基于改进栈式核稀疏深度模型的大规模极化SAR地物分类算法

地物分类是极化SAR应用的一个重要分支。传统的地物分类方法需要提取特征,通过分类器进行分类。在栈式稀疏自编码模型的基础上,提出一种鲁棒的极化SAR地物分类算法。采用基于Morlet小波核的最小二乘支撑向量机代替深度模型中常用的Softmax分类器。通过与栈式稀疏自编码网络相结合,在一定程度上克服了传统极化SAR影像地物分类方法受相干斑噪声影响,且结果过于粗糙的缺点,保证了分类结果中非匀质区域的连贯性和匀质区域的一致性。真实极化SAR数据仿真实验结果表明,该算法可以有效地提高分类精度,降低相干斑噪声的对分类精度的影响。     

基于物理散射模型的全极化SAR图像增强滤波算法

针对传统的极化SAR滤波方法图像中城镇区域和植被区域地物在滤波中易被混淆, 导致滤波后图像中地物边缘保持效果下降的问题, 提出了一种增强的保持极化散射特性的滤波算法。利用一种增强的四分量极化分解方法获取更加精确的地物散射机制, 并将散射机制信息引入滤波方法中, 使滤波算法中像素的散射机制更精确。增强的四分量极化分解方法引入了极化SAR数据的定向角补偿技术、一种新的体散射模型以及两种散射功率限制条件, 来改进Freeman-Durden分解的结果。理论分析和实验结果表明, 改进后的方法获取了比传统的极化SAR图像滤波算法更加理想的计算结果。     

全极化合成孔径雷达影像地形纠正及其在雪冰制图中的应用

针对合成孔径雷达（SAR）影像由于地形起伏引起的图像畸变问题,文章提出了基于相干矩阵的全极化SAR影像地形纠正算法,并运用于雪冰制图。该方法首先采用距离多普勒模型建立SAR成像几何模型;然后利用全极化Cloude特征分解方法对全极化SAR图像进行融合,将融合后的SAR图像与模拟图像进行配准提高SAR影像几何定位精度;最后利用投影面积归一化和极化方位角移动补偿技术对地形引起的辐射畸变进行纠正。采用中国长江源区南部唐古拉山中段冬克玛底冰川区域的C波段Radarsat-2全极化SAR数据进行验证,配准模拟SAR和原始SAR影像的控制点方位向和距离向的均方根误差（RMSE）分别为7.765和14.586个像素;经过地形纠正后的地物分类精度达80%以上。结果表明：（1）该方法能够有效消除SAR影像中几何和辐射畸变的影响;（2）地形纠正后的SAR数据在雪冰制图中具有可行性。     

基于不同特征的随机森林极化SAR图像分类

近些年,利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据,利用不同的特征提取算法提取特征,并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数,采用灰度共生矩阵提取纹理特征参数;然后将提取的所有特征进行不同的组合,构成不同的特征集;最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差;利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果;综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果,总体精度和Kappa系数可以达到94.44%和0.9305,表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.     

基于极化合成的目标分类算法

极化合成是极化SAR图像处理的一种重要方法,它能在成像处理后,利用已获得的Sinclair矩阵重新生成任意极化方式下的雷达接收功率图像,并能通过选取收发天线极化状态相同或正交,分别得到描述目标散射特性的共极化特征图和交叉极化特征图。根据极化合成理论和极化特征图的概念,可以获取目标的最佳极化。将其作为分类器的输入特征量,提出了一种基于极化合成的目标分类算法,并对实测极化SAR数据进行了分类实验。结果表明,该算法对于从极化SAR数据中获取目标的最佳极化,进而对目标进行分类是可行和有效的。     

一种基于层次语义图像分类的改进方法

为了解决层次语义图像中分类率低,特别是高层语义图像分类率低的问题,采用两种解决措施。首先引入Fuzzy Support Vector Machine(FSVM)理论,并对FSVM做出改进,消除由Support Vector Machine(SVM)构成的多类分类器中的不可分区域,从而使低层语义图像分类准确率提升,为高层语义分类提供基础。然后再建立底层图像特征与低层语义图像之间的映射关系,对低层语义的图像做高层语义上的关联,最终实现层次化的语义描述结构。实验表明,所提出的方法提高了层次语义图像,特别是高层语义图像分类准确率。     

基于极化合成的目标分类算法

极化合成是极化SAR图像处理的一种重要方法，它能在成像处理后，利用已获得的Sinclair矩阵重新生成任意极化方式下的雷达接收功率图像，并能通过选取收发天线极化状态相同或正交，分别得到描述目标散射特性的共极化特征图和交叉极化特征图。根据极化合成理论和极化特征图的概念，可以获取目标的最佳极化。将其作为分类器的输入特征量，提出了一种基于极化合成的目标分类算法，并对实测极化SAR数据进行了分类实验。结果表明，该算法对于从极化SAR数据中获取目标的最佳极化，进而对目标进行分类是可行和有效的。     

基于最小割的极化特征图像分割

针对极化合成孔径雷达(SAR)所固有的斑点噪声很难分割出精确结果的问题,提出了一种基于图论的极化SAR图像分割方法。该方法结合极化SAR的多个极化特征, 用K均值聚类算法得到像素的初始标号,然后建立一个关于标号的能量函数并构造相应的网络,用最小割方法求取网络中全局能量函数的近似最优解,由此得到每个像素点的恰当标号,最终完成图像的准确分类。该方法与传统的分割方法相比,能够充分考虑极化SAR图像的全局信息和极化特征对图像进行精确的分割。实验结果证明,该算法具有较好的分割效果。     

高分辨率极化SAR图像水平集分割

目的 传统的极化SAR图像分割方法中,由于采用的统计分布模型不能较好地描述高分辨率的图像纹理特征,导致高分辨率极化SAR图像分割效果较差。针对这个问题,本文将具有广泛适用性的KummerU分布嵌入到水平集极化SAR图像分割方法中,提出了一种新的极化SAR图像分割算法。方法 将KummerU分布作为高分辨率极化SAR图像的统计模型,定义一种适用于极化SAR图像分割的能量泛函;利用最大似然法对各个区域的KummerU分布进行参数估计,并通过数值偏微分方程的方法求解水平集函数,实现极化SAR图像的区域分割。结果 分别对仿真全极化数据,真实全极化数据进行分割实验,结果表明本文提出的方法其分割精度高于传统方法,分割精度高于95%,从而验证了新方法的有效性。结论 本文算法能够对各向同质区和各向异质区的极化SAR图像都能取得良好的分割效果,并适应于多种场景,有效地分割出背景和目标。     

极化SAR图像地物分类方法综述

极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)是一种微波成像雷达, 它不受天气、光线以及云层的影响, 能够实现全天时、全天候的成像. 因此, 极化SAR图像已经成为遥感图像地物分类的主要数据源之一. 本文从技术方法的角度出发, 论述了近年来国内外极化SAR图像地物分类的方法及应用, 从技术原理、实验效果等方面进行介绍, 并对极化SAR图像地物分类的发展趋势进行分析.     

Stacked auto-encoder for classification of polarimetric SAR images based on scattering energy

This paper proposes a new algorithm, for polarimetric synthetic aperture radar (PolSAR) classification, based on a stacked auto-encoder and scattering energy. Previous approaches to PolSAR classification predominantly consider only the single pixel of distribution of the polarimetric data and scattering characteristics, and ignore other kinds of image features like the relationship of the local pixels. Besides, because of the complexities of PolSAR data, it is difficult to compute the derivatives that are needed for back-propagation in deep-learning classifiers. To overcome these difficulties, we propose a new approach that combines the scattering power and stacks sparse auto-encoder (Scattering SSAE) for PolSAR classification. Firstly, orientation compensation is used to compensate the polarization orientation angle, reducing the impact of polarimetric angle noise. Secondly, Freeman-Durden decomposition is adopted to extract three basic scattering powers: surface, double bounce and volume. Each PolSAR image pixel is transformed into these scattering powers, yielding a new kind of feature from the PolSAR data. Finally, using the three kinds of scattering power as inputs, we combine local spatial information using a patch-based approach, and use a deep learning architecture to achieve classification. We compare our method against several other state-of-the-art methods using ground-truthed test-data, and show that the Scattering SSAE method achieves higher accuracy than other methods on most categories.     

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。     

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。     

结合编码-解码网络和条件随机场的全极化合成孔径雷达土地覆盖分类

针对多极化合成孔径雷达影像地物分类特征表征性较弱及全卷积网络分类精度较低的问题,文中提出结合编码-解码网络(E-D-Net)和条件随机场(CRF)的全极化合成孔径雷达(SAR)土地覆盖分类算法.首先,利用Freeman分解和Pauli分解建模全极化SAR影像,提取各分解对应的散射特征.再借鉴语义分割网络模型的建模思想和多尺度卷积单元构建对称网络模型,将多尺度非对称卷积单元嵌入中层,设计E-D-Net网络模型.通过E-D-Net网络模型对PolSAR影像Freeman分解散射特征进行多层自主学习,获得初始分类结果.最后,利用全连接CRF结合Pauli相干分解伪彩色图信息,对初始分类结果再进行降噪和平滑优化,得到最终分类结果.在两地区PolSAR影像上的实验验证文中算法的有效性和可行性.     

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.     

高阶条件随机场引导的多分支极化SAR图像分类

目的 针对极化合成孔径雷达（polarimetric synthetic aperture radar,PolSAR）小样本分类问题,基于充分挖掘有限样本的极化、空间特征考虑,提出一种由高阶条件随机场（conditional random field,CRF）引导的多分支分类网络模型。方法 利用Yamaguchi非相干目标分解方法,构建每个像素的极化特征向量。设计了由高阶CRF能量函数引导的多卷积分支特征提取网络,将像素点极化特征向量作为输入,分别提取像素点的像素特征、邻域特征和位置特征信息。将以上特征进行加和融合,并输入到softmax分类器中得到预分类结果。利用超像素方法对预分类结果图进行进一步修正和调优,平滑相邻像素之间的特异性和相似性。结果 采用1%的采样率对两组真实的极化SAR数据进行测试。同时,为了更好地模拟实际应用中训练样本位置分布不均匀的情况,考虑了空间不相交采样方法作为对比实验。综合两种采样策略的实验结果表明,相较于只利用像素级特征或简单利用空间特征的方法,本文方法总分类精度平均提升7%～10%,不同地物类别的分类精准度均在90%以上,运行速度相比于支持向量机（support vector machine,SVM）提高了2.5倍以上。结论 通过构建高阶CRF引导的卷积神经网络,将像素特征信息、同质区域特征和地理位置信息进行融合,有效建立了像素级和对象级数据之间的尺度关联,进一步扩充了像素点之间的空间依赖性,提取到了更强大更准确的表征特征,显著提高了标记样本数量较少情况下的卷积网络模型的分类性能,进一步保证了地物目标散射机制表征的全面性和可靠性。     

A novel algorithm for land use and land cover classification using RADARSAT-2 polarimetric SAR data

This study proposes a new four-component algorithm for land use and land cover (LULC) classification using RADARSAT-2 polarimetric SAR (PolSAR) data. These four components are polarimetric decomposition, PolSAR interferometry, object-oriented image analysis, and decision tree algorithms. First, polarimetric decomposition can be used to support the classification of PolSAR data. It is aimed at extracting polarimetric parameters related to the physical scattering mechanisms of the observed objects. Second, PolSAR interferometry is used to extract polarimetric interferometric information to support LULC classification. Third, the main purposes of object-oriented image analysis are delineating image objects, as well as extracting various textural and spatial features from image objects to improve classification accuracy. Finally, a decision tree algorithm provides an efficient way to select features and implement classification. A comparison between the proposed method and the Wishart supervised classification which is based on the coherency matrix was made to test the performance of the proposed method. The overall accuracy of the proposed method was 86.64%, whereas that of the Wishart supervised classification was 69.66%. The kappa value of the proposed method was 0.84, much higher than that of the Wishart supervised classification, which exhibited a kappa value of 0.65. The results indicate that the proposed method exhibits much better performance than the Wishart supervised classification for LULC classification. Further investigation was carried out on the respective contribution of the four components to LULC classification using RADARSAT-2 PolSAR data, and it indicates that all the four components have important contribution to the classification. Polarimetric information has significant implications for identifying different vegetation types and distinguishing between vegetation and urban/built-up. The polarimetric interferometric information extracted from repeat-pass RADARSAT-2 images is important in reducing the confusion between urban/built-up and vegetation and that between barren/sparsely vegetated land and vegetation. Object-oriented image analysis is very helpful in reducing the effect of speckle in PolSAR images by implementing classification based on image objects, and the textural information extracted from image objects is helpful in distinguishing between water and lawn. The decision tree algorithm can achieve higher classification accuracy than the nearest neighbor classification implemented using Definiens Developer 7.0, and the accuracy of the decision tree algorithm is similar with that of the support vector classification which is implemented based on the features selected using genetic algorithms. Compared with the nearest neighbor and support vector classification, the decision tree algorithm is more efficient to select features and implement classification. Furthermore, the decision tree algorithm can provide clear classification rules that can be easily interpreted based on the physical meaning of the features used in the classification. This can provide physical insight for LULC classification using PolSAR data.     

LBP特征分类的极化SAR图像机场跑道检测

目的 在极化合成孔径雷达（synthetic aperture radar，SAR）图像中常用直线检测进行机场跑道的识别，但是河流、道路等与机场跑道具有相似直线的地物容易对检测结果造成干扰，出现检测目标难定位、目标模糊、多虚警等问题。为此，本文设计了一种利用目标散射特性结合局部二值模式（local binary patterns，LBP）特征分类的极化SAR图像机场跑道区域检测方法，采用LBP特征对极化SAR图像进行有监督的分类来提取真实的机场区域。方法 首先利用异化散射功率对极化SAR图像进行阈值分割，然后通过形态学处理得到疑似机场跑道区域，同时构建机场跑道和非机场跑道两类训练样本，并提取、统计样本的LBP特征，形成直方图，得到特征向量训练支持向量机（support vector machine，SVM）二分类器，其中SVM二分类器采用了径向基函数（radial basis function，RBF）核函数；接着对疑似机场跑道区域构建LBP特征，送入SVM二分类器中分类，对机场跑道进行检测识别，最终得到真实的机场跑道区域。结果 利用UAVSAR（uninhabited aerial vehicle synthetic aperture radar）系统采集的7幅极化SAR图像数据进行实验检测，并选取基于几何特征辨识跑道的两种算法进行对比，3种方法均有效检测出了7幅场景中的真实跑道，但是本文方法在7幅数据中总的虚警和漏警个数均为1，而两种对比算法中的虚警个数分别为2和11、漏警个数分别为8和1。结论 本文方法不仅能有效检测出机场跑道区域，且检测效果更好，计算量较小，虚警和漏警率低，效率更高。     

高分辨率极化合成孔径雷达成像研究进展

合成孔径雷达（Synthetic aperture radar,SAR）是一种有效的地球遥感技术,对观测区域进行全天时、全天候的高分辨率大范围成像,在军事侦察、环境监测和地质测绘等领域有着十分广泛的应用。随着雷达技术和地球科学的发展,人们期望能够获取更多的目标特性,传统的单极化SAR已经难以满足越来越多元化的实际应用需求。极化合成孔径雷达（Polarimetric synthetic aperture radar,PolSAR）基于多个极化通道获取目标不同极化状态下的散射特性丰富了SAR图像的信息量,拓展了SAR的应用领域。从极化数据中准确地解译目标的物理特性是PolSAR应用的重要前提。本文对PolSAR的研究进展进行了总结,重点介绍了极化目标分解算法,给出了高分辨率PolSAR实测数据处理结果,并对未来研究方向进行了展望。     

Weighted Wishart distance learning for PolSAR image classification

An approach of weighted Wishart distance learning, shorted for W2-based distance learning, is proposed for polarimetric synthetic aperture radar (PolSAR) image classification. It aims to adjust the Wishart distance by enhancing discrimination as well as exploiting spatial information. The proposed distance learning keeps samples within the same category close and separates samples from the different classes far apart. It is effectively implemented by solving a linear programming. Input of W2-based distance learning is called weighted Wishart feature, which is designed specifically for PolSAR data to describe the Wishart distribution, achieve regional consistency, and reduce speckle noise. Weight is calculated according to an adaptive window, where homogeneous samples are derived based on a connected region and extracted edge information. With this feature, W2-based distance learning is a whole scheme to adjust the Wishart distance. Furthermore, our experiments with benchmark data sets suggest that the proposed scheme provides both improved performance in terms of visual effect and classification accuracy. The achieved overall accuracy is better by more than 7% compared to other state-of-art methods.