多维度SAR成像数据的几何建模方法研究

摘要

三维合成孔径雷达(Synthetic Aperture Radar, SAR)不仅具有传统合成孔径雷达全天候和全天时的特点，而且还可以获得目标点的高程信息，已使其越来越广泛地被应用到对地表目标的探测与信息获取中。本文针对三维SAR中的干涉SAR及下视阵列SAR采集到的数据分别进行研究。主要工作如下:
　　(1)针对干涉SAR采集到的DEM(Digital Elevation Model)数据，提出一种新的基于曲率熵和高斯混合模型(Gaussian Mixture Model，GMM)的DEM简化算法。DEM数据通常具有海量的特点，在建模之前首先需要对其进行简化处理。地形中的曲率和熵特征可以分别描述地表的复杂程度，可用于地形简化中。本文将曲率与熵信息相结合形成曲率熵，依据曲率熵的大小对GMM分类后的数据进行简化，并从定量和定性两种评价指标上对结果进行分析。实验结果表明，与传统的简化方法相比，本文提出的简化方法在精度、地形保持度上都要更优，更加适合于结构复杂的地形。
　　(2)针对下视阵列SAR采集到的三维规则体数据，给出了一种在重建过程中能够自动修补空洞数据点的方法。由于下视阵列SAR的成像方法及几何角度等原因，使得采集到的数据存在空洞，这就对重建方法提出了更高层次的要求。本文首先引入大津法对数据进行去噪，然后将图像处理领域中的Chan-Vese模型应用到下视阵列SAR数据的几何建模中，并选取符号距离函数做为初始曲面，内积函数做为轮廓指示函数完成对空洞的修补。最后将重建结果与基于等值面抽取的移动立方体算法进行比较，证明本文算法在建模及修补空洞数据上的有效性。

目录

声明

摘要

第一章 绪论

1．1 选题的背景与意义

1．2 多维度SAR数据的采集原理及数据特点

1．3 多维度SAR数据的简化及重建研究现状

1．4 论文研究的主要内容

1．5 论文研究的难点和创新点

1．6 论文结构安排

第二章 基于曲率熵和高斯混合模型的DEM简化及重建

2．1 曲率熵的求取

2．2 高斯混合模型

2．2．1 高斯混合模型定义

2．2．2 EM算法

2．3 基于曲率熵和高斯混合模型的简化算法

2．3．1 简化算法流程

2．3．2 简化结果定量评价指标

2．4 实验结果分析及对比

2．4．1 简化结果定量评价指标对比

2．4．2 筒化结果定性评价指标对比

2．5 本章小结

第三章 基于Chan-Vese模型的下视阵列SAR数据表面重建

3．1 移动立方体算法

3．1．1 等值面抽取

3．1．2 移动立方体算法流程

3．2 Chan-Vese模型

3．2．1 水平集方法

3．2．2 初始表面及轮廓指示函数的求取

3．2．3 Chan-Vese模型

3．3 重建算法流程

3．4 实验结果及分析

3．4．1 下视阵列SAR数据的去噪

3．4．2 重建结果对比

3．5 本章小结

第四章 结论与展望

4．1 结论

4．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介