一种基于测地线距离的极化SAR图像快速超像素分割算法

针对传统的极化SAR(PolSAR)图像超像素分割算法中采用的距离度量对相似性表征能力不足的问题,该文提出了一种基于测地线距离的极化SAR图像快速超像素分割算法。首先,对图像进行正六边形初始化与不稳定点初始化;其次,利用实对称Kennaugh矩阵之间的测地线距离来度量当前不稳定点与其搜索范围内其他聚类中心点之间的相似度,以便更准确地为当前不稳定点分配标签,从而快速减少不稳定点的数量;最后,利用后处理步骤消除孤立像素点以生成最终的超像素。利用仿真极化SAR数据验证了初始化方法的有效性和测地线距离度量的高效性,并利用仿真和实测数据将该文算法与其他4种算法进行对比分析。实验结果表明,该文方法生成的超像素具有更规则的形状并且能够准确地贴合真实地物边缘,同时具有更高的运算效率。     

采用流形近邻传播聚类的极化SAR图像分类

针对传统近邻传播（Affinity Propagation, AP）聚类算法使用欧式距离构建相似度矩阵,不能有效描述极化SAR数据复杂分布的问题,本文提出一种新的基于联合流形距离的AP聚类算法(CMD-AP) 用于极化SAR图像分类。首先将待分类极化SAR图像分割成若干超像素,在相应的极化特征基础上加入图像纹理特征,利用拉普拉斯特征映射算法对特征降维;然后结合相干矩阵Wishart流形和特征矢量欧式流形作为流形距离测度,构造相似性矩阵;最后利用上述相似性矩阵,采用AP聚类算法,对极化SAR图像进行分类。该算法充分考虑了极化SAR数据集潜在的流形结构,将联合的流形距离测度引入AP算法中。实验表明,本文算法提高了极化SAR图像的分类精度,具有更优的区域一致性和边缘保持效果。      

一种面向对象的时间序列极化SAR图像变化检测方法

提出了一种改进的时间序列极化合成孔径雷达(SAR)图像变化检测方法。该方法首先使用简单线性迭代聚类算法对时间序列极化SAR图像进行过分割,得到时间序列图像的超像素一致表达。然后对各个超像素进行时间序列上的任意双时相交叉变化检测,得到包含时间序列图像变化信息的变化检测矩阵。最后根据变化信息对图像在时间序列上进行平滑滤波并生成动态变化图,对地物变化情况进行分析。实验结果表明,文中方法能够有效地检测和分析时间序列极化SAR图像的变化情况。     

双波段全极化SAR图像非监督分类方法及实验研究

该文首先采用H/分类对像素进行了初始猜测,然后进一步采用Bayes最大似然估计(ML）分类法对像素进行重新归类．不同波段电磁波对地物散射具有不同的属性,因而我们采用双波段全极化SAR数据结合的分类方法,得到了更好的分类结果．SAR图像的相干斑会影响图像的分类准确度和精度．在进行分类处理前,对双波段全极化SAR图像相干斑进行矢量滤波处理．该文使用NASA/JPL实验室在天山地区的实测数据对这些分类算法进行了实验研究．给出了单波段以及双波段全极化SAR分类结果的伪彩色图．其中双波段全极化SAR滤波后数据具有相对最优的分类结果．     

极化SAR图像解译中的不相似性度量

不相似性度量常用来描述极化合成孔径雷达(SAR)样本数据之间的差异性,已被广泛应用于滤波、目标检测、分割分类和变化检测等多种极化SAR图像解译技术中。基于极化SAR数据的矩阵表达形式,从特征、统计分布、假设检验、信息论散度和信息几何等多角度出发,总结回顾了极化SAR图像解译问题中常见的不相似性度量,简要分析了其优势、存在的问题以及适用范围,并对极化SAR不相似性度量的研究趋势进行了展望。     

基于区域谱聚类的极化合成孔径雷达图像分割

极化合成孔径雷达(Synthetic Aperture Radar,SAR)经常用于地物图像的分割和分类.实际中监测范围广,需要算法快速有效;地物复杂,需要算法能够处理不均匀地物.针对上述问题,提出了基于区域合并和谱聚类的极化SAR图像分割方法.先对图像进行一个区域合并步骤完成粗分割,产生许多具有相似统计特性的区域块,再对过分割的区域块进行谱聚类.多个场景下的实验表明:所提方法相对于传统针对像素点的谱聚类,运算复杂度低;相对于完全进行区域融合的方法,更能适应不均匀地物和大场景分割.     

基于随机蕨的极化SAR图像地物分类研究

传统极化SAR图像地物分类方法通常存在计算效率低和维度灾难等问题，受益于随机蕨分类器的简单性、鲁棒性和处理高维特征空间的能力，文中提出了一种基于随机蕨算法的极化SAR分类框架算法。随机蕨分类器中大量的二元特征捕获了极化SAR图像中地物的空间信息、纹理属性和与其相邻像素的关系。该方法能够在人工标注像素数量较少的情形下对极化SAR图像进行准确、高效的地物分类并且所需要的训练一个随机蕨分类器的时间仅需几十秒。最终的分类实验结果表明，该方法在Oberpfaffenhofen数据集上达到了较好的分类性能和运行效率。     

基于深度卷积神经网络的图上半监督极化SAR图像分类算法

为实现在只有少量标记数据情况下的高质量的图像分类,本文提出了一种基于深度卷积神经网络的图上半监督极化SAR图像分类算法.该算法将极化SAR图像建模为无向图,并基于该无向图,定义了包含半监督项,卷积神经网络项和类标光滑项的能量函数.算法所采用的卷积神经网络提取抽象的数据驱动的极化特征.半监督项约束了有标记像素的类标在分类过程中保持不变.类标光滑项约束了像素间类标的光滑性.基于对PauliRGB图像进行超像素分割而产生的初始化类标图,交替迭代优化所定义的能量函数直至其收敛.在两幅真实极化SAR图像上的实验结果表明,该算法达到了优异的分类效果,其性能优于当前已有算法.     

基于原型理论的极化SAR图像特征表达

该文提出一种基于原型理论的极化SAR图像表达方法。该方法首先利用原型理论构建原型集,然后以正则化逻辑回归函数计算测试样本与每个原型集的相似度,最后通过集成投影获得图像的特征表达。在极化SAR数据上的非监督分类实验结果表明,该方法能够准确表达图像中各类地物的极化特性,达到较好的分类效果。      

基于H-α和改进C-均值的全极化SAR图像非监督分类

该文提出一种基于H-α和改进C-均值的全极化SAR图像非监督分类方法.该方法先按H-α对全极化SAR图像进行基于散射机理的分类,再将分类结果作为改进C-均值算法的初始类别划分,从而实现地物分类.迭代次数确定是C-均值动态聚类算法的关键,文中利用图像熵给出了一种新的迭代终止准则.与H-α方法相比,该文方法能在保留分类结果物理散射机理的同时,实现有效的地物分类.NASA/JPL实验室AIRSAR系统获取的L波段旧金山全极化SAR数据的实验结果验证了该文方法的有效性.     

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类

考虑到极化合成孔径雷达(PolSAR)图像标注信息量低以及相干斑噪声难以消除的问题,该文从鲁棒统计学习的角度提出了一种基于Pin-SVM的极化SAR图像鲁棒分类方法,根据极化SAR图像的散射特性和地物的纹理特性,通过求解两类样本之间的最大分位数距离来确定分类超平面,在无需迭代的前提下得到更加鲁棒的分类结果。相比传统的基于最大间隔的极化SAR图像分类算法,该文所提算法一方面在对极化SAR图像提取到的特征中包含的噪声具有更好的鲁棒性,另一方面对于训练样本的抽样范围不敏感,即重采样具有更好的鲁棒性。利用EMISAR的Foulum地区极化SAR数据进行了算法验证,多种情况的对比实验的结果验证了该算法的有效性。      

基于公理化模糊子集的改进谱聚类算法

谱聚类算法通常是采用高斯核作为相似性度量,并利用所有可用的特征来构建具有欧氏距离的相似度矩阵,数据集复杂度会影响其谱聚类性能,因此该文提出一种基于公理化模糊子集(AFS)的改进谱聚类算法。首先结合AFS算法,利用识别特征来衡量更合适的数据成对相似性,生成更强大的亲合矩阵;再有效地利用Nystr?m采样算法,计算采样点间以及采样点和剩余点间的相似度矩阵去降低计算的复杂度;最后通过在不同数据集以及图像分割上进行实验,证明了提出算法的有效性。     

基于邻域最小生成树的半监督极化SAR图像分类方法

该文针对极化SAR图像分类中只有少量标记样本的问题,提出了一种基于邻域最小生成树的半监督极化SAR图像分类方法。该方法针对极化SAR图像以像素为分类对象的特点,结合自训练方法的思想,利用极化SAR图像像素点的空间信息,提出了基于邻域最小生成树辅助学习的样本选择策略,增加自训练过程中被选择无标记样本的可靠性,扩充标记样本数量,训练更好的分类器。最终用训练好的分类器对极化SAR图像进行测试。对3组真实的极化SAR图像进行测试,实验结果表明,该方法在只有少量标记样本的情况下能获得满意的分类结果,且分类正确率明显优于传统的分类算法。      

基于图上随机游走过程的SAR图像图谱分割方法

基于图上的随机游走过程,提出了一种新的合成孔径雷达(SAR)图像图谱分割方法。首先根据SAR图像的统计性质,构造了适合于SAR图像的相似度度量函数;然后在正交谱分解和矩阵逼近理论的基础上,建立了SAR图像图谱分割方法中分类数目的确定准则。最后实现了基于谱聚类的SAR图像分割,并通过实验证明了所提方法的有效性和应用潜力。     

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。     

一种改进的高分辨率SAR图像超像素CFAR舰船检测算法

合成孔径雷达(SAR)图像舰船目标检测一直受到学者广泛关注,恒虚警率(CFAR)检测算法作为雷达图像经典目标检测算法被广泛应用于SAR图像舰船目标检测中。然而经典CFAR检测性能容易受到相干斑噪声影响,基于滑窗的检测结果对滑窗的尺寸选择非常敏感,难以保证杂波背景中不存在目标像素,并且计算效率较低。针对上述问题,该文提出了一种新的基于超像素无窗快速CFAR的SAR图像舰船目标检测算法。首先,利用基于密度的快速噪声空间聚类(DBSCAN)超像素生成方法生成SAR图像的超像素。在SAR数据服从混合瑞利分布的假设下,定义了超像素相异度。然后利用超像素精确估计每个像素的杂波参数,即使在多目标情况下,也可以克服传统CFAR滑动窗口的缺点。此外,基于SAR图像变异系数,提出了一种基于变异系数的局部超像素对比度来优化CFAR检测,以此消除大量杂波虚警,如陆地区域人造目标。对5幅SAR图像的实验结果表明,与其他方法相比,该文方法对不同场景SAR图像海面舰船目标检测都十分稳健。      

基于表征转换机的SAR图像目标分割方法

针对SAR(Synthetic Aperture Radar)图像中的目标分割问题,由于目标与杂波空间模式(像素强度和分布)不同,通过分析图像空间模式的方式可达到分辨目标和杂波并分割目标的目的。该文基于表征转换机理论提出一种有效的SAR图像目标分割方法,该算法分析SAR图像中的空间模式,计算其与参考杂波图像的相似程度,最后将与参考杂波相似程度较高的部分消除以达到分割目标的目的,并在衡量相似度部分使用基于累积直方图的自动阈值选取办法。仿真和实测数据的实验验证了此算法的有效性。      

一种基于模糊C均值的图像超像素分割方法

在分析现有图像分割算法基础上,提出一种基于超像素的模糊C均值分割算法.首先利用像素间灰度和距离定义像素间相似度,从而循环迭代出图像的超像素;然后进一步提取每个超像素的小波能量特征并利用模糊C均值算法对该特征进行聚类.大量实验表明,提出的图像分割算法对噪声有一定稳健性,分割准确率高,并能有效抑制孤立点的影响.     

基于SLIC超像素分割的SAR图像海陆分割算法

海陆分割在合成孔径雷达(SAR)图像的海面目标检测以及海岸线提取等海洋应用方面具有非常重要的意义。针对合成孔径雷达图像的特点,提出了基于SLIC超像素分割的SAR图像海陆分割算法。首先为抑制SAR图像固有相干斑噪声并较好地保留图像的边缘信息,采用精致Lee滤波对图像进行预处理。然后对图像进行SLIC超像素分割,再将分割后的图像进行FT区域显著性检测以及显著值相似度聚类。最后将处理后的图片二值化得到海陆分割结果。实验结果表明,本文所提海陆分割算法具有很高的处理精度以及较高的处理效率。