基于四分量模型的极化SAR图像非监督分类

为有效地提高基于散射模型的非监督分类的分类精度,引入了Freeman三分量模型的改进模型-Yamaguchi四分量模型,并将该模型与威沙特距离模型结合起来.给出了基于四分量模型和威沙特距离的非监督分类、聚类算法及其实现流程.对AIRSAR数据集中的Flevoland图像选取了7个均匀程度不同的区域,进行了定性的、定量的实验,实验结果表明,新的分类、聚类算法能够显著的提高分类图的分辨率、更加清晰的表征地物的细节.该方法能够较大地提高均匀区域的分类精度.     

基于目标相干散射特性的极化SAR图像分解分类方法

基于对目标极化相干散射特性的分析,我们改进了Cloude和Lee等人提出的极化特征分解及非监督分类算法,以适应高分辨率极化SAR图像中复杂的地物细节特征。实验结果表明,相对传统方法,该方法更能够保留目标的细节特征、准确地估计目标极化相干矩阵,因此能够获得更好的分解分类结果。另外,该方法还具有较好的收敛性和鲁棒性。     

改进的遗传算法用于极化合成孔径雷达影像非监督分类

H/α-Wishart分类方法是目前常用且较为有效的极化SAR影像分类方法,但其分类精度还有待改善。研究一种基于遗传算法的极化SAR影像的分类方法,该方法根据极化SAR影像Cloude特征分解的特征值,采用H/α平面进行初分类,然后采用遗传算法迭代进行再次分类。针对遗传算法“早熟”和收敛速度慢的问题,结合H/α平面图对遗传算法的变异算子进行了改进,以利用极化散射机理缩小变异范围,改善算法收敛速度。采用NASA-JPL实验室的极化SAR数据以及中国电子科技集团38研究X波段原型样机的高分辨率极化SAR数据进行实验,结果表明:该方法极化SAR影像分类精度优于H/α-Wishart分类方法。     

基于目标分解的极化SAR图像SVM监督分类

鉴于使用单一特征无法获得令人满意的分类效果以及SVM在小训练样本时具有良好的分类性能,提出了基于多种目标分解方法和SVM的极化SAR图像分类方法。首先对原始极化SAR图像使用多种目标分解方法进行处理,得到相应的分量信息,然后在极化SAR图像特征提取的基础上将SVM应用于极化SAR图像分类。通过选取不同的特征信息作为支持向量机的输入,比较其对分类性能的影响,得到最优的用于分类的特征信息组合,其中将相干分解和非相干分解的信息同时用做分类特征能够获得较好的分类效果。利用NASA/JPL实验室AIRSAR系统获取的全极化SAR数据进行实验处理,与Wishart监督分类进行对比,验证了将目标分解信息用做分类特征的有效性,同时与Wishart/H/α和模糊C-均值H/α分类方法进行对比,得到提出的方法具有良好的分类性能。     

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.     

基于监督非相干字典学习的极化SAR图像舰船目标检测

提出了一种结构化非相干字典学习算法 (Structured incoherent dictionary learning, SIDL),并将该方法应用于极化SAR (Polarimetric synthetic aperture radar, PoLSAR)图像舰船目标检测. 在字典学习阶段,构建了一个新的目标函数,为了降低子字典对交叉样本的稀疏表示能力, 将子字典对交叉样本的重构能量约束及子字典互相干性约束加入到字典学习目标函数中. 通过这两个约束, 降低了子字典对交叉样本的表示能力,目标和杂波的极化特征矢量在学习获得的字典下具有良好的区分特性. 该方法不依赖于目标后向散射能量,只利用学习获得的极化字典,根据测试样本在极化字典下的稀疏表示进行目标的检测. 实验采用RADARSAT-2数据进行了验证,对比实验结果表明,本文提出的方法可以更好地抑制杂波,对弱小目标实现检测,获得了更好的检测效果.     

基于目标分解理论的全极化SAR图像神经网络分类方法

由于全极化合成孔径雷达(synthetic aperture radar)能够测量每一观测目标的全散射矩阵，即可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像，因此与常规的单极化和多极化SAR相比，在雷达目标探测、识别，纹理特征和几何参数的提取等方面，全极化SAR均具有很多优点，但是由于地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征，因而加大了地物信息提取的难度。同时由于这些极化合成图像具有较高的相关性，从而导致了图像分类精度的降低。为了提高全极化SAR图像的分类精度，基于新疆和田地区的SIR-CL波段全极化雷达数据，利用目标分解理论首先将地物回波的复杂散射过程分解为几种互不相关的单一的散射分量。由于这些单一的散射分量都对应于具有不同物理和几何特征以及分布特征的地物，从而提供了更加丰富的地表覆盖信息，这样就很大程度地改善了地物信息的分类精度；然后利用分解后单一散射分量数据结合传统的极化合成数据，可以得到更多的互不相关的数据源，再使用神经网络分类法对这些数据进行分类。分类结果表明，这种方法大幅度提高了全极化SAR数据用于实验区土地覆盖分类的精度。这种分类方法也可以广泛地用于SAR数据地表覆盖和土地利用动态监测和地表参数的提取。     

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.     

全极化SAR极化特征谱应用研究

在分析特征值分解结果,全部散射机制组合和极化特征谱性质的基础上,提出基于3个特征谱参数的假彩色合成方法,可以更加有效直观地反映地物散射特征,再对散射熵、散射角、反熵和4个极化特征谱参数进行特征选择分析,给出最佳的多维特征向量选择方案,从而实现传统遥感图像分类器如同ISODATA算法对极化SAR图像的分类。实验选择了一景Radarsat\|2标准全极化SAR数据,包含典型的城市、植被和水体三大类地物,实验结果表明:极化特征谱假彩色合成充分反映了各地物散射特征,特征谱和散射角组成了最佳特征向量,非监督分类结果表明:该方法克服了城市与植被在H\|Alpha平面上分布界限模糊的问题,分类精度高于H\|Alpha平面非监督分类,与Wishart-H-Alpha-A分类方法相当。     

基于Cameron分解和SVM的极化SAR图像分类

Cameron分解先将极化散射矩阵分解为互易分量和非互易分量,再将互易分量进一步分解为对称分量和非对称分量,这是极化合成孔径雷达图像特征提取的有效途径。由四个分量的范数组成样本向量,运用基于统计学习理论的支持向量机设计分类器,提出了一种极化SAR图像分类算法,并对实测极化SAR数据进行分类实验。结果表明,将Cameron分解与SVM结合起来应用于极化SAR图像分类的算法是可行和有效的,通过选择不同的参数对分类结果影响很大,验证了参数选择在SVM分类器中的重要作用。     

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.     

一种新的SAR图像无监督分割方法

马尔可夫随机场（MRF）在SAR图像分割中有着广泛的应用。由于合成孔径雷达（SAR）图像本身所固有的相干斑噪声的影响,传统方法很难获得准确的分割,因此提出了一种新的基于MRF（Markov Random Field）融合Gaussian-Hermite矩（GHM）的SAR图像无监督分割算法。利用Gaussian-Hermite矩的不同阶矩作为SAR图像特征得到初始分割;将得到的初始分割结果作为MRF随机场的先验模型,通过引入一个基于两成分权重参数的能量函数,利用最大后验概率（MAP）得到最终的分割结果。通过对合成图像及SAR图像分割实验结果的比较,表明了该方法在误分率、抗噪性以及视觉效果上具有更好的效果。     

基于改进遗传算法遥感图像非监督分类研究

传统的非监督分类方法通过人为预先设定的类别数把像素划分到相应的类别中,但类别数事先不能精确得到,因此会增大误分率,降低分类精度。提出一种新的可变聚类数目的染色体、采用Davies-Bouldin系数作为适应度,通过对传统遗传算法的一系列改进自动进化出高分辨率遥感图像的类别数和聚类中心。同时,采用整型数据来进行染色体编码,不仅降低了计算复杂度,同时也节省了存储空间。算法已用VC实现程序设计,程序结果证明该改进算法的正确性并获得令人满意的实验结果。     

结合Tri-training和CV-CNN的半监督PolSAR图像分类

现有深度学习算法应用于PolSAR图像分类时,较少考虑该图像数据的复数特点,使得数据的复数域信息不能被充分利用;同时,深度学习需要大量的标签样本作为模型的训练样本,但是PolSAR图像可获取的标签样本十分有限.针对上述问题,结合Tri-training算法和复值卷积神经网络(CV-CNN)提出了半监督PolSAR图像分类算法.首先通过Wishart分类器和Tri-training算法获取一些可靠性较高的伪标签样本,然后将其加入到复值卷积神经网络的训练样本中并用于模型训练,最终完成图像分类任务.通过四幅PolSAR图像分类的仿真实验表明,该算法不仅能够有效提升伪标签样本的可靠性,同时还可提高模型的分类准确率.     

PolSAR image classification via multimodal sparse representation-based feature fusion

ABSTRACT

It is well known that various features extraction approaches are utilized in polarimetric synthetic aperture (PolSAR) terrain classification for representing the data characteristic. It needs relevant and effective feature fusion algorithms to process complicated features. To address this issue, this article presents a multimodal sparse representation (MSR) framework based algorithm to fuse the different feature vectors from the complicated data space. Polarimetric data features, decomposition features, and the texture features from Pauli colour-coded image are selected to represent multimodal data in different observation modes. The corresponding multimodal manifold regularizations are added to MSR framework to approximate the data structure. Considering the independence and correlation of features, the intrinsic affinity matrices are calculated from this framework. They are processed via local preserve projection algorithm to project the multimodal features into a low dimensionally intrinsic feature space for subsequent classification. Three datasets are utilized in experiments, Western Xi’an, Flevoland, and San Francisco Bay datasets from the Radarsat-2 system in C-band. The effect of regularization parameters and different dimensional fused features are analysed in visualization and quantitation performance. The experiment results demonstrate that the effectiveness and validity of proposed method are superior to other state-of-art methods.     

Interactive unsupervised classification and visualization for browsing an image collection

In this paper, we propose an approach to interactive navigation in image collections. As structured groups are more appealing to users than flat image collections, we propose an image clustering algorithm, with an incremental version that handles time-varying collections. A 3D graph-based visualization technique reflects the classification state. While this classification visualization is itself interactive, we show how user feedback may assist the classification, thus enabling a user to improve it.     

Non-parametric unsupervised learning with applications to image classification

A non-parametric, unsupervised learning technique is described. The technique makes use of a relation matrix to classify binary pattern vectors presented in random sequence. As each vector is classified, the elements of the matrix are adjusted in such a way as to reinforce the latest class assignment. A preliminary analysis shows that this process produces decision surfaces of a reasonable form. Extensive experiments with both simulated and real-world data confirm that the method performs very well in many circumstances.     

无监督模糊C均值聚类自然图像分割算法

提出一种基于无监督模糊C均值聚类的彩色自然图像分割算法。使用置信区间交集准则自适应得到Gabor滤波器中各个像素点对应的尺度,并以该自适应尺度为依据,计算相应的自适应方向、频率以及相位;使用该自适应Gabor滤波方法分别对各通道进行纹理分析得到相应的纹理图像。提出一种快速的基于多项式分割的方法对各个纹理图像进行分析,确定聚类数目,并使用无监督模糊C均值聚类算法得到最终的分割结果。实验结果表明,该算法能够很好地克服图像纹理对于分割结果的影响,有效区分目标与背景,分割结果具有较高的分割精度,是一种有效的自然彩色图像分割方法。     

A feature reduction and unsupervised classification algorithm for multispectral data

A new scheme, incorporating dimensionality reduction and clustering, suitable for classification of a large volume of remotely sensed data using a small amount of memory is proposed. The scheme involves transforming the data from multidimensional n-space to a 3-dimensional primary color space of blue, green and red coordinates. The dimensionality reduction is followed by data reduction, which involves assigning 3-dimensional samples to a 2-dimensional array. Finally, a multi-stage ISODATA technique incorporating a novel seedpoint picking method is used to obtain the desired number of clusters.

The storage requirements are reduced to a low value by making five passes through the data and storing necessary information during each pass. The first three passes are used to find the minimum and maximum values of some of the variables. The data reduction is done and a classification table is formed during the fourth pass. The classification map is obtained during the fifth pass. The computer memory required is about 2K machine words.

The efficacy of the algorithm is justified by simulation studies using multispectral LANDSAT data.