基于改进FCN的多极化SAR影像海上溢油检测

海上溢油对海洋生态环境造成的危害巨大,完成溢油区域的准确检测对海洋异常现象的快速应急处理具有重要意义.现阶段,合成孔径雷达(SAR)为海上溢油检测提供重要数据基础,但广泛存在海上生物油膜、低风区及SAR影像本身显著的斑点噪声等溢油疑似区域,极大限制了海上溢油检测精度.针对上述问题,提出一种基于改进全卷积神经网络(FCN...     

利用多尺度特征的极化SAR深度学习分类

针对极化合成孔径雷达(POLSAR)图像提取到的特征信息量低和噪声干扰等问题，提出了一种对不同特征信息进行多尺度融合的方法，并利用融合后的特征，通过深度学习网络算法进行目标地物分类。首先利用小波变换技术对Freeman、Yamaguchi等极化分解得到的特征分量在不同尺度上进行融合，再利用主成分分析(PCA)降维算法处理融合后的数据，最后输入到DeepLabV3网络结构中训练。利用该方法对白湖农场地区高分三号全极化SAR数据进行验证，对比融合前后的分类结果，提出的算法在分类精度上有明显的提升，证明了该方法的有效性。     

SVM全极化SAR图像分类中的特征选择

本文将SVM用于全极化SAR图像分类,并提出一种新的应用于SVM分类的特征选择算法。该算法以支持向量个数作为特征评估准则,利用顺序前进法加入特征。基于NASA/JPL实验室AIRSAR系统的L波段荷兰Flevoland全极化数据的与RELIEF-F算法的对比实验表明,在特征个数更少(或相当)的情况下,本文特征选择算法能在更广泛的SVM参数取值范围内获得更高的分类精度。     

基于H-α和改进C-均值的全极化SAR图像非监督分类

该文提出一种基于H-α和改进C-均值的全极化SAR图像非监督分类方法.该方法先按H-α对全极化SAR图像进行基于散射机理的分类,再将分类结果作为改进C-均值算法的初始类别划分,从而实现地物分类.迭代次数确定是C-均值动态聚类算法的关键,文中利用图像熵给出了一种新的迭代终止准则.与H-α方法相比,该文方法能在保留分类结果物理散射机理的同时,实现有效的地物分类.NASA/JPL实验室AIRSAR系统获取的L波段旧金山全极化SAR数据的实验结果验证了该文方法的有效性.     

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。     

合成孔径雷达海面溢油探测研究进展

海洋溢油污染不仅严重威胁海洋生态安全、破坏海岸带环境,而且直接和间接地影响着广大人民群众的生活和健康以及区域社会经济的发展。合成孔径雷达因其具有全天候和高灵敏度的观测能力而成为海面油膜探测的主要手段之一。该文从SAR海面油膜探测的基本原理出发,介绍了单极化、全极化和紧缩极化SAR海面油膜探测技术的国内外最新研究进展,对该技术手段在实际应用中遇到的主要困难和挑战做了深入分析,最后总结展望了该技术未来发展的广阔前景。

     

基于残差谱显著性区域提取的极化SAR船只检测

极化合成孔径雷达（synthetic aperture radar,SAR）包含了丰富的目标散射信息,已被广泛用于海上船只检测.文中将机器视觉中基于残差谱视觉显著性区域提取方法扩展到极化SAR船只检测.首先,全面分析SAR极化特征的船海区分能力,利用5景RADARSAT-2全极化数据,对比45种极化特征的船海欧式距离、巴氏距离和对比度,筛选出16个船海对比度大于20 dB的极化特征;其次,挑选出适用于残差谱显著性区域提取船只检测的极化特征组合,通过特征间互信息、图像对数谱特性分析,确定利用相干矩阵的三个幅度极化特征组合成RGB图像进行船只检测;最后,将本文方法与基于恒虚警率的方法比较.在测试图像中,传统方法的品质因数小于0.9,本文方法的品质因数为0.95.本文方法能够很好地抑制虚警,同时还可直接提取出目标的轮廓等几何信息,具有一定的应用前景.     

基于原型理论的极化SAR图像特征表达

该文提出一种基于原型理论的极化SAR图像表达方法。该方法首先利用原型理论构建原型集,然后以正则化逻辑回归函数计算测试样本与每个原型集的相似度,最后通过集成投影获得图像的特征表达。在极化SAR数据上的非监督分类实验结果表明,该方法能够准确表达图像中各类地物的极化特性,达到较好的分类效果。      

融合极化旋转域特征和超像素技术的极化SAR舰船检测

对海监视是极化SAR的重要应用,密集区域的舰船目标检测是当前面临的主要挑战之一。舰船密集区域受多目标串扰,传统的恒虚警率(CFAR)检测滑窗难以选取纯净的海杂波样本用于确定检测门限,将导致检测性能下降。针对这一问题,该文从特征提取和检测器设计两方面出发,提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法。在特征提取方面,雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系,由此带来的散射多样性隐含信息可通过极化旋转域分析进行挖掘。该文利用极化相关方向图及导出的一系列极化旋转域特征,根据目标杂波比(TCR)分析,优选TCR最高的3个极化特征量用于构建目标检测器。在此基础上,该文在检测器设计方面提出了一种基于K均值聚类的杂波超像素筛选方法,有效避免了密集区域舰船目标对邻近杂波的影响,基于筛选的杂波像素点得到舰船目标CFAR检测结果。基于Radarsat-2和高分三号星载全极化SAR数据的对比实验表明,所提方法能有效实现密集区域舰船目标检测,检测品质因数达到95%。      

特征选择与深度学习相结合的极化SAR图像分类

给出了一种特征选择与深度学习相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像有监督分类算法。该算法首先根据极化SAR图像数据以及目标分解获取原始特征参数集,然后利用随机森林(Random Forest, RF)方法对特征参数集进行重要性评估,并根据特征重要性排名选择最优极化特征。以最优极,化特征为输入,通过卷积神经网络(convolutional neural network, CNN)学习多层特征信息,再利用训练好的网络模型对极化SAR图像进行分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并同已有经典有监督分类算法进行比较,结果表明本文算法能够选取有效的极化特征,最终得到较为准确的分类效果。      

基于最大熵阈值分割的SAR图像溢油检测

近年来,海上溢油事故频发,使用(合成孔径雷达)SAR遥感图像进行溢油检测有着十分重要的意义。本文提出了一种基于最大熵阈值分割的SAR图像溢油检测算法,算法运算简单,适用于星载平台,可实现高效准确的检测。由于SAR成像存在固有的相干斑噪声,首先需要进行滤波对噪声进行抑制。图像中存在的陆地区域会对溢油检测产生影响,通过先验知识利用经纬度信息对其进行掩模处理,之后采用滑动窗口的方法,在窗口内部基于最大熵选取最佳的分割阈值,最后对分割产生的小块区域进行滤除,并依据距离信息合并相邻的区域。算法使用GF-3卫星图像进行验证测试,并与其他算法对比表明,本算法可满足遥感图像检测实时性、准确性的要求。      

全极化合成孔径雷达多视图像的极化特征分析

该文基于乘性相干斑模型,对全极化合成孔径雷达多视图像的极化特征参数(同极化比、交叉极化比和同极化相位差)进行了分析,利用实际的模拟数据对特征参数的PDF进行了拟合测试,分析了多视极化特征参数的统计特性对极化相干斑抑制算法的影响。利用极化比和相位差的特点,对地物进行分类,所得分类精度与利用最优极化分类法的分类精度具有可比性。     

复杂场景下的极化SAR图像机场跑道检测

提出一种基于极化分解分类与结构特征相结合的复杂场景全极化SAR图像机场跑道检测方法。首先利用先验信息粗选图像中各类样本目标进行H/α分解提取图像中各类训练样本,然后根据极化SAR图像的统计特性,利用贝叶斯分类器对图像进行分类,提取图像中机场跑道疑似区域,再结合机场跑道的五种结构特征用二叉树法进行判别,最终确定机场跑道区域。利用美国UAVSAR系统采集的多组全极化实测数据对算法进行实验,结果表明,该算法能够有效地检测出跑道,且检测的跑道结构完整,轮廓清晰,虚警率低。      

利用多特征融合和集成学习的极化SAR图像分类

该文提出了一种利用多特征融合和集成学习的极化SAR图像监督分类算法。该算法首先提取极化SAR图像的多重特征,包括EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及扩展四分量分解特征。为保证集成学习中基本分类器的差异性与准确性,算法从5组特征集中每次随机选取两组不同的特征进行串联融合,作为SVM分类器的输入。最后,利用随机森林学习算法将所有基本分类器的预测概率集成输出最终分类结果。像素级和区域级的分类实验表明了该文算法的有效性。      

基于超像素和全卷积网络的极化SAR图像分类

基于深度学习的方法在极化合成孔径雷达(Synthetic Aperture Rader,SAR)图像分类中取得了不错的分类结果,尤其是全卷积网络(Fully Convolution Network,FCN),得益于其端到端、点到点的分类架构,在极化SAR图像分类中有很大的应用前景。之前的基于FCN的极化SAR图像分类方法中,没有使用超像素去修正分类结果,影响了其分类结果的进一步提升。提出了基于超像素和FCN的极化SAR图像分类方法,得到了很好的分类结果。     

基于去取向理论的全极化SAR图像非监督分类

由于复杂地表目标的取向往往是随机分布的,产生散射回波的随机起伏使散射目标分类不容易明确,采用常规的分类方法容易造成地表的分类混淆.文中提出了一种全极化SAR图像非监督分类方法,首先对数据进行极化去取向处理,提取极化特征参数u、v,结合极化熵参数H进行非监督分类;之后将分类结果作为改进C-均值算法的初始类别划分,基于由u/v/H3个参数组成的特征空间,采用迭代方法实现对地物的分类;最后对NASA/JPL实验室的实测数据进行了实验分析,验证了文中所提分类方法的有效性.     

高分辨力极化SAR图像城市区域车辆目标检测

研究基于高分辨力极化合成孔径雷达(SAR)图像的城市区域车辆目标自动检测方法。城市区域具有复杂的地物,这给在城市区域进行车辆目标检测工作带来困难。首先采用Freeman-Durden分解、极化白化滤波器(PWF)和相似性参数3种方法来提取图像数据的极化信息;在此基础上,采用深度卷积神经网络来对车辆目标和其他地物进行二分类,实现对城市区域车辆目标的检测。基于机载分米级分辨力极化SAR数据的实验结果验证了该方法的有效性,在较低的虚警率下获得较高的检测率。将3种极化特征融合时,能够在虚警率为2.82%时获得95.65%的检测率。     

基于CNN和RFC的极化SAR图像分类

卷积神经网络(Convolution Neural Network,CNN)在极化合成孔径雷达(Synthetic Aperture Rader,SAR)图像分类的应用中在类别非边界区域取得了好的分类结果,在类别边界区域没有取得好的分类结果,随机森林分类器(Random Forest Classifier,RFC)在极...     

基于支持向量机的极化SAR图像分类

与传统最大似然（ML）分类器相比，支持向量机（SVM）在小训练样本时仍具有良好的分类性能，目前已广泛应用于多个领域。该文在极化SAR特征提取的基础上，将SVM应用于极化SAR图像分类，分析了分类器参数对分类性能的影响。利用NASA／JPL实验室AIRSAR系统的L波段旧金山全极化SAR数据比较了SVM和ML的分类性能，并进一步给出了基于SVM的国内某地区双极化SAR图像分类结果。