基于目标分解理论的全极化SAR图像神经网络分类方法

由于全极化合成孔径雷达(synthetic aperture radar)能够测量每一观测目标的全散射矩阵，即可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像，因此与常规的单极化和多极化SAR相比，在雷达目标探测、识别，纹理特征和几何参数的提取等方面，全极化SAR均具有很多优点，但是由于地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征，因而加大了地物信息提取的难度。同时由于这些极化合成图像具有较高的相关性，从而导致了图像分类精度的降低。为了提高全极化SAR图像的分类精度，基于新疆和田地区的SIR-CL波段全极化雷达数据，利用目标分解理论首先将地物回波的复杂散射过程分解为几种互不相关的单一的散射分量。由于这些单一的散射分量都对应于具有不同物理和几何特征以及分布特征的地物，从而提供了更加丰富的地表覆盖信息，这样就很大程度地改善了地物信息的分类精度；然后利用分解后单一散射分量数据结合传统的极化合成数据，可以得到更多的互不相关的数据源，再使用神经网络分类法对这些数据进行分类。分类结果表明，这种方法大幅度提高了全极化SAR数据用于实验区土地覆盖分类的精度。这种分类方法也可以广泛地用于SAR数据地表覆盖和土地利用动态监测和地表参数的提取。     

基于特征向量分解与散射机制判别指数的全极化SAR图像地物提取与分类

基于特征向量分解和基于散射模型的极化目标分解是全极化SAR非相干分解中的典型算法。本文对比研究了两种算法的特点及分解结果在地物识别分类方面的优势,在基于特征向量分解得到的H-Alpha特征平面的基础之上,引入散射机制判别指数来刻画地物的类别差异,从而能约束H-Alpha平面分割的界限以提高分类的精度,而且利用散射机制占优性强弱可辅助分类结果的解译。实验选取了鄱阳湖地区一景Radarsat-2标准全极化数据,实验结果对比表明一种散射机制占主导的地物,分类精度得到改善,特别是水域、形成二面角的目标区和成片分布的植被区域可以显著地提取出来。     

全极化SAR极化特征谱应用研究

在分析特征值分解结果,全部散射机制组合和极化特征谱性质的基础上,提出基于3个特征谱参数的假彩色合成方法,可以更加有效直观地反映地物散射特征,再对散射熵、散射角、反熵和4个极化特征谱参数进行特征选择分析,给出最佳的多维特征向量选择方案,从而实现传统遥感图像分类器如同ISODATA算法对极化SAR图像的分类。实验选择了一景Radarsat\|2标准全极化SAR数据,包含典型的城市、植被和水体三大类地物,实验结果表明:极化特征谱假彩色合成充分反映了各地物散射特征,特征谱和散射角组成了最佳特征向量,非监督分类结果表明:该方法克服了城市与植被在H\|Alpha平面上分布界限模糊的问题,分类精度高于H\|Alpha平面非监督分类,与Wishart-H-Alpha-A分类方法相当。     

一种面向建筑物提取的极化雷达影像分解方法

针对基于物理散射模型分解的建筑物与植被混淆的问题,发展了一种面向建筑物提取的全极化SAR影像多分量分解方法,用于区分散射类型易混淆的方位建筑物(走向与雷达方位向不平行的建筑物)与植被。该方法根据植被与建筑物的不同散射机制,预先剔除了植被像元,修正了体散射模型,改进了常规的全极化SAR多分量分解方法。通过H/α/A分解和非反射对称比筛选出植被像元,抑制植被区域对多分量分解效果的影响;引入修正的体散射模型,改进多分量分解模型;对植被区域进行Yamaguchi四分量分解,其他区域进行改进的多分量分解。利用E-SAR和AIRSAR全极化数据进行实验。结果表明,与传统的多分量分解方法相比该方法能够有效去除建筑物中的自然地物虚警从而提高检测精度。     

基于非负特征值分解的极化SAR子空间分解滤波

极化SAR子空间分解滤波的优势在于能很好地保持极化信息,然而斑点噪声抑制效果与边缘、点目标信息的保持能力却有待提高。针对这一问题,提出了一种基于非负特征值分解(NNED)的极化SAR子空间分解滤波。对于每一个像素点,首先计算其参数向量协方差矩阵的特征值与特征向量,进而得到各个特征子空间;然后,以散射机制相似度最小化为标准,利用NNED选取分离信号子空间与噪声子空间的最优阈值;最后根据信号子空间得到滤波后的结果。实测极化SAR实验表明,相比于同类算法,所提出的算法能有效地抑制斑点噪声并且能很好地保持边缘、点目标信息。     

基于目标相干散射特性的极化SAR图像分解分类方法

基于对目标极化相干散射特性的分析,我们改进了Cloude和Lee等人提出的极化特征分解及非监督分类算法,以适应高分辨率极化SAR图像中复杂的地物细节特征。实验结果表明,相对传统方法,该方法更能够保留目标的细节特征、准确地估计目标极化相干矩阵,因此能够获得更好的分解分类结果。另外,该方法还具有较好的收敛性和鲁棒性。     

基于引导滤波和Tsallis熵的SAR图像分割算法

针对合成孔径雷达(SAR)图像易受噪声干扰、分割方法精度低的问题,提出了一种基于频域引导滤波和Tsallis熵的SAR图像多阈值分割算法.利用非下采样Contourlet变换(NSCT)对图像多尺度分解,提取图像各方向的高频信息;通过引导滤波增强高频分量的边缘信息,在保持边缘的同时抑制了相干斑噪声;利用改进的二维Tsallis熵多阈值对增强图像精确分割.实验结果表明:分割算法对噪声不敏感,分割精度和适应性明显提高.     

改进Notch滤波的全极化SAR数据船舶检测方法

全极化SAR数据提供了更多的地物极化散射信息,目前被广泛的应用于海上船舶检测的应用研究。本文提出改进的Notch滤波方法,实现全极化SAR数据的海上船舶检测。该方法结合目标的极化散射特性与能量双重特点,设计针对海面、方位向模糊、相干斑噪的不同滤波,消除虚警,通过SPAN能量因子降低由于散射机制相同而造成的漏检。利用RADATSAT-2全极化精细扫描数据对本文的算法进行验证,并与PWF和SPAN方法进行对比分析,实验结果表明本文提出的方法能从海面上有效检测出各种大小的船舶,同时能抑制方位向模糊、相干斑噪以及船舶的旁瓣造成的虚警。     

基于特征提取的SAR图像滤波算法

针对SAR图像所包含的地物目标比较复杂的特点,提出一种新的SAR图像滤波算法.该算法利用Contourlet变换能保持边界.结合特征提取可以获得区域目标点特征的特点,利用自适应阈值的方法对SAR图像进行滤波.与传统Lee滤波和保持边缘特征滤波算法进行比较,实验表明新的算法不仅提高了图像的质量.其量化指标也得到了提高.作为该算法的应用.利用变换域内低频图像和子带图像的融合规则对L和C两个波段的SAR图像进行去噪融合,可以看出该算法的去噪效果.     

一种SAR相对最优极化问题研究

极化SAR运用地物目标的散射回波数据及天线收发两端的极化矢量合成功率图像。目标的相对最优极化（最优极化对比增强;OPCE问题）目的在于寻找一种收发极化状态而使得期望目标和背景杂波的接收功率对比度最大化。系统总结了SAR目标相对最优极化问题的解析算法与数值算法,对原有方法提出了一定程度的改进和新理解,并通过数据实验验证了算法的有效性以及合理性。
     

极化SAR相干斑抑制的非局部加权最小均方误差滤波算法

目的 相干斑的存在严重影响了极化合成孔径雷达(PolSAR)的影像质量.对相干斑的抑制是使用SAR数据的必不可少的预处理程序.提出一种基于非局部加权的线性最小均方误差(LMMSE)滤波器的极化SAR滤波的方法.方法 该方法的主要过程是利用非局部均值的理论来获取LMMSE估计器中像素样本的权重.同时,在样本像素的选取过程中,利用待处理像素的极化散射特性和邻域块的异质性来排除不相似像素以加速算法,同时达到保持点目标和自适应调节块窗口大小的目的.结果 模拟影像和真实影像上进行的实验结果表明,采用这种方法滤波后影像的质量得到明显改善.和传统的LMMSE算法相比,无论是单视的影像还是多视的影像,本文方法去噪结果的等效视数都高出8视以上;峰值信噪比也提升了5.8 dB.同时,去噪后影像分类的总体精度也达到了83％以上,该方法的运行效率也比非局部均值算法有了较大提升.结论 本文方法不仅能够有效抑制相干斑噪声,还能较好地保持边缘和细节信息以及极化散射特性.这将会为后续高效利用SAR数据提供保障.     

改进的基于非局部均值的极化SAR相干斑抑制

贝叶斯形式的非局部均值模型在极化SAR图像相干斑抑制中有良好的应用,在实现抑制相干斑的同时较好地保持了边缘细节和点目标.通过分析合成孔径雷达(SAR)图像多视数据的空间统计分布,结合贝叶斯形式的非局部均值模型,得出在该模型下多视与单视SAR图像中像素间相似性度量函数一致性的结论,并对该相似性度量函数进行了修正,使之满足对称性;最后针对算法全局使用一个固定滤波参数影响滤波效果的问题,提出一种根据像素间相似程度自适应选取滤波参数的方法.实验结果验证了本文算法的有效性.     

A novel super-resolution method of PolSAR images based on target decomposition and polarimetric spatial correlation

The polarimetric synthetic aperture radar (PolSAR) is becoming more and more popular in remote-sensing research areas. However, due to system limitations, such as bandwidth of the signal and the physical dimension of antennas, the resolution of PolSAR images cannot be compared with those of optical remote-sensing images. Super-resolution processing of PolSAR images is usually desired for PolSAR image applications, such as image interpretation and target detection. Usually, in a PolSAR image, each resolution contains several different scattering mechanisms. If these mechanisms can be allocated to different parts within one resolution cell, details of the images can be enhanced, which that means the resolution of the images is improved. In this article, a novel super-resolution algorithm for PolSAR images is proposed, in which polarimetric target decomposition and polarimetric spatial correlation are both taken into consideration. The super-resolution method, based on polarimetric spatial correlation (SRPSC), can make full use of the polarimetric spatial correlation to allocate different scattering mechanisms of PolSAR images. The advantage of SRPSC is that the phase information can be preserved in the processed PolSAR images. The proposed methods are demonstrated with the German Aerospace Center (DLR) Experimental SAR (E-SAR) L-band full polarized images of the Oberpfaffenhofen Test Site Area in Germany, obtained on 30 September 2000. The experimental results of the SRPSC confirms the effectiveness of the proposed methods.¹     

Analysis of the applicability of multi-temporal full polarimetric airborne L-band SAR scattering to paddy rice field mapping

ABSTRACT

A Synthetic Aperture Radar (SAR) is an all-weather imaging system that is often used for mapping paddy rice fields and estimating the area. Fully polarimetric SAR is used to detect the microwave scattering property. In this study, a simple threshold analysis of fully polarimetric L-band SAR data was conducted to distinguish paddy rice fields from soybean and other fields. We analysed a set of ten airborne SAR L-band 2 (Pi-SAR-L2) images obtained during the paddy rice growing season (in June, August, and September) from 2012 to 2014 using polarimetric decomposition. Vector data for agricultural land use areas were overlaid on the analysed images and the mean value for each agricultural parcel computed. By quantitatively comparing our data with a reference dataset generated from optical sensor images, effective polarimetric parameters and the ideal observation season were revealed. Double bounce scattering and surface scattering component ratios, derived using a four-component decomposition algorithm, were key to extracting paddy rice fields when the plant stems are vertical with respect to the ground. The alpha angle was also an effective factor for extracting rice fields from an agricultural area. The data obtained during August show maximum agreement with the reference dataset of estimated paddy rice field areas.     

全极化SAR影像城区建筑密度分析

针对全极化SAR影像的建筑区特性,提出了一种基于极化特征共生矩阵的城区建筑密度分析方法。首先将极化特征与共生矩阵结合,在考虑建筑区极化散射机理和建筑朝向作用的同时,兼顾了建筑区的空间排列信息,在此基础上为了增强建筑密度的局部区域特性,将共生矩阵特征进行K-means聚类,结合图像分块形成标号直方图统计矢量,进而对该直方图统计矢量进行矢量量化实现SAR影像城区的建筑密度分级。RadarSat-2全极化SAR影像城区建筑密度分析的实验表明,该方法既适用于建筑朝向复杂城区也适用于建筑排列整齐城区的密度信息提取。     

一种基于样本筛选的极化SAR图像目标对比增强新方法

针对极化SAR图像目标检测问题,研究了极化SAR图像目标对比增强方法.特别针对待增强目标或待抑制杂波为极化特性复杂的非均匀区域的情况,提出了一种基于样本筛选的对比增强新方法.对于利用人工划分而粗略获得的目标及杂波样本候选区,该新方法首先基于极化分解理论筛选出具有不同散射机理类型的两类像素点,分别作为目标及杂波样本的初步筛选结果;然后在此基础上,基于Wishart统计检验理论进一步选取初步筛选结果中极化统计特性相近的像素点,以获得样本最终的筛选结果.通过上述筛选技术的综合利用,可有效改善直接采用人工划分样本进行目标对比增强的增强效果.基于E-SAR全极化实测数据的实验结果表明,该新方法是有效的.     

深度置信网络在极化SAR图像分类中的应用

目的 深度置信网络能够从数据中自动学习、提取特征,在特征学习方面具有突出优势。极化SAR图像分类中存在海量特征利用率低、特征选取主观性强的问题。为了解决这一问题,提出一种基于深度置信网络的极化SAR图像分类方法。方法 首先进行海量分类特征提取,获得极化类、辐射类、空间类和子孔径类四类特征构成的特征集;然后在特征集基础上选取样本并构建特征矢量,用以输入到深度置信网络模型之中;最后利用深度置信网络的方法对海量分类特征进行逐层学习抽象,获得有效的分类特征进行分类。结果 采用AIRSAR数据进行实验,分类结果精度达到91.06%。通过与经典Wishart监督分类、逻辑回归分类方法对比,表现了深度置信网络方法在特征学习方面的突出优势,验证了方法的适用性。结论 针对极化SAR图像海量特征的选取与利用,提出了一种新的分类方法,为极化SAR图像分类提供了一种新思路,为深度置信网络获得更广泛地应用进行有益的探索和尝试。     

基于Yamaguchi分解模型的全极化SAR图像分类

针对利用Yamaguchi分解模型的四个散射分量直接进行类别归属判断精度不高并且所分类别有限的问题,结合模糊C均值的理论,提出了一种基于Yamaguchi分解模型的全极化SAR分类算法,把四个散射分量组成一组归一化的特征矢量,进行FCM聚类分析。并且用日本机载L波段PiSAR数据验证了该算法具有较高的分类精度和较好的视觉效果。     

Automated delineation of coastline from polarimetric SAR imagery

In this paper we present a new diffusion-based method for the delineation of coastlines from space-borne polarimetric SAR imagery of coastal urban areas. Both polarimetric filtering and speckle reducing anisotropic diffusion (SRAD) are exploited to generate a base image where speckle is reduced and edges are enhanced. The primary edge information is then derived from the base image using the instantaneous coefficient of variation edge detector. Next, the resulting edge image is parsed by a watershed transform, which partitions the image into disjoint segments where the division lines between segments are collocated with detected edges. The over-segmentation problem associated with the watershed transform is solved by a region merging technique that combines neighbouring segments with similar radar brightness. As a result, undesired boundary segments are eliminated and true coastlines are correctly delineated. The proposed algorithm has been applied to a space-borne polarimetric SAR dataset, demonstrating a good visual match between the detected coastline and the manually contoured coastline. The performance of the proposed algorithm is compared with those of two polarimetric SAR classification algorithms and two edge-based shoreline detection methods that are tailored to single polarization SAR images. Experimental results are shown using polarimetric SAR data from Hong Kong.