英语原文共 23 页，剩余内容已隐藏，支付完成后下载完整资料
通过极化合成孔径雷达层析成像首次对隐藏在叶子下的目标三维重建
摘要：合成孔径雷达层析成像（SARTom）是一种允许垂直方向上的多个相位中心分离，从而使图像场景三维重建的成像技术。卷结构信息检索（例如：森林分类）和叠掩问题分辨率是两个最有前途的应用。在这篇文章中，与极化技术相结合的合成孔径雷达层析成像被用作成像和提取叶子下隐藏目标的特征（例如：形状和高度）。这个分析被应用在由德国航空航天中心于2006年9月举行在德国Dornstetten测试地点的一个层析成像活动中的E-SAR系统取得的L波段机载数据中。
关键词：极化，合成孔径雷达层析成像，超分辨率，目标检测
Ⅰ.引言
合成孔径雷达层析成像使获得一个完整的场景三维重建成为可能。文献[1]中展示了机载合成孔径雷达层析成像首次演示，并且分析了分辨率与歧义排除的主要限制因素。当通过相干傅立叶波束形成器执行聚焦步骤时，诸如不均匀的轨道分布的实际工作条件会严重影响最终结果。这就是为什么最近几年正则化线性求逆和现代波束形成技术，例如Capon [3]和MUSIC [4]被引入，以允许更高的歧义排除和傅立叶分辨率的改进（文献[5] [6]）。尽管存在这些缺点，但线性波束形成器的优点是可以预测其最终分辨率，并且由于其相干性而保持信号相位。因此，它通常用作参考以规划采集方式。在这种情况下，垂直视线（PLOS）方向上的高度分辨率与断层孔径尺寸之间的关系是
（1）
其中是主倾斜距离。为了避免最大体积高度V内的不明确性，平均基线d限制在
（2）
结合（1）和（2），所需的轨道数量是。这些关系被用于规划在德国Dornstetten进行的层析运动。它的目的是分析合成孔径雷达层析成像提取叶子下隐藏的目标信息的潜力。对于此次实验，平均层析分辨率为2米，最大体积高度大约为30米。由于长波雷达的穿透深度（例如在L波段和P波段），植被覆盖场景代表了合成孔径雷达层析成像一个特别有趣的应用，因为原则上散射体沿垂直视线方向的实际分布可以被提取。正由于此，已经进行了几项基于直接和基于模型的层析成像数据反演的研究（分别见于文献[7]和[8]）。
此外，合成孔径雷达穿透树叶的开发和潜力（FOPEN）是国防应用遥感中非常重要的话题。
这篇文章的目的是双重的，即为了呈现关于隐藏在叶子下面的目标的第一层析结果，并且在不同极化基础中获得的层析图之间进行比较，以便分析极化测量相对于冠层可以如何增强目标信号以提取隐藏目标的高度。
Ⅱ.合成孔径雷达层析成像处理
一旦采集到的原始数据通过扩展的线性调频脉冲尺度算法[10]进行处理，包括由于地形造成的校正[11]，它们将被配准并准备好通过与随高度变化的平动补偿和图像配准方法相结合的波束成形技术进行处理。
所谓的导向矢量被定义为
（3）
其中代表高度h的传感器到目标的距离矢量。在已经计算样本复协方差矩阵C之后，可以应用Capon波束形成器和MUSIC算法。结果响应的形式（Capon的功率和MUSIC的pseudopower）可以写为
（4）
其中*表示复共轭转置，X则取决于是否应用Capon波束形成或MUSIC算法。对于Capon和MUSIC，分别对应于和。是与C的噪声子空间相关的特征向量的矩阵。通过在方位角和距离向上扫描图像栈，可以获得作为高度函数（断层图）的三维亮度重建。选择不同的极化频段和基础，现在可以生成断层图作为极化函数。
Ⅲ.实验
该数据集于2006年9月在L波段接近Dornstetten（德国）获得。一些感兴趣的目标（例如车辆，集装箱和角反射器）位于森林内外，以评估树冠对目标响应的影响。进行实验的
地区相对平坦，半数地区被不同物种的不均匀森林覆盖。 树高在10到30米之间变化。
采集几何图形是由21条轨道组成的常规水平网格，平均基线为20米。 实际的采集几何图形非常接近计划中的，标称轨迹和实际轨迹之间的最大偏差约为4米。 图1给出了与中间距离正交的基线相对应的隐藏卡车的位置。图2说明了全极化单外观复合（SLC）图像的相关部分的RGB编码（HH，HV和VV）。以下呈现的层析处理结果是沿着图像中指示的切割获得的。 图2中的剖面1包含两个卡车，一个在森林外部而另一个在森林内部，剖面2包含一个隐藏的集装箱。值得一提的是隐藏的卡车在森林里的一条小路上，因此没有植被在其上方。 但是，在雷达侧视几何图形中，卡车可以被视为隐藏，因为在包含卡车的分辨单元中，树冠存在叠掩。
Ⅳ.极化合成孔径雷达层析成像分析
首先，通过Capon波束形成器获得的断层图将呈现给HH通道。然后，通过改变极化通道和极化基础来检查极化的影响。 通过相干傅立叶波束形成器以及MUSIC算法获得的结果将在本节获得。 对于超分辨率方法，已经计算了样本协方差矩阵，包括对角加载和使用25个快照。
- HH极化
图3呈现了与卡车有关的断层图。该剖面代表垂直于视线方向上的叠掩分辨率，然后投影到竖直轴上以将散射体与其实际高度相关联。正如图像中所显示的，一个地点代表森林外面的卡车而另一个代表与森林内部的卡车相关联。在第二辆卡车上方的树冠也清晰可见。 在树冠下缺少地面是由于这样一个事实，即由于卡车已经放置在森林内的一个与行进方向平行，没有树木存在的小道上，因此地面树干的双重反射消失了。如果没有这些反射，与地形贡献相关的反向散射功率远小于冠层或隐藏目标的反向散射功率。让我们解释一下图4，它代表了沿着图2中剖面3的层析图重建。在这个地距层析图中，以相同地面，距离坐标为特征的散射体在竖直轴上被分辨出来。被椭圆指明的点对应于由于小路的宽度可以在该方向上识别的隐藏卡车。应该被指出的是目标上方植被的存在是由于相邻像素已经用来构建协方差矩阵。
在图5中指明了与集装箱有关的层析图。集装箱和树冠是可见的。 由于集装箱的贡献可以在SLC图像中看到，下面的分析将集中在隐藏的卡车上。
- 极化的比较
在这一节，将会分析极化对合成孔径雷达层析成像的影响。由于存在不同种类的散射机制（例如自然和人造），偏振测量法可用于提取目标贡献[13]。首先，断层扫描结果将在词典（HH-HV-VV）的基础上呈现。
图6呈现了包含卡车的方位角剖面图。图3与图6（上方）相比较，显而易见HH和VV偏振测量法得到类似的结果。转换成横向极化通道[见图6下方]，很明显目标贡献消失了，可能是由于HV通道对体积结构的较高灵敏度，其不允许接收来自重大能量目标的反向散射信号。
现在让我们思考Pauli分解，它是对散射机制的首次直接分解。为了在Pauli基础上产生层析图，在层析处理前与不同线性极化通道相结合的SLC图像首次转变为Pauli基础。与此基础有关的单向散射向量的众所周知的形式是
（5）
其中对应于在ij极化中的SLC图像。在这个基础上，第一和第二通道分别强调了奇数和偶数跳动贡献。正如词典基础所展示的，第三通道与体积贡献有关。
图7是代表Pauli基础中第一和第二元素的层析图。可以被观察到的是，对于这个目标，使用该基础提取到一些在词典一中不明显的特征。对于树叶下的卡车，Pauli1(P1)对卡车尾部的响应更强，而Pauli2(P2)部分对卡车头部响应更强。对于Pauli3(P3)贡献，参照图6（底部）。
- 线性相干波束形成
通常，超分辨方法不能用于完全表征极化信号，因为它们的响应更多地表示散射体位置，而不是其反向散射功率的度量。然而，即使对于通过估计椭圆率和极化椭圆方位角的方法也会部分恢复极化信息[14]。为了直接解释散射机制，有必要使用相干波束形成器[15]，尽管其分辨率低，旁瓣电平高，模糊性抑制特性好，但它可以直接形成层析图并产成有意义的幅值和相位信息。对于相干波束形成器，可以用色彩编码图像呈现层析图，以识别主要的散射机制。
图8展示了卡车的Pauli层析图。我们有可能注意到双重反射的贡献是对森林外部目标的主要反映。对于隐藏的卡车，极化表示法可以对其探测，因为Pauli3通道被植被滤除，并且它不存在于树冠下方（卡车对应于用椭圆标出的区域）。
为了把用Capon波束形成器得到的重建与图8作比较，并且在森林外部的卡车上对地面进行成像，尽管其反向散射能量减少，但以逐像素为基础的沿多基线矩阵的总功率已经完成标准化。以这种方式对相干波束形成响应进行操作，可以补偿均匀反射率自消除现象的缺失，并且是Capon波束形成的特征。动态范围已被设定反映隐藏目标和植被贡献。检查林外地面的散射机制，结果表明由于单次弹跳反射的主导，它可以一致的被取回。
应当注意的是，与通过Capon波束形成器得到的层析图作比较时，目标的方位维度的改进估计是由于以下事实：对于相干波束形成器来说，不需要计算样本协方差矩阵。因此，Capon波束形成器的典型扩散效应没有呈现，使得可以把实际长度为7米的目标估计为7-8米。
原则上，通过利用奇异值分解的正则化线性反演技术可以进一步改善重建。有关该技术与适应性Capon波束形成的比较，参见[16]。
- 卡车高度估计
分析不同极化下通过Capon波束形成得到的层析图，并获得沿目标响应方向区间估计得到的功率值的平均值，如图9所示，可以得到卡车的背向散射轮廓。
人们可以确定对与隐藏的卡车和植被相对应的平均轮廓的独特贡献。因此，通过确定这些区域的边界，可以获得卡车高度和树冠深度的估计值。
这种分析表明，通过简单地利用极化空间，可以改善边界区域极值的视觉估计。红点表示这两个结构的边界高度。实际目标高度是3米，而估计值是2.3米。 卡车的底部高度根据HH极化进行估算，而对于这个特定的测试案例，顶部是从第二泡利部分（Pauli2）估算的。
两种测试方法的不匹配是由复杂的目标结构造成的。实际上，确定主要的相位中心（传感器实际看到的）的位置是不可能的。然而，卡车的金属本体由于车轮而从地面抬起; 因此，预计会轻微低估。
为了核实该分析的可靠性，已经完成了树冠边界高度预测。如前所述，对体积结构最敏感的极化通道是交叉极化通道HV。因此，这个部分应该允许对冠层深度进行最佳估计。确实，检查图9HV平均的层析图，很明显交叉通道探测卡车上方冠层的最大和最小高度，事实上，检查图9中的HV平均断层扫描图，可以清楚地看到，交叉通道检测到卡车上方的冠层的最小高度和最大高度，并且如预期的那样，边界高度可以从与该理论一致的极化通道确定。最后，预测了一个7米高的树冠。 这些结果表明，合成孔径雷达层析成像和极化的组合允许估计隐藏目标的尺寸及其主要后向散射机制。所获得的机载数据的质量导致几乎规则的网格，使得无需任何额外插值就可以在散射体分离方面进行强大的断层扫描成像。
Ⅴ.减少采集次数的成像
SARTom的主要缺点涉及执行重建所需的采集次数。一方面，为了获得合理的分辨率，必须跨距一个大断层孔径，而另一方面，需要沿着这样的孔径进行足够的采样（即大量的采集）以避免混叠。考虑到在未来的星载任务中利用层析成像，减少通路数量是非常重要的。在文献[17]中，已经介绍了在双基线单程数据上进行的点散射场景的一些初步解决方案。在文献[6]中，基于子空间的方法（如MUSIC算法）已被用于减少采集次数而不影响分布式散射体重构的质量。在这种情况下，有趣的是，观察在隐藏卡车的情况下，与植被相比，主要的确定性贡献是如何存在的。 这种情况下，MUSIC算法甚至可以通过少量采集来对目标成像。在图10中，显示了仅使用N = 6次采集产生的隐藏卡车的HH层析图。模型顺序选择是针对每个方位角自适应地完成的。人们可以观察到卡车有多个相位中心。 相关的断层孔径对应于= 100米。 由于采集数量减少，相关的协方差矩阵需要较少的快照成为满秩; 因此，与以前的（全星座）重建相比，卡车响应的方位角展宽减小了。
Ⅵ.总结
在本文中，展示了涉及到隐藏在叶子下的目标三维成像的首次试验结果。相干波束形成器的使用允许人们充分利用极化空间并将信号与目标相关联以检测它。已经表明，对超分辨率方法来说，极化多样性也可以用于估计隐藏目标的高度。此外，由于其响应的确定性性质，即使采集次数较少，也可以对隐藏目标进行成像，如第五部分所示。
致谢
作者要感谢eOsphere有限公司和电磁遥感防御技术中心对这项工作的支持，以及DLR的E-SAR团队为开展此项运动所做的努力。此外，作者要感谢审稿人的建设性意见。
大地测量合成孔径雷达层析成像
摘要：本文提出了一种被称为“大地测量合成孔径雷达（SAR）层析成像”的框架，融合了SAR成像大地测量和层析SAR反演（TomoSAR）方法，以获得大量的天然散射体绝对3D位置。该方法应用于柏林市得到的四个超高分辨率TerraSAR-X聚光灯图像堆栈。由于所有的TomoSAR估计值都是相同的参考点对象，其绝对3-D位置是通过立体SAR获取的，因此使用从不同视角获取的数据重建的点云可以在地理上进行融合。 为了评估位置估计的准确性，将得到的绝对无阴影3-D TomoSAR点云与由机载LiDAR获得的数字表面模型进行比较。 结果表明，使用TerraSAR-X数据提出的框架可以实现20cm左右的绝对定位精度和米级相对定位精度。
关键词：绝对定位，大地SAR扫描，地理融合，SAR大地测量，SAR层析成像，立体SAR，
全文共5817字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10051]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
