基于Krogager分解和SVM的极化SAR图像分类

目标分解包括基于Sinclair矩阵的相干目标分解和基于Mueller矩阵的部分相干目标分解,Krogager分解即属于相干目标分解,它可以将任一对称Sinclair矩阵分解为球散射体、二面角散射体和螺旋体3个分量,这是极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像特征提取的有效途径。把3个分量的分解系数作为极化散射特征,由其组成样本向量,运用基于统计学习理论的支持向量机(Support Vector Machines,SVM)设计多类分类器,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Krogager分解和SVM分类器结合起来,对极化SAR图像进行分类是可行和有效的,并且选择不同的参数得到的分类结果差别很大,验证了参数选择在SVM分类器中的重要作用。     

极化SAR图像Pauli-Wishart非监督分类算法

针对全极化SAR影像经典非监督分类方法中H/α初始划分适应性有限及武断僵硬的问题,结合极化总功率提出一种结合Pauli分解与Wishart距离的极化SAR影像非监督分类方法。利用极化总功率Span对数据进行基于散射强度的初始划分;结合初分类结果与Pauli分解得到的HH,HV,VV 3个波段进行迭代分类;基于Wishart距离进行聚类得到分类结果。实验采用NASA-JPL实验室的2组L波段全极化SAR数据验证了基于Pauli基迭代改进分类方法的有效性,分类结果与传统的H/α-Wishart分类方法对比,分类精度和合理性都有提高。     

基于目标分解与支持向量机的极化SAR图像分类研究

为了有效地对极化SAR图像进行分类,基于目标分解和支持向量机,提出了一种极化SAR图像非监督分类法。该方法首先利用目标分解理论获得极化熵和平均散射角,并在熵-平均散射角平面对图像进行初分类,以确定类中心;然后利用Wishart分布定义的距离函数寻找训练样本,同时选择一定的极化参数组成特征矢量,并利用训练样本和特征矢量训练支持向量机;最后用训练好的分类器对极化SAR图像进行分类。通过对ESAR图像进行分类,比较了多种参数组合的分类结果,并与Wishart方法进行了比较,结果表明,该方法特征选择非常灵活,不仅结果类内离散度更小,且不需要太多的迭代次数。     

一种联合多特征的极化SAR海冰类型提取方法

针对仅依靠单一属性特征难以实现海冰类型精准监测的问题,提出一种联合极化目标分解特征和纹理特征的全极化SAR海冰类型提取方法:首先利用H/α/A分解和AnYang分解获取海面目标的6个极化分解特征;然后通过灰度共生矩阵获取HV极化图像的3个纹理特征,进而将极化分解特征和纹理特征组合构建9个特征的联合特征矢量;最后基于支持向量机分类器,实现极化SAR图像海冰类型的精确提取。以渤海辽东湾为实验区,选用高分三号全极化SAR数据,利用本文构建的海冰类型提取方法,获取了实验区的海冰类型的分布信息,并与其他提取方法进行了对比分析。实验表明,本文构建的9个联合特征矢量,特征之间具有较好的互补性,提高了不同海冰类型之间的区分度,改善了海冰类型提取的精度,总体分类精度为92.6%,Kappa系数为0.87。     

一种新的简缩极化SAR图像H/α特征空间

现有简缩极化(Compact Polarimetry)SAR图像H/α经验特征空间存在两个问题:一是没有考虑简缩极化模式下的散射熵普遍高于全极化模式;二是在散射机制重叠区域,简缩极化H/α空间的分类能力较弱,尤其是多次散射。针对以上问题首先定量分析了DCP模式简缩极化SAR的散射角与全极化SAR数据散射角之间的关系,且在对7组不同传感器的SAR数据分析的基础上,提出了散射熵的替代参数ED,基于Monte Carlo模拟实验得到了H/α分解的各参数(熵H、平均散射角α和替代参数ED)分解的稳态条件;然后通过统计各散射机制在ED/α分布的密度空间,提出了一种新的简缩极化SAR图像ED/α特征空间。实验结果表明:替代参数ED与全极化熵具有良好相关性,而且ED/α特征空间提高了散射机制分类的精度。     

双极化SAR目标分解方法研究及应用

在对常规雷达数据特征与地物分类研究的基础上,重点研究双极化SAR图像的目标分解方法,并基于神经网络将分解后得到的极化信息与常规雷达数据有机结合应用于植被的分类研究.结果表明,多种极化信息能够获取更多的地物信息,极大地提高了植被识别和分类能力.     

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。     

基于精细去取向角的PolSAR图像非监督分类方法

针对基于模型分解的全极化合成孔径雷达非监督分类方法存在的大取向角的建筑物会被错误分类的问题,基于精细去取向角和复Wishart分类器,提出了一种全极化合成孔径雷达图像非监督分类方法,可以提高大取向角建筑物的正确分类率。首先,得到斑点滤波之后的相干矩阵数据,对目标相干矩阵进行精细去取向角;其次,基于去取向角之后的相干矩阵,实施Freeman和Durden提出的三分量模型分解,并作为初分类的结果;最后,基于模型分解结果,采用复Wishart分类器进行图像中目标分类,把目标分成15类。实验结果验证了该方法可以提高大取向角建筑物的正确分类率。     

基于商空间粒度的极化SAR图像分类

当前极化合成孔径雷达(SAR)图像的分类研究中,极化信息的不完全利用是影响极化SAR图像分类效果的重要原因之一。故将商空间粒度合成理论引入到极化SAR图像分类中,通过建立不同的支持向量机(SVM)分类器构建不同的商空间,从多个粒度层面实现对极化信息的综合利用。首先通过不同的极化分解方法得到不同的极化特征,分别对其建立不同的支持向量机分类器进行分类;再根据粒度合成理论对这些商空间进行融合,得到更细粒度上的改进的分类结果。最后,利用AIRSAR图像进行实验比较,算法改进后的结果在地物误分上有明显的抑制,各类别分类正确率都有所提高。     

基于对象的合成孔径雷达影像极化分解方法

面向对象方法已成为全极化合成孔径雷达（SAR）影像处理的常用方法,但是极化分解仍以组成对象的像素为计算单元,针对以像素为单位的极化分解效率低的问题,提出一种面向对象的极化分解方法。通过散射相似性系数加权迭代,获得对象的极化表征矩阵并对其收敛性进行了分析,以对象极化表征矩阵的极化分解代替对象区域内所有像素的分解,提高极化特征获取效率。在此基础上,综合影像对象空间特征,并通过特征选择与支持向量机(SVM)分类进行分析和评价。通过AIRSAR Flevoland影像数据实验表明,面向对象的分解方法能够减少对象极化特征提取的时间,同时提高地物目标的分类精度。相对于监督Wishart方法,提出方法的总体精度和Kappa值分别提高了17%和20%。