡和漏检现象比较严重，大大影响了检测结果和精度。

如何使变化检测技术更具稳健性和通用性，如何更好地利用图像中感兴趣目标的结构信息，降低图像中噪声和匹配误差带来的影响是未来工作的重点。

变化检测具有广泛的应用。

例如，监测森林和植被变化；

监测农作物的生长变化、土地覆盖利用变化；

监测和评估各种灾害发生前后变化；

军事目标区域的动态监视、打击效果评估等。

1.5本论文的主要工作

本论文主要在前人的研究的SAR图像变化检测方法基础