روش های طبقه بندی داده پلاریمتری که در تحقیقات مختلف ارائه شده است، تنها از اطلاعات یک پایه پلاریزاسیون مشخص استفاده می کنند. در این مقاله، روشی جدید برای طبقه بندی داده پلاریمتری ارائه می شود که می تواند اطلاعات پلاریمتری را در پایه پلاریزاسیون های بیشتری به کار گیرد. مبنای روش پیشنهادی، امضای پلاریمتری است. علاوه بر امضای پلاریمتری که برای توان ارائه شده است در این تحقیق امضای پلاریمتری برای ویژگی های مختلف معرفی می شود. همانند سایر روش های دانش مبنا، روش پیشنهادی شامل دو مرحله است. استخراج دانش مرجع و طبقه بندی با استفاده از این دانش مرجع. روش مورد نظر برای استخراج دانش مرجع، امضای پلاریمتری ویژگی های مختلف است. همچنین برای طبقه بندی به کمک این دانش مرجع از روش های مطابقت استفاده می شود. علاوه براین برای جلوگیری از خروجی نویزی و پایداری امضای پلاریمتری در یک قطعه، روش شیءمبنا انتخاب گردید. داده پلاریمتری سنجنده رادارست-2 از منطقه جنگلی پتاواوا کانادا برای این تحقیق انتخاب شد. مطابق نتایج، دقت کلی روش پیشنهادی 82.12 و روش ویشارت 76.34 است. استفاده از مجموعه کامل تری از ویژگی های پلاریمتری و همچنین افزایش سطح اطلاعات ویژگی های مختلف با استفاده از امضای پلاریمتری، دقت کلاس های گونه های جنگلی، بهبود قابل توجهی در روش پیشنهادی داشتند.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

رادار روزنه مصنوعی یک رادار تصویر برداری است که قدرت تفکیک بالایی دارد. ممکن است تصویر رادار روزنه مصنوعی بر اثر تداخل فرکانس های رادیویی تخریب شود و تصویری نامفهومی ایجاد شود. تداخل در رادار روزنه مصنوعی به سه دسته، و تقسیم می شود. این تداخل ها به ترتیب بیانگر تداخل نویز فرکانس رادیویی، تداخل باند باریک و تداخل پهن باند هستند. برای کاهش موثرتر تداخل در تصاویر رادار روزنه مصنوعی ابتدا باید وجود تداخل و نوع آن مشخص شود. سپس با استفاده از الگوریتم های کاهش تداخل متناسب با نوع تداخل به کاهش تداخل پرداخته می شود. در این مقاله به ارایه الگوریتمی به منظور تشخیص تداخل و نوع آن در تصاویر رادار روزنه مصنوعی پرداخته می شود. در مقالات گذشته از روش SSD برای تشخیص تداخل استفاده شده است. در این مقاله برای تشخیص تداخل از روش Faster RCNN مبتنی بر شبکه عصبی کانولوشنی استفاده گردید که سرعت و دقت بالاتری نسبت به SSD دارد. در این روش ابتدا یک شبکه عصبی کانولوشنی با توانایی دسته بندی چندتایی آموزش داده می شود. سپس Faster RCNN با کمک شبکه عصبی ساخته شده و تعداد 25 تصویر زمان-فرکانس از سیگنال رادار روزنه مصنوعی آموزش داده شد. شبکه آموزش دیده قادر است هر نوع تداخل در سیگنال رادار روزنه مصنوعی را با دقت 99 درصد تشخیص دهد. سرانجام با استفاده از فیلتر تطبیقی حداقل میانگین مربعات نرمال شده کاهش تداخل انجام شد. بعد از شناسایی تداخل با استفاده از الگوریتم پیشنهادی، فیلتر حداقل میانگین مربعات نرمال شده توانست تداخل را کاهش و تصویر رادار را بهبود دهد. این فیلتر در کاهش هر سه نوع تداخل به طور یکسان عمل نمود.

در این مقاله، یک روش نظارت نشده برای آشکارسازی تغییرات با استفاده از تصاویر پلاریمتری رادار با روزنه ترکیبی ارائه گردیده است. آماره آزمون ویشارت تصحیح یافته متقارن، به منظور ارزیابی برابری دو ماتریس کواریانس چندمنظر مربوط به دو تصویر پلاریمتری SAR در دو زمان مختلف بکار گرفته شده تا تصویر تک باندی خروجی آن در یک الگوریتم نظارت نشده حد آستانه گذاری قرار گیرد و در نهایت نقشه تغییر/عدم تغییر بدست آید. به طور خاص، الگوریتم حد آستانه گذاری کمینه خطای کیتلر و ایلینگورس، در یک حالت تعمیم یافته استفاده شده تا توزیع غیر گاوسین هیستوگرام های دو کلاس تغییر و عدم تغییر را مدل نماید. نتایج ارزیابی روش ارائه شده روی مجموعه داده های چندزمانه شبیه سازی شده پلاریمتری SAR و همچنین داده های پلاریمتری کامل باند C ماهواره رادارست-2 قابلیت الگوریتم ارائه شده را تایید می کند. نتایج داده های واقعی نشان می دهد که با داشتن اطلاعات هر چه بیشتر از باندهای پلاریزاسیون مقادیر دقت آشکارسازی و نرخ خطای کلی الگوریتم بهبود می یابد.

در این مقاله، الگوریتم برد- داپلر (RDA) برای رادار روزنه مصنوعی متحرک بر روی مسیر پروازی بالستیک ارائه شده است. حرکت شتابدار در سه جهت محور مختصات و مسیر پروازی غیریکنواخت موجب عدم کارایی الگوریتم های تصویربرداری مرسوم گردیده است. بنابراین، الگوریتم RDA ارائه شده، باید با پارامترهای سرعت و شتاب بالا سازگار باشد. بر مبنای رابطه تحلیلی طیف سیگنال دریافتی، الگوریتم RDA با توجه به مسیر پروازی بالستیک پایه ریزی شد. جهت ارزیابی الگوریتم پیشنهادی برای هدف تک نقطه ای، تصویر SAR با توجه به مسیر پروازی بالستیک شبیه سازی و پارامترهای کیفیت آن محاسبه گردید. جهت بررسی قابلیت الگوریتم پیشنهادی برای اهداف بزرگ، با در نظر گرفتن هدف پنج نقطه ای و هفده نقطه ای، تصویر SAR استخراج شد. نتایج شبیه سازی نشان داد، علی رغم مسیر پروازی بالستیک و شتاب در سه جهت محور مختصات، الگوریتم پیشنهادی، قادر به استخراج تصویر راداری است.

تداخل سنجی پلاریمتری رادار با روزنه مصنوعی (PolInSAR) یک تکنیک تداخل سنجی راداری است که امکان استفاده از اطلاعات کانال های مختلف پلاریزاسیون را به منظور بررسی ساختار و لایه های عمودی پراکنشگرها فراهم می نماید. یکی از مهمترین کاربردهای این روش، تخمین ارتفاع درختان است که در حوزه های جنگلداری و پدافند غیرعامل از اهمیت بالایی برخوردار است. یکی از مسائل اساسی در روش های تداخل سنجی پلاریمتری راداری برای تخمین ارتفاع درختان، بررسی نقش و تاثیر پارامترهای محیطی از قبیل رطوبت، شیب، گونه و زبری سطح است. هدف این پژوهش، بررسی تاثیر این گونه عوامل محیطی بر روی تخمین ارتفاع درختان با استفاده از انجام آزمایشات متعدد می باشد. در این بررسی، از مدل معروف پراکنش حجمی بی نظم بر روی سطح (RVOG) به منظور تخمین ارتفاع درختان در شرایط گوناگون استفاده شده است. بر اساس نتایج به دست آمده در این تحقیق، پارامترهای زبری و رطوبت به ترتیب دارای بیشترین و کمترین تاثیر در دقت تخمین ارتفاع درختان می باشند.