多角度极化SAR图像散射特征建模及其应用

本文将基于条带观测模式的极化SAR散射模型拓展至方位向多角度观测模式,基于典型极化散射类型组合提出一种非各向同性散射特征模型。该模型参数纬度多且随方位向观测变化,需要替代性方法提取多角度极化散射特征。首先,采用基于Wishart分布的统计量对非各向同性散射中心进行检测,并逐像素生成基于散射特征差异的新序列图像。其次,以新序列图像作为处理对象,提取极化似然比序列、子孔径角度序列、极化熵—似然比序列、极化散射角—似然比序列、极化各向异性度—似然比序列。最后,集成特征序列编码及支持向量基（SVM）方法进行分类。通过机载P波段极化SAR开展360°观测试验,验证了方法的有效性并揭示出在地物分类方面的应用潜力。      

多角度极化SAR图像中的非各向同性散射估计与消除方法研究

通过对不同角度子孔径相干累加,多角度观测SAR可以提供高分辨率影像及多角度散射特征.然而,现有的累加成像方法存在非各向同性散射中心混叠问题.混叠将造成极化特征参数估计无法反映实际的目标物理特征,从而难以支撑分类及变化检测应用.为了去除不同散射中心间的相互干扰并利用不同类型的信息,该文提出了一种多角度极化SAR图像中的非各向同性散射估计与消除方法.该方法给出了基于两类目标假设的最大似然比检验统计量,分析了相干斑影响以及非各向同性散射消除机理,证明了恒虚警判决函数的单调性.通过机载P波段极化SAR进行了360观测试验,分析了非各向同性散射消除前后极化熵的变化,验证了算法的有效性并揭示出在目标特征提取方面的应用潜力.      

一种基于Freeman分解与散射熵的极化SAR图像迭代分类方法

该文提出了一种基于Freeman分解与散射熵的极化SAR图像迭代分类新方法。该方法首先通过Freeman分解提取3种散射机理成分的功率,同时通过H/ 分解提取地物的散射熵;再利用这4个表征地物特性的参数将极化SAR图像中的地物划分为9个初始类,最后使用Wishart分类器对初始类进行迭代分类得到最终的结果。该方法合理利用了地物的极化散射信息,能够取得较好的分类效果,同时运算量也比较小。实测极化SAR数据的实验结果验证了该方法的有效性。     

基于散射模型的极化SAR数据分解

该文提出一种描述极化SAR散射机制的散射模型。该模型由四种基本散射模型构成:布拉格散射,偶次散射,奇次散射和体散射。该散射模型成功地描述了人造目标和自然目标对电磁波的散射机制。本文利用美国空气动力实验室(JPL)的机载多极化合成孔径雷达系统获得的SAR图像数据对该模型进行了检验,结果表明该散射模型可以很好地描述建筑和植被覆盖地区对电磁波的散射机制。     

散射模型与Wishart分类相结合的极化SAR图像分类

给出了一种散射模型与Wishart分类相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像非监督分类方法。首先利用去取向三分量散射模型进行粗分类,将像素划分为三种基本散射类型和混合散射类型;然后,在基本散射类型内根据占优散射机制的功率进行细分类,并根据Wishart距离对细分类的结果进行类别合并,合并到指定的类别数;最后对四种散射类型的像素分别重新进行Wishart迭代,从而实现极化SAR数据的非监督分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并且同已有分类方法进行比较,结果表明本文方法改善了分类效果,且降低了体散射过估计。      

利用SVM的极化SAR图像特征选择与分类

该文提出一种新的利用SVM的特征选择算法,并将其融入到极化SAR图像分类过程中,构成一种新的基于SVM的分类方法。其中,特征选择算法利用支持向量个数作为特征评估指标,并以顺序后退法作为搜索策略。真实数据的实验结果表明,该分类方法能有效降低SVM分类器对自身参数的敏感性,与利用原始特征集和经典的RELIEF-F的分类方法相比,该方法能以更少(或相当)的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。     

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SAR极化特征的SVM道路提取方法研究

SAR图像中道路提取在路网规划建设、灾害监测等领域具有重要的应用价值.传统SAR图像道路提取方法多是基于SAR图像的幅值特性进行提取,缺少对极化特性的解译.此外极化分解方法多应用于水体提取、地物分类、建筑物提取等,较少应用于道路提取.针对现有的道路提取方法数据质量要求高、全极化道路提取研究较少、全极化数据源相干斑噪声影响大的问题,本文首先对全极化数据进行多视处理、滤波去噪预处理,并通过极化分解方法获取20维极化特征散射分量.其次,从散射机理的角度出发,构建鉴别道路信息的最优极化特征矢量.最后,通过SVM分类器得到初步道路提取结果,并通过数学形态法提取道路数据.实验结果表明,该方法达到了98.4%的Acc和65.3%的Iou,具有提取精度高、应用范围广的优点,充分利用高分辨率SAR数据的极化信息,可有效应用于SAR图像的道路提取方法研究中.此外,区分于将光学道路提取的方法直接套用到SAR图像道路提取研究,本文探索了极化特征在SAR图像道路提取中的应用表现,为SAR图像道路提取研究提出新模式新思路.     

一种适合方位建筑物的基于物理散射模型的极化SAR影像四分量分解方法

针对走向与雷达飞行方向不平行的建筑物（简称为方位建筑物）,提出了一种基于物理散射模型的极化SAR影像四分量分解方法。该方法用于区分散射类型易混淆的方位建筑物和植被。本文首先对方位角补偿后的相干矩阵进行相位旋转;然后构造一种修正的体散射模型,该模型包含纯体散射模型和方位二面角散射模型;最后加入两个能量限制条件,有效避免了负能量像素点的出现。实验结果表明,与已有的四分量分解方法相比,提出的分解方法有效解决了方位建筑物被误识别为植被等体散射类型的问题且消除了负能量,有利于从植被中区分方位建筑物。     

极化SAR图像分类综述

对极化SAR(合成孔径雷达)图像分类进行综述.首先建立简略的极化SAB图像分类技术发展流程,并对国内外研究机构在该领域的主要研究成果进行归纳;然后对用于极化SAR图像分类的众多特征进行分类整理,指出其物理意义及在图像分类中的优缺点,并从有监督和无监督的角度综述了现有的极化SAR图像分类方法;最后对极化SAR图像分类存在的问题进行归纳,并指出将来的研究方向.     

Knowledge-based classification of polarimetric SAR images

In preparation for the flight of the Shuttle Imaging Radar-C (SIR-C) on board the Space Shuttle in the spring of 1994, a level-1 automatic classifier was developed on the basis of polarimetric SAR images acquired by the JPL AirSAR system. The classifier uses L- and C-Band polarimetric SAR measurements of the imaged scene to classify individual pixels into one of four categories: tall vegetation (trees), short vegetation, urban, or bare surface, with the last category encompassing water surfaces, bare soil surfaces, and concrete or asphalt-covered surfaces. The classifier design uses knowledge of the nature of radar backscattering from surfaces and volumes to construct appropriate discriminators in a sequential format. The classifier, which was developed using training areas in a test site in Northern Michigan, was tested against independent test areas in the same test site and in another site imaged three months earlier. Among all cases and all categories, the classification accuracy ranged between 91% and 100%     

基于极化SAR图像分类的海上舰船检测

本文针对极化熵类检测方法的不足,在极化特征分解以及Touzi等人工作的基础上,提出了能够更全面的表征舰船和杂波差别的特征矢量,并提出了一种基于特征矢量的非监督分类方法。使用该方法进行海上舰船的检测,不仅取得了很好的舰船和海面的分离效果,而且也得到了较好的舰船与其他人造目标的区分效果。实测数据的检测结果证明该分类方法具有很好的收敛性,是一种有效的舰船检测方法。     

一种改进的极化SAR图像四成分分解方法

目标分解是极化合成孔径雷达（SAR）应用的重要基础,其中四成分分解算法在对城市等复杂地物的分析中有很好的应用。原四成分分解得到的体散射分量通常较大,这是由于所应用的体散射模型不能完全描述实际复杂地物的随机散射过程造成的。为了更好分析地物的实际物理散射特性,结合新的体散射模型,提出了一种改进的全极化SAR图像四成分分解算法。对目标散射相干矩阵进行定向角旋转,利用新的体散射模型对目标矩阵进行分解,在分解过程中加入功率限制以防止分解中负功率的出现。最后对NASA/JPL实验室AIRSAR-L波段的旧金山数据,以及ALOS/PALSAR的北京地区极化数据进行了分析,实验结果验证了该方法的有效性。     

基于复Wishart分布的极化SAR图像无监督分类

文中使用了一种无监督算法对全极化合成孔径雷达数据进行地物分类。不同于其他算法对像素统计特性分类而忽略他们的散射特性,这种算法不仅使用了统计分类,而且还保留了其主要的散射特性。本算法采用的是由Freeman和Durden以散射模型为基础开发的分解算法和基于复Wishart分布的距离度量分类器的组合。首先是应用Freeman和Durden分解划分像素分成三个散射类:表面散射,体散射和二面角散射;然后在此基础上将这三个散射类分为多个聚类,通过迭代Wishart分类器将其更精准地分类;最后,根据散射类别的自然颜色对其进行像素编码,提出颜色填充的方案。通过实验结果比对来证明该方法比H/α方法更具有优越性。     

基于3D卷积神经网络的PolSAR图像精细分类

PolSAR （Polarimetric Synthetic Aperture Radar）图像分类的传统方法在前期需要对数据进行特征提取,涉及较多的人为参与,且分类精度有待进一步提高。此外,在采用监督分类方法时,某些地物存在小样本问题,针对这些问题并结合PolSAR图像精细分类的需求,提出基于3D卷积神经网络的PolSAR图像地物精细分类方法,将传统卷积神经网络扩展为三维并将其应用于PolSAR图像分类中,利用PolSAR数据多通道特性,充分挖掘数据中的信息,提高分类性能,并采用虚拟样本扩充的方法改善某些地物的小样本情况,获得更好的分类结果。实验结果表明:3D卷积神经网络较2D卷积神经网络在PolSAR图像地物精细分类中有较好的性能,且虚拟样本扩充方法能够有效改善小样本分类问题。     

Measurement of topography using polarimetric SAR images

A processing technique for polarimetric synthetic aperture radar (SAR) data has been developed which produces profiles of terrain slopes and elevations in the azimuthal (or along-track) direction. This technique estimates the average shift in orientation angle of copolarization backscatter caused by azimuthal tilts of the scattering plane. Using P-band data, tests of this technique have been made for an area in the Black Forest near Villingen/Schwenningen in Baden-Wurttemberg, Germany. The radar measured slope and derived elevation profiles have low rms errors and high correlation values when compared with a stereo-photograph digital-elevation map (DEM) for the area. This algorithm is capable of adaptively making transitions from the forested areas to nearby regions with open-terrain. Subsequent tests of the algorithm have been conducted using polarimetric SAR L-band data for a mountainous, nonforested, region in the Mojave Desert (Ft. Irwin, CA) where an accurate DEM also was available. Complete elevation and slope mapping of the terrain in two dimensions using this technique is possible when azimuthal elevation profiles are produced throughout the range extent of the SAR image     

CFAR edge detector for polarimetric SAR images

Finding the edges between different regions in an image is one of the fundamental steps of image analysis, and several edge detectors suitable for the special statistics of synthetic aperture radar (SAR) intensity images have previously been developed. In this paper, a new edge detector for polarimetric SAR images is presented using a newly developed test statistic in the complex Wishart distribution to test for equality of covariance matrices. The new edge detector can be applied to a wide range of SAR data from single-channel intensity data to multifrequency and/or multitemporal polarimetric SAR data. By simply changing the parameters characterizing the test statistic according to the applied SAR data, constant false-alarm rate detection is always obtained. An adaptive filtering scheme is presented, and the distributions of the detector are verified using simulated polarimetric SAR images. Using SAR data from the Danish airborne polarimetric SAR, EMISAR, it is demonstrated that superior edge detection results are obtained using polarimetric and/or multifrequency data compared to using only intensity data.     

基于梯度的极化SAR图像超像素分割

超像素分割在图像分割领域以其优异的性能表现被广泛应用,准确性和高效性是评价分割性能的重要指标.简单线性迭代聚类（simple linear iterative clustering,SLIC）方法在光学图像上表现出了优异的性能,在极化合成孔径雷达（synthetic aperture radar,SAR）图像中也被广泛应用,然而SLIC方法中的初始化步骤不能准确地定位类中心,需要多次的迭代纠正误差.改进的分水岭方法（spatial constrained watershed,SCoW）是一种基于梯度阈值区分的简单且高效的分割方法,但是不能直接用于极化SAR图像.本文受SCoW的启发,提出一种对SLIC进行预处理的分割方法,通过横虚警（constant false alarm rate,CFAR）边缘检测器计算得到极化SAR图像的梯度信息,并将梯度信息用于初始化分割.基于两幅实测极化SAR图像,将本文提出方法与其他三种方法对比.实验表明本文方法可以减少整个算法的迭代次数,得到更加符合图像信息、贴合图像边界的分割结果.     

Restoration of polarimetric SAR images using simulated annealing

Filtering synthetic aperture radar (SAR) images ideally results in better estimates of the parameters characterizing the distributed targets in the images while preserving the structures of the nondistributed targets. However, these objectives are normally conflicting, often leading to a filtering approach favoring one of the objectives. An algorithm for estimating the radar cross-section (RCS) for intensity SAR images has previously been proposed in the literature based on Markov random fields and the stochastic optimization method simulated annealing. A new version of the algorithm is presented applicable to multilook polarimetric SAR images, resulting in an estimate of the mean covariance matrix rather than the RCS. Small windows are applied in the filtering, and due to the iterative nature of the approach, reasonable estimates of the polarimetric quantities characterizing the distributed targets are obtained while at the same time preserving most of the structures in the image. The algorithm is evaluated using multilook polarimetric L-band data from the Danish airborne EMISAR system, and the impact of the algorithm on the unsupervised H-α classification is demonstrated     

Four-component scattering model for polarimetric SAR image decomposition

A four-component scattering model is proposed to decompose polarimetric synthetic aperture radar (SAR) images. The covariance matrix approach is used to deal with the nonreflection symmetric scattering case. This scheme includes and extends the three-component decomposition method introduced by Freeman and Durden dealing with the reflection symmetry condition that the co-pol and the cross-pol correlations are close to zero. Helix scattering power is added as the fourth component to the three-component scattering model which describes surface, double bounce, and volume scattering. This helix scattering term is added to take account of the co-pol and the cross-pol correlations which generally appear in complex urban area scattering and disappear for a natural distributed scatterer. This term is relevant for describing man-made targets in urban area scattering. In addition, asymmetric volume scattering covariance matrices are introduced in dependence of the relative backscattering magnitude between HH and VV. A modification of probability density function for a cloud of dipole scatterers yields asymmetric covariance matrices. An appropriate choice among the symmetric or asymmetric volume scattering covariance matrices allows us to make a best fit to the measured data. A four-component decomposition algorithm is developed to deal with a general scattering case. The result of this decomposition is demonstrated with L-band Pi-SAR images taken over the city of Niigata, Japan.