基于目标分解理论的全极化SAR图像神经网络分类方法

由于全极化合成孔径雷达(synthetic aperture radar)能够测量每一观测目标的全散射矩阵，即可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像，因此与常规的单极化和多极化SAR相比，在雷达目标探测、识别，纹理特征和几何参数的提取等方面，全极化SAR均具有很多优点，但是由于地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征，因而加大了地物信息提取的难度。同时由于这些极化合成图像具有较高的相关性，从而导致了图像分类精度的降低。为了提高全极化SAR图像的分类精度，基于新疆和田地区的SIR-CL波段全极化雷达数据，利用目标分解理论首先将地物回波的复杂散射过程分解为几种互不相关的单一的散射分量。由于这些单一的散射分量都对应于具有不同物理和几何特征以及分布特征的地物，从而提供了更加丰富的地表覆盖信息，这样就很大程度地改善了地物信息的分类精度；然后利用分解后单一散射分量数据结合传统的极化合成数据，可以得到更多的互不相关的数据源，再使用神经网络分类法对这些数据进行分类。分类结果表明，这种方法大幅度提高了全极化SAR数据用于实验区土地覆盖分类的精度。这种分类方法也可以广泛地用于SAR数据地表覆盖和土地利用动态监测和地表参数的提取。     

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。     

深度置信网络在极化SAR图像分类中的应用

目的 深度置信网络能够从数据中自动学习、提取特征,在特征学习方面具有突出优势。极化SAR图像分类中存在海量特征利用率低、特征选取主观性强的问题。为了解决这一问题,提出一种基于深度置信网络的极化SAR图像分类方法。方法 首先进行海量分类特征提取,获得极化类、辐射类、空间类和子孔径类四类特征构成的特征集;然后在特征集基础上选取样本并构建特征矢量,用以输入到深度置信网络模型之中;最后利用深度置信网络的方法对海量分类特征进行逐层学习抽象,获得有效的分类特征进行分类。结果 采用AIRSAR数据进行实验,分类结果精度达到91.06%。通过与经典Wishart监督分类、逻辑回归分类方法对比,表现了深度置信网络方法在特征学习方面的突出优势,验证了方法的适用性。结论 针对极化SAR图像海量特征的选取与利用,提出了一种新的分类方法,为极化SAR图像分类提供了一种新思路,为深度置信网络获得更广泛地应用进行有益的探索和尝试。     

高分辨率极化SAR图像水平集分割

目的 传统的极化SAR图像分割方法中,由于采用的统计分布模型不能较好地描述高分辨率的图像纹理特征,导致高分辨率极化SAR图像分割效果较差。针对这个问题,本文将具有广泛适用性的KummerU分布嵌入到水平集极化SAR图像分割方法中,提出了一种新的极化SAR图像分割算法。方法 将KummerU分布作为高分辨率极化SAR图像的统计模型,定义一种适用于极化SAR图像分割的能量泛函;利用最大似然法对各个区域的KummerU分布进行参数估计,并通过数值偏微分方程的方法求解水平集函数,实现极化SAR图像的区域分割。结果 分别对仿真全极化数据,真实全极化数据进行分割实验,结果表明本文提出的方法其分割精度高于传统方法,分割精度高于95%,从而验证了新方法的有效性。结论 本文算法能够对各向同质区和各向异质区的极化SAR图像都能取得良好的分割效果,并适应于多种场景,有效地分割出背景和目标。     

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。     

基于SVM的POL-SAR图像分类研究

提出了一种将物理散射机理、纹理信息和SVM结合起来用于POL-SAR图像分类的方法。实验数据选取德国Oberpfaffenhofen实验区域（DE）的DLR ESAR L波段全极化数据,实验区域包括自然植被,如森林、田地和人造目标如建筑、机场跑道等。首先利用OEC分解得到了散射特征,然后提取HH和HV通道图像的纹理特征,并用SVM进行特征选择及分类。然后在上述特征中加入Freeman分解的散射特征重复试验,取得了较好的结果。试验证明了将散射特征和纹理特征结合起来对地物进行分类是有效的,同时也证明了用SVM进行特征选择的有效性。     

基于纹理和BP神经网络的SAR图像分类

研究基于纹理和BP神经网络的SAR图像分类。首先用增强FROST滤波算法对SAR图像进行去噪处理。然后基于灰度共生矩阵理论提取去噪后的SAR图像多种纹理特征,并通过大量实验筛选出有效的纹理特征。最后,结合纹理特征,分别采用经典的最大似然分类法和BP神经网络分类法对SAR图像进行分类。实验结果表明：纹理信息辅助SAR图像的灰度进行分类,大大地提高了SAR图像的分类精度;基于BP神经网络的SAR图像分类精度高于最大似然分类法的分类精度。     

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。     

全极化SAR极化特征谱应用研究

在分析特征值分解结果,全部散射机制组合和极化特征谱性质的基础上,提出基于3个特征谱参数的假彩色合成方法,可以更加有效直观地反映地物散射特征,再对散射熵、散射角、反熵和4个极化特征谱参数进行特征选择分析,给出最佳的多维特征向量选择方案,从而实现传统遥感图像分类器如同ISODATA算法对极化SAR图像的分类。实验选择了一景Radarsat\|2标准全极化SAR数据,包含典型的城市、植被和水体三大类地物,实验结果表明:极化特征谱假彩色合成充分反映了各地物散射特征,特征谱和散射角组成了最佳特征向量,非监督分类结果表明:该方法克服了城市与植被在H\|Alpha平面上分布界限模糊的问题,分类精度高于H\|Alpha平面非监督分类,与Wishart-H-Alpha-A分类方法相当。     

极化散射与SAR 遥感信息获取

合成孔径雷达(SAR ) 对地观测与成像技术是近20 年来空间微波遥感技术最重要的进展。JPL 的SIR-C SAR 与加拿大Radarsat SAR-2 等星载或机载SAR 的全极化散射测量提出了自然地表全极化散射信息获取与处理的关键性科学问题。充分理解自然地表极化散射特性, 进而发展自然地表特征信息的分类、识别和反演算法是SAR 遥感应用的关键问题。近年来, 对于极化SAR 遥感已有广泛的研究。自然地表全极化散射的数值建模与M ueller 矩阵模拟解、相干矩阵及其特征值分析、信息熵等都有了研究与应用。但是, 如何将SAR 图像相干矩阵特征值和信息熵的全极化散射测量与自然地表特征参数直接关联, 并由此发展地表的分类、识别与参数反演等信息获取与处理还有待于大量的研究。本文将论述我们在SAR 全极化散射理论与应用的若干研究进展。第一个问题是如何将SAR 图像相干矩阵特征值和信息熵与同极化、交叉极化后向散射系数的测量直接关联, 与M ueller 矩阵解一起研究地表的分类与识别。第二个问题是如何有全极化散射测量反演地面数字程(DEM )。第三个问题是如何利用多时相SAR 遥感识别、获取与评估地面特征时间上的变化。     

基于特征向量分解与散射机制判别指数的全极化SAR图像地物提取与分类

基于特征向量分解和基于散射模型的极化目标分解是全极化SAR非相干分解中的典型算法。本文对比研究了两种算法的特点及分解结果在地物识别分类方面的优势,在基于特征向量分解得到的H-Alpha特征平面的基础之上,引入散射机制判别指数来刻画地物的类别差异,从而能约束H-Alpha平面分割的界限以提高分类的精度,而且利用散射机制占优性强弱可辅助分类结果的解译。实验选取了鄱阳湖地区一景Radarsat-2标准全极化数据,实验结果对比表明一种散射机制占主导的地物,分类精度得到改善,特别是水域、形成二面角的目标区和成片分布的植被区域可以显著地提取出来。     

极化方位角对Yamaguchi参数分解的影响

以极化方位角估计为基础,对由方位向地形引起的极化分解误差进行深入探讨,详细分析方位向地形对4参数Yamaguchi分解的影响,同时利用全极化SAR方位角估计减少地形因素带来的影响。最后,利用AIRSAR系统于1992年在San Francisco地区的全极化数据进行实验分析。实验结果表明,利用极化方位角补偿的方法,可以改善Yamaguchi分解的精度。     

改进Notch滤波的全极化SAR数据船舶检测方法

全极化SAR数据提供了更多的地物极化散射信息,目前被广泛的应用于海上船舶检测的应用研究。本文提出改进的Notch滤波方法,实现全极化SAR数据的海上船舶检测。该方法结合目标的极化散射特性与能量双重特点,设计针对海面、方位向模糊、相干斑噪的不同滤波,消除虚警,通过SPAN能量因子降低由于散射机制相同而造成的漏检。利用RADATSAT-2全极化精细扫描数据对本文的算法进行验证,并与PWF和SPAN方法进行对比分析,实验结果表明本文提出的方法能从海面上有效检测出各种大小的船舶,同时能抑制方位向模糊、相干斑噪以及船舶的旁瓣造成的虚警。     

基于入射散射极化优化的抗箔条干扰方法

国内外的大多数 研究没有综合考虑入射极化对散射幅度、散射极化的定量影响。通过构建雷达视线方向非相干箔条云瞬时极化散射模型,获得了一组特定入射条件下的极化散射统计数据,并对 其进行基于极化坐标系扭曲的处理,同时讨论了箔条云对入射极化的选择特性。数值仿真结果表明,当扭曲因子较大时,处理后的极化状态概率近似分布在水平极化域,同时雷达俯仰角较小时,箔条云对入射极化具有良好的选择性。本文结论可以作为极化抗箔条干扰的初级优化方案,为极化滤波等后续极化信息处理打下基础。     

Analysis of different polarimetric target decomposition methods in forest density classification using C band SAR data

The ability of synthetic aperture radar (SAR) C-band microwave energy to penetrate within forest vegetation makes it possible to extract information on crown components, which in turn gives a better approximation of relative canopy density than optical data-derived canopy density. Many studies have been reported to estimate forest biomass from SAR data, but the scope of C-band SAR in characterizing forest canopy density has not been adequately understood with polarimetric techniques. Polarimetric classification is one of the most significant applications of polarimetric SAR in remote sensing. The objective of the present study was to evaluate the feasibility of different polarimetric SAR data decomposition methods in forest canopy density classification using C-band SAR data. Landsat (Land Satellite) 5 TM (Thematic Mapper) data of the same area has been used as optical data to compare the classification result. RADARSAT (Radar Satellite)-2 image with fine quad-pol obtained on 27 October 2011 over tropical dry forests of Madhav National Park, India, was used for the analysis of full polarimetric data. Six decomposition methods were selected based on incoherent decomposition for generating input images for classification, i.e. Huynen, Freeman and Durden, Yamaguchi, Cloude, Van zyl, and H/A/α. The performance of each decomposition output in relation to each land cover unit present in the study area was assessed using a support vector machine (SVM) classifier. Results show that Yamaguchi 4-component decomposition (overall accuracy 87.66% and kappa coefficient (κ) 0.86) gives better classification results, followed by Van Zyl decomposition (overall accuracy 87.20% and κ 0.85) and Freeman and Durden (overall accuracy 86.79% and κ 0.85) in forest canopy density classification. Both model-based decompositions (Freeman and Durden and Yamaguchi4) registered good classification accuracy. In eigenvector or eigenvalue decompositions, Van zyl registered the second highest accuracy among different decompositions. The experimental results obtained with polarimetric C-band SAR data over a tropical dry deciduous forest area imply that SAR data have significant potential for estimating canopy density in operational forestry. A better forest density classification result can be achieved within the forest mask (without other land cover classes). The limitations associated with optical data such as non-availability of cloud-free data and misclassification because of gregarious occurrence of bushy vegetation such as Lantana can be overcome by using C-band SAR data.     

高分辨率极化合成孔径雷达成像研究进展

合成孔径雷达（Synthetic aperture radar,SAR）是一种有效的地球遥感技术,对观测区域进行全天时、全天候的高分辨率大范围成像,在军事侦察、环境监测和地质测绘等领域有着十分广泛的应用。随着雷达技术和地球科学的发展,人们期望能够获取更多的目标特性,传统的单极化SAR已经难以满足越来越多元化的实际应用需求。极化合成孔径雷达（Polarimetric synthetic aperture radar,PolSAR）基于多个极化通道获取目标不同极化状态下的散射特性丰富了SAR图像的信息量,拓展了SAR的应用领域。从极化数据中准确地解译目标的物理特性是PolSAR应用的重要前提。本文对PolSAR的研究进展进行了总结,重点介绍了极化目标分解算法,给出了高分辨率PolSAR实测数据处理结果,并对未来研究方向进行了展望。     

多极化SAR图像斑点抑制综述

SAR(合成孔径雷达)图像斑点抑制一直是SAR图像应用中的一个重要课题。近二十几年来,伴随着SAR的发展和应用,涌现出了大量的斑点抑制算法。这些算法可分为两类:一类是基于单通道数据;另一类是基于多通道数据。对相干斑抑制问题进行了全面系统的研究,并侧重于多极化SAR图像的斑点抑制,归纳总结了近十几年来国内外所出现的多极化SAR图像斑点抑制算法,并对各种算法的性能进行了分析和比较。     

激光偏振干涉纳米定位系统的设计与实验研究

为适应工业发展和计量界对精密定位提出的越来越高的要求,本文提出了基于偏振激光干涉技术的纳米定位方法。在该干涉测长系统中,用偏振计取代传统单频激光干涉仪的光电传感器并配置偏振分光元件、起偏镜等,可将干涉仪出射光的干涉条纹相位细分为36000份,使用波长为633nm的激光源,可将理论测量分辨率提高到 10pm。将完成的偏振干涉测长系统与商用SIOS干涉仪的实验测量结果做了比对。本文还就完成的实验系统的各误差源做了实验研究,得到量化值。经不确定度评估计算,在标准实验室环境条件下,对于微米级行程的位移,其位置测量不确定度小于1.4nm。该方法可应用于纳米定位的各个领域。     

基于深度学习和层次语义模型的极化SAR分类

针对复杂场景的极化合成孔径雷达（Synthetic aperture radar,SAR）图像,堆叠自编码模型能够自动学习高层特性,有效表示城区、森林等复杂地物的结构,然而,却难以保持图像的边界和细节.为了克服该缺点,本文结合深度自编码器和极化层次语义模型（Polarimetric hierarchical semantic model,PHSM）,提出了新的无监督的极化SAR图像分类算法.该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构三大区域.对聚集区域,采用堆叠自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位.实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果.     

水云模型于L波段SAR和中国北方森林的适用性分析

水云模型假定来自植被体的体散射是主导散射机制,二面角散射可以忽略;这一假定是否适用于穿透性较强的L波段SAR和中国东北森林有待研究。本文以黑龙江省逊克县森林和ALOS PALSAR全极化数据为基础,分析典型地物的Yamaguchi极化分解散射分量的直方图,研究中国东北典型森林在L波段的散射机制,以确定水云模型的适用性。结果表明,体散射是该地区森林的主导散射机制,树干-地面的二面角散射可以忽略,水云模型的假设条件满足,可以应用于L波段SAR和中国东北森林。