基于KMM与超像素的SAR海面暗斑分割算法

提出了一种基于K乘性模型(K multiplicative model , KMM)与超像素分割算法的无监督的SAR海面暗斑检测算法。KMM算法采用矩估计法进行参数估计,应用于海表面含暗斑的感兴趣区域（region of interest, ROI）检测。通过对感兴趣区域生成的超像素进行聚类来完成最终暗斑的边缘分割。在边缘回撤率、遗漏误差、交叉误差上有较大改善,机载SAR的平均误差率为10%,而TerraSAR的平均误差率低于2%。在计算效率上也有较大提高,平均0.53 s内可处理104个像素点。实验基于高分辨率L波段机载SAR数据以及TerraSAR X数据进行,实验结果表明该方法具有较强的鲁棒性以及较高的计算效率。     

一种联合特征值信息的全极化SAR图像监督分类方法

基于H/平面的分类器对于具有相似散射类型的地物的分类能力很差,为此该文直接使用特征值特征来进行分类。首先提取特征值特征,并使用一种自适应调整高斯分量个数的高斯混合模型对特征值分布进行较为准确地拟合,然后采用朴素贝叶斯分类器进行初步分类。针对可能存在特征值分布较为相近导致错分的问题,计算每两类地物的特征值分布的相似度,将相似度大于给定阈值的类别对组成相似性表,对于这些相似对再用基于Wishart距离的K近邻分类器进行细分。综合分析机载和星载SAR数据上的实验结果,表明这种方法能够克服基于H/的非监督分类方法对于特征值利用的一些不足,且与基于SVM的分类方法效果相当。