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。     

基于RadarSat-2全极化数据的水稻识别

极化信息是雷达数据的独特优势,为雷达遥感应用研究开辟了新的途径。极化分解是一种新型的极化数据处理方法,它从数学物理的角度分析目标的散射机制。基于RadarSat\|2全极化数据,以贵州高原丘陵为试验区,研究水稻的极化响应特征及其时域变化规律,根据极化分解理论分析水稻及典型地物的散射机制及其差异,并根据水稻散射机制的特点提取水稻信息。     

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。     

一种面向建筑物提取的极化雷达影像分解方法

针对基于物理散射模型分解的建筑物与植被混淆的问题,发展了一种面向建筑物提取的全极化SAR影像多分量分解方法,用于区分散射类型易混淆的方位建筑物(走向与雷达方位向不平行的建筑物)与植被。该方法根据植被与建筑物的不同散射机制,预先剔除了植被像元,修正了体散射模型,改进了常规的全极化SAR多分量分解方法。通过H/α/A分解和非反射对称比筛选出植被像元,抑制植被区域对多分量分解效果的影响;引入修正的体散射模型,改进多分量分解模型;对植被区域进行Yamaguchi四分量分解,其他区域进行改进的多分量分解。利用E-SAR和AIRSAR全极化数据进行实验。结果表明,与传统的多分量分解方法相比该方法能够有效去除建筑物中的自然地物虚警从而提高检测精度。     

基于面向对象技术的鄱阳湖湿地地物分类研究

使用RadarsatＧ２全极化雷达数据,基于面向对象技术对图像进行分割,分析各类地物的散射特征,并对分割对象进行特征提取,依此设计各类地物的提取因子并对鄱阳湖湿地进行地物信息提取,最后利用实地采样数据和同期的高分一号影像数据对分类结果进行验证.研究表明:采用面向对象技术并结合地物散射特征设计的提取因子,可以有效克服雷达图像分类中常见的斑点现象,提高湿地分类精度.     

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。     

全极化SAR数据信息提取研究

全极化SAR(Synthetic Aperture Radar)测量的是每一像元的全散射矩阵,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、纹理特征的提取等方面全极化SAR具有很多优点。基于新疆和田地区的SIR-C L波段全极化雷达数据,介绍了极化合成的基本原理和数据处理流程,分析了几种典型地物全极化信号的特点,并在此基础上用监督分类法进行了全极化SAR数据的信息提取。结果表明:全极化SAR数据比单极化和多极化SAR数据具有更高的分类精度,并有效地的提取出地表信息,为利用SAR数据反演地表参数打下了基础。     

基于特征值分解的全极化SAR遥感数据分类研究

应用极化目标特征值分解理论,研究了全极化合成孔径雷达图像的精细分类问题,在H-α-Wishart分类基础上引入平均散射功率,并根据不同地物的散射功率强度信息,给出了一种简单的阈值分割方法,最后利用鄱阳湖地区的Radarsat-2全极化数据进行了实验和分析,结果发现引入平均散射功率信息后的分类类别更多、精度更好。     

简缩极化SAR数据信息提取与应用

全极化(FP)成像模式丰富了合成孔径雷达(SAR)数据的信息量,在地物分类、环境监测、目标探测等领域取得了广泛应用,但是全极化系统受设计和维护复杂度、功率消耗、覆盖范围和数据下传等因素影响,制约了全极化SAR的应用.简缩极化(CP)SAR系统不仅降低了全极化SAR系统的复杂度,还能在一定程度上保持全极化信息,在森林参数反演、地物分类、目标检测等领域已取得了初步的成果.本文简要介绍了简缩极化SAR系统的基本原理,阐述了简缩极化SAR的全极化信息重建及分解的主要方法,并总结其近十年的主要研究成果,最后给出了其发展趋势.     

极化分解技术在估算植被覆盖地区土壤水分变化中的应用

地表植被覆盖是影响雷达遥感估算土壤水分的主要因素之一。本文探讨了将极化分解技术与植被覆盖地区的一阶散射模型结合估算土壤水分变化的方法。雷达数据经极化目标分解技术分解后得到的双次散射项和一阶植被散射模型的植被-地表的双次散射项一一对应，再利用多时相雷达数据消除植被层后向散射的影响，从而估算出地表土壤水分变化量。最后应用全极化机载雷达数据（AirSAR）对该方法进行了检验，结果表明该方法能够较好的估算植被覆盖地表的土壤水分变化。