基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

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。     

基于邻域最小生成树的半监督极化SAR图像分类方法

该文针对极化SAR图像分类中只有少量标记样本的问题,提出了一种基于邻域最小生成树的半监督极化SAR图像分类方法。该方法针对极化SAR图像以像素为分类对象的特点,结合自训练方法的思想,利用极化SAR图像像素点的空间信息,提出了基于邻域最小生成树辅助学习的样本选择策略,增加自训练过程中被选择无标记样本的可靠性,扩充标记样本数量,训练更好的分类器。最终用训练好的分类器对极化SAR图像进行测试。对3组真实的极化SAR图像进行测试,实验结果表明,该方法在只有少量标记样本的情况下能获得满意的分类结果,且分类正确率明显优于传统的分类算法。      

基于支持向量机的极化SAR图像分类

极化合成孔径雷达可以同时得到地面场景在不同极化组合下的雷达图像,极大地丰富了获取的地物目标信息量。针对极化SAR图像特征提取和目标分类的困难,由4种基本极化组成样本向量,运用基于统计学习理论的支持向量机以及不同的核函数设计分类器,提出了一种新的极化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,将支持向量机分类器应用于极化SAR图像分类中是可行和有效的,并且通过选择适当的惩罚系数,可以进一步提高分类效果。     

基于极化分解和膨胀卷积的极化SAR地物分类

针对基于深度学习的极化SAR地物分类中存在的标注数据少且未能利用SAR极化分解特征的问题,提出了一种基于极化分解和膨胀卷积的极化SAR地物分类方法.在低采样率下训练基于像素分类的卷积神经网络(CNN),将其卷积层参数迁移到同结构的膨胀卷积网络(DCNN),解决了膨胀卷积网络训练数据不足的问题;然后将反应地物散射特性的极化分解特征与包含高维空间语义信息的膨胀卷积特征图进行联合,使用联合特征构建随机森林(RF)进行分类.实验表明,特征图和极化分解的联合特征能够实现更为精确的分类,且由于引入膨胀卷积和随机森林,算法具有很高的实时性.     

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.     

一种基于张量积扩散的非监督极化SAR图像地物分类方法

针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题,该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索,目前研究表明,其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离,因此能够更好地挖掘数据点之间内在的相似度信息。首先,将极化SAR图像进行分割,生成许多超像素;其次,基于超像素提取7种特征并生成一个特征向量,进而利用高斯核构建相似度矩阵;再次,基于已构建的相似度矩阵,利用张量积扩散沿着数据点的内在流形结构进行相似度的传播,实现全局的相似性度量,从而获得一个具有更强判别能力的相似度矩阵;最后,基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验,并与4种经典算法进行对比,结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。      

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。     

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.     

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。      

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。      

基于聚类识别的极化SAR图像分类

该文提出一种基于判别式聚类框架的非监督极化SAR图像分类算法,利用判别式监督分类技术实现非监督聚类。为实现该算法,定义了一个结合softmax回归模型和马尔科夫随机场光滑性约束的能量函数。该模型中,像素类标和分类器均为需要优化的未知变量。该算法从基于${H / {\bar \alpha }}$目标极化分解和K-Wishart极化统计分布而产生的初始化类标开始,交替迭代优化分类器和类标的能量函数,从而实现对分类器和类标的求解。真实极化SAR数据上的实验结果证明了该算法的有效性和先进性。     

基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类

考虑到极化合成孔径雷达(PolSAR)图像标注信息量低以及相干斑噪声难以消除的问题,该文从鲁棒统计学习的角度提出了一种基于Pin-SVM的极化SAR图像鲁棒分类方法,根据极化SAR图像的散射特性和地物的纹理特性,通过求解两类样本之间的最大分位数距离来确定分类超平面,在无需迭代的前提下得到更加鲁棒的分类结果。相比传统的基于最大间隔的极化SAR图像分类算法,该文所提算法一方面在对极化SAR图像提取到的特征中包含的噪声具有更好的鲁棒性,另一方面对于训练样本的抽样范围不敏感,即重采样具有更好的鲁棒性。利用EMISAR的Foulum地区极化SAR数据进行了算法验证,多种情况的对比实验的结果验证了该算法的有效性。      

双波段全极化SAR图像非监督分类方法及实验研究

该文首先采用H/分类对像素进行了初始猜测,然后进一步采用Bayes最大似然估计(ML）分类法对像素进行重新归类．不同波段电磁波对地物散射具有不同的属性,因而我们采用双波段全极化SAR数据结合的分类方法,得到了更好的分类结果．SAR图像的相干斑会影响图像的分类准确度和精度．在进行分类处理前,对双波段全极化SAR图像相干斑进行矢量滤波处理．该文使用NASA/JPL实验室在天山地区的实测数据对这些分类算法进行了实验研究．给出了单波段以及双波段全极化SAR分类结果的伪彩色图．其中双波段全极化SAR滤波后数据具有相对最优的分类结果．     

基于深度卷积神经网络的图上半监督极化SAR图像分类算法

为实现在只有少量标记数据情况下的高质量的图像分类,本文提出了一种基于深度卷积神经网络的图上半监督极化SAR图像分类算法.该算法将极化SAR图像建模为无向图,并基于该无向图,定义了包含半监督项,卷积神经网络项和类标光滑项的能量函数.算法所采用的卷积神经网络提取抽象的数据驱动的极化特征.半监督项约束了有标记像素的类标在分类过程中保持不变.类标光滑项约束了像素间类标的光滑性.基于对PauliRGB图像进行超像素分割而产生的初始化类标图,交替迭代优化所定义的能量函数直至其收敛.在两幅真实极化SAR图像上的实验结果表明,该算法达到了优异的分类效果,其性能优于当前已有算法.     

一种基于RBF神经网络的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究的基础前沿问题.文中提出了提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的极化SAR图像分类方法.在构建包含G0分布最大似然距离和一些常规特征的极化SAR图像分类特征集的基础上,利用样本数据对RBF神经网络进行训练,完成分类器的设计.实测极化SAR图像的分类实验结果表明,该方法具有较好的图像细节保持能力.     

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.     

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。