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。     

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。     

散射模型与Wishart分类相结合的极化SAR图像分类

给出了一种散射模型与Wishart分类相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像非监督分类方法。首先利用去取向三分量散射模型进行粗分类,将像素划分为三种基本散射类型和混合散射类型;然后,在基本散射类型内根据占优散射机制的功率进行细分类,并根据Wishart距离对细分类的结果进行类别合并,合并到指定的类别数;最后对四种散射类型的像素分别重新进行Wishart迭代,从而实现极化SAR数据的非监督分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并且同已有分类方法进行比较,结果表明本文方法改善了分类效果,且降低了体散射过估计。      

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.     

基于极化干涉SAR图像的地物监督分类方法

X波段的高分辨率极化干涉合成孔径雷达（synthetic aperture radar,SAR）图像包含较强的斑点噪声,不利于地物分类等应用.针对这一问题,先使用Nonlocal滤波进行预处理,然后提取图像的极化特征和干涉特征,再使用支持向量机（support vector machine,SVM）和AdaBoost分类器对极化和干涉特征矢量进行分类.利用N-SAR系统于渭南市采集的极化干涉SAR数据进行验证,该数据共包含10类地物,并有足够的ground truth用来进行分类器的训练和测试.实验结果表明,AdaBoost分类器能对多类地物取得较好的分类效果,且干涉信息的加入能带来一定改善.     

基于贝叶斯信息准则的极化干涉SAR图像非监督分类

该文提出一种利用贝叶斯信息准则自动确定聚类类别数的极化干涉SAR非监督分类算法。该方法首先利用Shannon熵特征对极化干涉SAR图像进行初始分类,然后利用期望最大化(Expectation-Maximization, EM)算法和标号代价(LabelCost)优化算法对分类结果进行迭代优化,同时通过贝叶斯信息准则(Bayesian Information Criterion, BIC)自动确定非监督分类的最佳类别数。实验结果表明该算法能够较准确地确定分类类别数,并具有较为满意的分类效果。     

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。     

利用Shannon熵参数的极化干涉SAR图像非监督分类

 本文利用Shannon熵参数,提出了一种极化干涉SAR图像非监督分类方法.Shannon熵是度量雷达照射媒质无序程度的物理量,它可表示成散射强度部分熵、极化部分熵以及干涉部分熵之和.本文利用Shannon熵分解出的干涉项参数结合Wishart最大似然聚类将SAR图像分成初始若干类,结合Shannon熵中散射强度项及极化散射项参数对初始类进行细分,再用层次聚类方法将这些类合并到需要的类数.运用Oberpfafenhoffen地区的PolInSAR数据进行分类,并与L.Ferro-Fmail提出的极化干涉分类方法的结果进行比较,实验结果证明了本文方法的有效性.     

一种结合散射相似性和Wishart的极化SAR图像分类方法

针对基于H-a 平面的目标分类方法运算量偏大的缺点,本文提出了一种结合散射相似性和Wishart的极化合成孔径雷达图像分类方法,提升了数据处理效率。该方法使用参数替代,将目标相干矩阵进行归一化,得到和 H-a 相似的分类效果,且避免计算特征值和特征向量,从而大幅提高了分类效率;通过结合Wishart迭代分类器进行分类来提升分类精度。最后通过对Radarsat-2卫星获取的黄河冰凌区域进行地物分类实验验证了本文方法的有效性,且该方法具有更好的运算效率和地物分类效果。      

基于去取向理论的全极化SAR图像模糊非监督聚类

由于复杂散射体的随机取向导致其回波具有一定的波动性,利用目标分解理论对全极化SAR图像进行分类时,分类结果会出现一定程度的错分现象。该文提出了一种新的非监督分类算法,该算法首先根据去取向理论,将目标向量旋转到最小交叉极化方向;然后,采用u/v/H参数描述散射机制,以模糊隶属函数代替参数平面的硬阈值划分;最后,以多元复Wishart分布描述相干矩阵,基于Bayes极大似然分类准则进行分类。以中国广东淡水附近的L波段NASA/JPL SIR-C全极化SAR图像作为实验数据进行了仿真试验,并进一步对聚类中心的迁移进行了讨论。试验和讨论结果表明：同基于H/和类k-mean的算法比较,该文的聚类算法对聚类效果有明显改善,类别对应的散射机制也更为准确,分类结果有利于地表类型的自动识别。     

Unsupervised classification of multifrequency and fullypolarimetric SAR images based on the H/A/Alpha-Wishart classifier

Introduces a new classification scheme for dual frequency polarimetric SAR data sets. A (6×6) polarimetric coherency matrix is defined to simultaneously take into account the full polarimetric information from both images. This matrix is composed of the two coherency matrices and their cross-correlation. A decomposition theorem is applied to both images to obtain 64 initial clusters based on their scattering characteristics. The data sets are then classified by an iterative algorithm based on a complex Wishart density function of the 6×6 matrix. A class number reduction technique is then applied on the 64 resulting clusters to improve the efficiency of the interpretation and representation of each class. An alternative technique is also proposed which introduces the polarimetric cross-correlation information to refine the results of classification to a small number of clusters using the conditional probability of the cross-correlation matrix. These classification schemes are applied to full polarimetric P, L, and C-band SAR images of the Nezer Forest, France, acquired by the NASA/JPL AIRSAR sensor in 1989     

Intensity-driven adaptive-neighborhood technique for polarimetric and interferometric SAR parameters estimation

In this paper, a new method to filter coherency matrices of polarimetric or interferometric data is presented. For each pixel, an adaptive neighborhood (AN) is determined by a region growing technique driven exclusively by the intensity image information. All the available intensity images of the polarimetric and interferometric terms are fused in the region growing process to ensure the validity of the stationarity assumption. Afterward, all the pixels within the obtained AN are used to yield the filtered values of the polarimetric and interferometric coherency matrices, which can be derived either by direct complex multilooking or from the locally linear minimum mean-squared error (LLMMSE) estimator. The entropy/alpha/anisotropy decomposition is then applied to the estimated polarimetric coherency matrices, and coherence optimization is performed on the estimated polarimetric and interferometric coherency matrices. Using this decomposition, unsupervised classification for land applications by an iterative algorithm based on a complex Wishart density function is also applied. The method has been tested on airborne high-resolution polarimetric interferometric synthetic aperture radar (POL-InSAR) images (Oberpfaffenhofen area-German Space Agency). For comparison purposes, the two estimation techniques (complex multilooking and LLMMSE) were tested using three different spatial supports: a fix-sized symmetric neighborhood (boxcar filter), directional nonsymmetric windows, and the proposed AN. Subjective and objective performance analysis, including coherence edge detection, receiver operating characteristics plots, and bias reduction tables, recommends the proposed algorithm as an effective POL-InSAR postprocessing technique.     

基于Cloude-Pottier目标分解和聚合的层次聚类算法的全极化SAR数据的非监督分类算法研究

本文提出了一种新的基于Cloude-Pottier分解和聚合的层次聚类的全极化SAR (Synthetic Aperture Radar)数据的非监督分类算法.作者使用极化总功率SPAN来改进常规的初始化方法,并采用聚合的层次聚类算法对初始化结果进行类的合并,提高非监督分类器的性能.实验表明,该算法能获得有效的分类中心,分类结果明显优于常规的Wishart H/α/A分类算法.     

极化SAR图像分类综述

对极化SAR(合成孔径雷达)图像分类进行综述.首先建立简略的极化SAB图像分类技术发展流程,并对国内外研究机构在该领域的主要研究成果进行归纳;然后对用于极化SAR图像分类的众多特征进行分类整理,指出其物理意义及在图像分类中的优缺点,并从有监督和无监督的角度综述了现有的极化SAR图像分类方法;最后对极化SAR图像分类存在的问题进行归纳,并指出将来的研究方向.     

一种基于差异度的极化SAR图像迭代分类方法

该文提出了一种用极化SAR数据协方差矩阵的相关性和回波功率差异来定义的目标间的差异度,并在这一差异度的基础上提出了一种新的迭代分类方法。该迭代方法与基于Wishart距离的迭代分类方法相比,不需要矩阵的求逆运算和矩阵的对数运算,降低了迭代过程的计算量,也不再需要目标的先验信息,扩展了其适用范围。该方法应用于NASA/JPL的SIR-C系统在香港地区的实测极化SAR数据,得到了很好的分类效果。     

Unsupervised PolInSAR classification based on optimal coherence set

Aiming to solve the misclassification problems of unsupervised polarimetric Wishart classification algorithm based on Freeman decomposition, an unsupervised Polarimetric Synthetic Aperture Radar (SAR) Interferomery (PolInSAR) classification algorithm based on optimal coherence set parameters is studied and proposed. This algorithm uses the result of Freeman decomposition to divide the image into three basic categories including surface scattering, volume scattering, and double-bounce. Then, the PolInSAR optimal coherence set parameters are used to finely divide each of the three basic categories into 9 categories, and the whole image is divided into 27 categories. Because both the Freeman decomposition result and optimal coherence set parameters indicate specific scattering characteristics, the whole image is merged into 16 categories based on physical meaning. At last, the Wishart cluster is employed to obtain the final classification result. To preserve the purity of scattering characteristics, pixels with similar scattering characteristics are restricted to be classified with other pixels. The final classification results effectively resolve the misclassification problem, not only the buildings can be effectively distinguished from vegetation in urban areas, but also the road is well distinguished from grass. In this paper, the E-SAR PolInSAR data of German Aerospace Center (DLR), are used to verify the effectiveness of the algorithm.