高分辨率多极化SAR图像目标分类误差分析

讨论了多极化SAR系统的极化误差及其对多极化SAR图像极化匹配目标分类性能的影响，并给出了计算结果。分析表明，多极化SAR系统的极化通道幅度不平衡误差对目标极化匹配结果的影响最大，交叉极化干扰项对此也有较大的影响。     

基于全极化SAR非监督分类的迭代分类方法

本文在全极化合成孔径雷达(SAR)特征分解和最大似然估计(ML)分类的基础上,提出基于全极化SAR极化特征分解及最大似然估计的非监督分类迭代算法.这种方法灵活性好、精度高.本文提出了迭代分类方法的几种方案.针对特征分解和ML分类的各自特点,进行了分析比较,可以根据实际需要选择适合的迭代方法.并利用NASA JPL实验室的实测数据对该迭代分类算法进行了实验研究,得到了很好的实验结果.实验结果证明这种迭代算法有很好的适应性和很强的鲁棒性.     

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。     

双站SAR图像的极化分析

该文对双站SAR(BISAR)模拟图像不同地物的极化特征分析,发现传统单站极化特征参数(,,)在BISAR图像上不再能有效地表现地物散射的极化特征。由此,提出了统一双站极化基变换,重新定义了极化特征参数,,,使其保持原有的分离取向关联等优点。经统一双站极化基变换后,不同地物散射的极化特征更明显,重新定义的,,能反应不同散射机制,提供了BISAR图像解译和地表分类的初步手段。     

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。     

基于稀疏自编码器和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类

针对极化SAR图像训练样本数目较少问题以及极化SAR图像同质区域较多的特性,提出了一种新的两层分类框架,结合了稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像进行分类.该框架包括个步骤,第一个步骤使用稀疏自编码器来获得一个初始分类;第二个步骤使用边缘保持的Wishart马尔科夫随机场对第一层的分类结果进行修正.在应用Wishart马尔科夫随机场的过程中,由稀疏自编码器分类得到的边缘得以保持,并且提出了新的分类错误纠正策略确保分类的准确性.因此,通过稀疏自编码器得到的精确分类边缘可用于不同的区域并且在应用Wishart马尔科夫的过程中得以保持.和其他分类方法相比,该方法得到较高的分类精度,证明了新方法的有效性.     

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.     

AdaBoost算法实现全极化SAR图像分类

文中提出了一种基于AdaBoost算法的全极化SAR(Synthetic Aperture Radar)图像分类方法.该方法将AdaBoost算法与HH、HV和VV三个极化通道数据结合起来,对全极化SAR图像进行分类,充分利用了极化信息和AdaBoost算法的快速收敛性.将该方法的仿真结果与H/α分类方法仿真结果进行比较,发现该方法分类模糊程度较低,在细节上分类更为准确,且在相同的情况下,该算法速度更快.     

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CNN的SAR图像目标和场景分类算法

随着合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术的发展和SAR图像数据的急剧增加,SAR图像解译技术成为了当前的研究热点。针对SAR图像的目标和场景分类问题,提出了一种改进的基于卷积神经网络的图像分类算法。为克服卷积神经网络训练过程中因数据量不足而出现的过拟合问题,采用数据增强人工增加训练样本的大小;针对高层卷积层参数过多的问题,采用一种多尺度卷积模块替代高层的卷积层;在输出层采用卷积和全局均值池化的组合替代传统的全连接层,大幅度减少了网络参数。网络训练阶段,通过误差反向传播来更新网络参数。针对MSTAR数据集和高分辨率的机载SAR图像分别进行目标及场景分类,实验结果表明该算法实现了较好的分类性能。     

基于Wishart分布和MRF的多视全极化SAR图像分割

提出一种新的多视全极化SAR图像分割方法.将描述多视协方差矩阵的Wishart分布与马尔可夫随机场模型结合起来,利用迭代条件模型法(ICM)求取最大后验概率准则下的分割结果,其中ICM所需的初始分割图由基于Wishart分布的最大似然法获得.NASA/JPL实验室AIRSAR系统多视全极化数据的实验结果表明,与几种常用方法相比,本文方法分割精度更高,分割结果图中孤立像素少,图像连通性好.     

基于移相调制的合成孔径雷达虚假图像干扰

提出一种新的合成孔径雷达有源欺骗干扰方法———基于移相调制的合成孔径雷达虚假图像干扰。对该方法的干扰原理进行了深入分析并进行了仿真实验。研究表明 ,新方法可以产生覆盖一定区域的包含大量地物信息的虚假图像 ,欺骗干扰效果远强于传统的虚假点目标干扰 ,具有很好的应用前景。     

星载SAR图像距离-多普勒定位精度分析

定位精度是合成孔径雷达（SAR）系统的一项重要指标。文中首先从星载SAR图像的4定位原理出发,提出了距离-多普勒定位法的定位条件,并通过直接法得出了定位模型 然后对星载SAR的定位误差进行了详细分析和仿真计算,并对仿真结果进行了归纳总结。仿真结果表明,影响定位精度的主要因素是斜距测量误差、目标高度误差、平台星历（位置和速度）误差。而多普勒频率测量误差对定位精度影响则可忽略不计。     

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。     

高分辨SAR运动误差分析

分析了高分辨合成孔径雷达（SAR）成像中存在的运动误差,并从理论上分析了位置误差和角度误差对脉冲压缩的影响,理论分析表明运动误差对方位向相位造成的影响是主要的。在位置误差分析的基础上讨论了近似运动补偿产生的残余相位误差。然后在理论分析的基础上,对近似补偿产生的残余误差进行了仿真,验证了运动补偿的难点在于如何提高运动参数的精度以补偿方位向的相位误差。     

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。     

基于边缘特征的SAR图像与光学图像的匹配

提出了一种新的基于边缘特征的合成孔径雷达(SAR)图像与光学图像相匹配的算法，可用于无人飞行器的导航。首先针对SAR图像低信噪比的特定情况，提出了一种简单实用的线状特征提取方法。而后在提取边缘的基础上，采用改进的具有强抗干扰能力和容错能力的Hausdorff距离作为相似性准则进行图像匹配。在搜索策略上．采用遗传算法来加快搜索的速度。实验结果表明，这种算法匹配精度高，计算速度快。