基于稀疏自编码器和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类

针对极化SAR图像训练样本数目较少问题以及极化SAR图像同质区域较多的特性,提出了一种新的两层分类框架,结合了稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像进行分类.该框架包括个步骤,第一个步骤使用稀疏自编码器来获得一个初始分类;第二个步骤使用边缘保持的Wishart马尔科夫随机场对第一层的分类结果进行修正.在应用Wishart马尔科夫随机场的过程中,由稀疏自编码器分类得到的边缘得以保持,并且提出了新的分类错误纠正策略确保分类的准确性.因此,通过稀疏自编码器得到的精确分类边缘可用于不同的区域并且在应用Wishart马尔科夫的过程中得以保持.和其他分类方法相比,该方法得到较高的分类精度,证明了新方法的有效性.     

基于局部竞争策略的极化SAR图像精细分类

合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术已经成为一种高分辨对地观测的重要手段之一,而极化SAR图像地物分类一直是其中的研究热点。基于复Wishart分布的最大似然（Maximum Likelihood,ML）分类器是最经典的极化SAR图像分类算法之一,但由于地物类型的复杂性、区域的不均匀性等原因使得基于像素的ML-Wishart分类器的分类精度不高。针对这个问题,本文提出了一种基于复Wishart分布的局部最大后验概率（Maximum a Posteriori,MAP）竞争方法,该算法通过计算伪先验概率,并在每个像素的局部窗口中实施MAP分类器,可以提高复杂区域图像的分类精度。该文主要研究了4种基于Wishart分布的分类算法,包括经典复Wishart分类算法、混合复Wishart模型、基于马尔科夫随机场（Markov Random Field, MRF）的混合复Wishart模型和基于局部竞争策略的MAP分类算法。在混合模型建模中,不同于以往的对整幅图像进行建模的模型策略,本文采用对单个类别进行混合建模的策略。实验对比分析了上述4个分类器和SVM分类器在C波段RADARSAT-2多时相的全极化SAR农田数据上的分类效果。实验结果表明,所提出的基于局部竞争策略的分类器对数据的分类结果稳定,具有最高的分类精度,基于混合Wishart的MRF模型分类结果次之。     

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。      

应用变分法的极化SAR图像分类方法研究

提出了一种用于图像分类的变分模型,该模型结合正则化过程,可以较好地保持图像边缘信息,同时可以用于图像恢复.利用模拟和真实SAR图像的分类仿真试验表明,基于变分法的极化SAR图像分类方法不仅能够实现SAR图像的正确分类,克服SAR图像中相干斑噪声的影响,并且算法快速,易于实现.     

基于KummerU和MRF的极化SAR分类算法研究

为了加入空间关系和抑制斑点噪声,本文提出了基于Kummer U模型和马尔科夫随机场(MRF)的极化SAR分类算法,该算法采用Kummer U分布来建模极化SAR数据,根据Kummer U的参数变化能够建模各种类型的地物。同时,MRF框架加入图像的上下文关系,能够获得区域一致的分类结果。     

自适应堆栈滤波在极化SAR图像分类预处理中的应用

堆栈滤波器属于非线性滤波器的一种,它在滤波后图像的边缘和细节保持方面有很好的效果.研究将自适应堆栈滤波器引入到对极化合成孔径雷达(pol-SAR)图像分类的预处理,即滤除极化SAR图像相干斑噪声.而递归过程在平均绝对误差(MAE)准则下对堆栈滤波器的优化也在缩短滤波程序执行时间和强化输出图像质量方面都有不错的效果.滤波后的图像将会首先进行相干数据分解(H/A/α分解),基于分解后的数据使用H-α/Wishart分类方法来进行极化SAR图像分类,分类效果将会与基于其他滤波预处理后的分类图像进行比较并得出最后结论.     

基于加权合成核与三重Markov场的极化SAR图像分类方法

马尔可夫随机场(Markov Random Field,MRF)广泛用于处理遥感图像的分类问题,然而MRF在构建极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像模型时未考虑其非平稳特性且对初始分类较为敏感,为此本文提出了一种基于加权合成核与三重马尔可夫随机场(Triplet Markov Field,TMF)的极化SAR图像分类方法.该方法依据训练样本在特征空间上的距离,提出了加权合成核函数权重系数的自适应确定方法以提高初始分类的精度和普适性;为充分考虑极化SAR图像的非平稳统计特性,利用TMF对极化SAR图像进行统计建模以实现贝叶斯分类.实验结果表明,与基于MRF的极化SAR图像分类方法相比,本文所提方法可获得更高的分类精度和更平滑的同质区域分类结果,而且本文方法能更好地保持图像边缘信息.     

基于Otsu和模糊核聚类算法的极化SAR图像分类

随着极化技术的发展,越来越多的高分辨率SAR图像出现,对其分类成为一个耗时的工作。针对该问题,提出了基于Otsu和模糊核聚类算法的极化SAR图像分类。将SAR图像分类分为两步,第一步借助Otsu法进行粗略分割,将图像转化为若干个区域;第二步利用模糊核聚类算法将第一步剩下的像素进一步分类。实验结果表明,该算法既可保持较高的分类精确度,又可保证较快的计算速度。     

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。     

一种双频极化SAR图像分类方法

本文提出了一种利用两种不同频率下的极化SAR图像进行地物分类的新方法,该方法是基于目标的散射特性随频率变化而改变的趋势和程度实现的。基于不同频率下所提取的特征量,定义了特征变化量和特征变化平面。本论文选择了极化熵变化量 和极化度变化量 作为特征,通过将 平面分割为9个区域,进而将目标分为9个类。这种方法反映了目标散射特性随频率的变化关系,物理意义直观,实现方法简单易行。将这种分类方法与Wishart分类器相结合,就可以实现对极化SAR图像的无监督迭代分类。实测的SIR-C数据的分类结果表明,该方法是一种有效的极化SAR图像分类方法。      

多极化SAR图像联合稀疏去噪

给出了一种基于联合稀疏表示的多极化合成孔径雷达(SAR)图像滤波算法。首先,利用三个极化通道(HH、HV、VV)的部分SAR图像数据进行字典联合训练;然后,对极化SAR的三个通道图像构建联合稀疏描述模型;最后,采用正交匹配追踪算法求解联合稀疏系数,重构每个通道的图像。文中采用美国AIRSAR实测半月湾数据进行实验,并与每个通道图像单独稀疏去噪再合成的功率图像结果进行比较,结果表明:该算法不仅对图像的斑点噪声抑制效果明显,而且边缘特性和强散射点目标幅值特征保持效果良好。     

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。     

基于差异度迭代的极化SAR图像机场跑道检测算法

机场在军事和交通运输领域都有很重要的作用,对它的自动检测具有重大意义。本文提出了一种利用极化SAR(Polarimetric Synthetic Aperture Radar)图像检测机场跑道的方法。首先,利用SLIC(Simple linear Iterative Clustering)算法对极化SAR图像进行超像素分割;然后利用新三分量分解和极化散射熵对图像进行粗分类,再利用改进的K均值聚类结合差异度迭代的方法完成精细分类,最后利用跑道的散射特性和几何结构特征从分类结果中提取完整的机场区域。本文采用极化SAR数据进行实验检测,结果表明该方法能有效的检测出机场跑道,并且保持结构完整,边缘细节清晰,虚警率低。      

基于半监督学习的SVM-Wishart极化SAR图像分类方法

该文针对极化SAR (Synthetic Aperture Radar)图像分类中的小样本问题,提出了一种新的半监督分类算法。考虑到极化SAR数据反映了地物的散射特性,该方法首先利用目标分解方法提取了多种极化散射特征;其次,在协同训练框架下结合SVM分类器构建了协同半监督模型,该模型可以同时利用有标记和无标记样本对极化SAR图像进行分类,从而在小样本时可以获得更好的分类精度;最后,为进一步改善分类结果,在协同训练分类完成后,该方法又利用Wishart分类器对分类结果进行修正。理论分析与实验表明,该算法在只有少量标记样本的情况下优于传统算法。      

基于马尔科夫判别谱聚类的极化SAR图像分类方法

该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。      

基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法

针对物体框标注样本包含大量异质成分的问题，该文提出了一种基于复值卷积神经网络(CV-CNN)样本精选的极化SAR(PolSAR)图像弱监督分类方法。该方法首先采用CV-CNN对物体框标注样本进行迭代精选，并同时训练出可直接用于分类的CV-CNN。然后利用所训练的CV-CNN完成极化SAR图像的分类。基于3幅实测极化SAR图像的实验结果表明，该文方法能够有效剔除异质样本，与采用原始物体框标注样本的传统全监督分类方法相比可以获得明显更优的分类结果，并且该方法采用CV-CNN比采用经典的支持矢量机(SVM)或Wishart分类器性能更优。      

加权全极化SAR图像非监督Wishart分类方法

为提高基于极化目标分解与复Wishart非监督分类方法中对不同类别地物中心散射相关矩阵的估值精度与合理性,本文提出了加权全极化SAR图像非监督Wishart分类方法,该方法通过对求解每一类地物散射相关矩阵时,进行数值加权,使得求解的散射相关矩阵更能代表地物类别的中心。本文详细阐述了该方法的原理和实施步骤,并通过对AIRSAR的L波段实际数据进行分类实验,可知该加权算法无论在分类精确度上还是在迭代速度上,性能都有所提高。     

SAR图像的极化干涉非监督Wishart分类方法和实验研究

该文在合成孔径雷达图像的极化非监督Wishart分类的基础上,给出了一种利用极化干涉信息对合成孔径雷达图像进行非监督分类的方法。该方法主要利用一(66)的极化干涉相关矩阵,从而可以同时考虑单幅图像的全极化信息以及两幅像对之间的互相关信息。该文详细阐述了该方法的具体实现,并利用NASA/JPL的SIR-C/X-SAR系统在中国天山地区的L波段实测数据进行了实验研究。给出了利用该方法对实验数据进行分类的结果,并与极化非监督Wishart分类的结果进行了比较。结果表明,该方法能够很好地分辨不同类型的地物,保持地物的细节,并且比极化非监督Wishart分类结果有很大改善。     

结合ICA相干斑抑制的全极化SAR图像分类

本文提出了一种结合相干斑抑制的全极化 SAR(Synthetic Aperture Radar)图像分类新方法.该方法先对图像数据做Pauli分解,获得三个极化组合通道,并分别用三种颜色表示这三个极化组合;再用独立分量分析稀疏编码(ICA-SCS)算法对各颜色通道进行相干斑抑制,最后把三个颜色通道混合,实现了对图像信息的分类.该方法很好的保留了极化通道间的相对相位信息,同时,相干斑抑制后的数据直接用于图像分类,不需要再做任何极化通道组合.对真实SAR图像的分类结果表明,该方法对分类效果和精度有明显改善.     

多角度极化SAR图像散射特征分解及SVM分类

在极化合成孔径雷达（synthetic aperture radar,SAR）图像理解和解译中,地物分类是重要的应用方向之一.为了研究多角度极化SAR图像的地物分类,文中基于极化统计特征差异性顺序,给出了多角度极化分解特征序列构建方法.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.然后,面向多种极化特征分解模型,提出通用的多角度极化特征一阶差分序列描述方法及编码方法,包括Yamaguchi四分量分解、Krogager分解以及H/A/Alpha分解,得到多维特征参数序列.最后,通过两种方法对比后最终选用支持向量机（support vector machine,SVM）方法对特征序列进行分类.通过机载P波段极化SAR开展360°观测试验,验证了该方法的有效性,并展示出在地物分类方面的应用潜力.