基于SAR极化特征的SVM道路提取方法研究

SAR图像中道路提取在路网规划建设、灾害监测等领域具有重要的应用价值.传统SAR图像道路提取方法多是基于SAR图像的幅值特性进行提取,缺少对极化特性的解译.此外极化分解方法多应用于水体提取、地物分类、建筑物提取等,较少应用于道路提取.针对现有的道路提取方法数据质量要求高、全极化道路提取研究较少、全极化数据源相干斑噪声影响大的问题,本文首先对全极化数据进行多视处理、滤波去噪预处理,并通过极化分解方法获取20维极化特征散射分量.其次,从散射机理的角度出发,构建鉴别道路信息的最优极化特征矢量.最后,通过SVM分类器得到初步道路提取结果,并通过数学形态法提取道路数据.实验结果表明,该方法达到了98.4%的Acc和65.3%的Iou,具有提取精度高、应用范围广的优点,充分利用高分辨率SAR数据的极化信息,可有效应用于SAR图像的道路提取方法研究中.此外,区分于将光学道路提取的方法直接套用到SAR图像道路提取研究,本文探索了极化特征在SAR图像道路提取中的应用表现,为SAR图像道路提取研究提出新模式新思路.     

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.     

基于城区特征和SLIC的简缩极化SAR分类方法

简缩极化SAR作为一种特殊的双极化模式,可以获取较为全面的极化信息,同时也能获得较大的成像幅宽,近年来得到了研究人员的关注。但以往基于极化度的分解方法存在体散射过估计的问题,导致分解与分类的结果在城区部分,尤其是大方位角城区部分表现一般。本文采用基于城区描述子的简缩极化分解方法,将分解获取的特征进行Wishart迭代分类,同时利用SLIC算法进行超像素分割,在超像素区域内进行类别合并,从而改善分类效果。实验采用Radarsat-2旧金山区域的全极化数据仿真合成CTLR模式及π/4模式的简缩极化数据验证了算法的可行性,实验表明,对于两种模式,本文方法在小方位角城区分类精度提高约20%,大方位角城区分类精度提高约10%。     

一种基于全极化SAR数据广义多子视相干的海面船只目标检测方法

传统基于子视相干的检测算法,如2L-IHP（Two Looks Internal Hermitian Product）和Pol-IHP（Polarimetric Internal Hermitian Product）等,通常利用两个子视影像进行相干来检测海面弱小船只目标。但受子视影像个数的限制,无法大幅度地提高船海对比度,进而影响了检测精度。针对该问题,本文提出了一种基于全极化SAR的广义多子视相干检测算法,首先利用子视分解方法对全极化SAR数据进行处理得到多个子视全极化影像;接着,基于广义相似性参数（Generalized Similarity Parameter,GSP）定义这些子视影像间的相关矩阵和相干算子来计算相干图;然后,利用恒虚警率（Constant False Alarm Rate,CFAR）检测方法结合统计的相干图累积分布函数进行船只目标检测。通过实验,表明利用本文算法船海对比度随着子视影像个数的增加而得到大幅提高,从而减少了弱小船只目标的漏检,显著提高了船只目标检测精度。     

简缩极化SAR数据处理与应用研究进展

极化信息能丰富合成孔径雷达(SAR)数据的信息量,在农业、环境、海洋、森林、军事等领域取得了广泛的应用,但同时也面临分辨率较低、幅宽较小的问题,带来较高的应用成本。简缩极化SAR(CP SAR)作为一种能同时获取较为丰富的地表信息并实现较大幅宽观测的极化SAR模式,在过去十余年中引起了科研人员的广泛关注。随着印度RISAT-1卫星的成功发射,简缩极化SAR在一系列应用研究中取得了新进展。该文简要介绍了简缩极化SAR的经典数据处理方法,总结了近十余年来简缩极化SAR在农业和海洋应用领域的主要研究成果,最后对其发展方向进行了分析与展望。      

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。     

一种联合特征值信息的全极化SAR图像监督分类方法

基于H/平面的分类器对于具有相似散射类型的地物的分类能力很差,为此该文直接使用特征值特征来进行分类。首先提取特征值特征,并使用一种自适应调整高斯分量个数的高斯混合模型对特征值分布进行较为准确地拟合,然后采用朴素贝叶斯分类器进行初步分类。针对可能存在特征值分布较为相近导致错分的问题,计算每两类地物的特征值分布的相似度,将相似度大于给定阈值的类别对组成相似性表,对于这些相似对再用基于Wishart距离的K近邻分类器进行细分。综合分析机载和星载SAR数据上的实验结果,表明这种方法能够克服基于H/的非监督分类方法对于特征值利用的一些不足,且与基于SVM的分类方法效果相当。      

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.     

合成孔径雷达极化成像解译识别技术的进展与展望

极化合成孔径雷达(SAR)能够获取目标的全极化信息,在对地观测、灾害评估、侦察监视等民用和军用领域得到广泛应用。国内主要高校、中科院、工业部门和用户单位在该领域开展了卓有成效的工作,取得一大批标志性研究成果。该文简要综述了极化SAR成像解译识别领域的主要研究进展。在解译层面,主要介绍了极化目标分解和极化旋转域解译等理论方法的研究进展。在应用层面,结合研究团队的工作,探讨了上述理论方法在舰船检测、地物分类和建筑物损毁评估等领域的应用成效。最后,对极化SAR目标解译识别技术的研究进行了展望。      

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。     

面向SAR解译的OpenSAR数据开放共享平台

大量带有真值标注的数据集是SAR图像解译研究的重要基础和支撑。在推动SAR图像解译研究发展面临的诸多困难之中,缺少一个开放共享的数据集用于解译算法的研究和公平测试比较,是其中一个非常重要的因素。文中主要介绍构建的国内第一个面向SAR图像解译的数据开放共享在线平台:OpenSAR。详细介绍了OpenSAR平台的设计思想、功能组成、关键技术和已有数据集。通过该平台的构建,对于SAR解译研究能够取得良好的促进作用。     

基于极化SAR图像分类的海上舰船检测

本文针对极化熵类检测方法的不足,在极化特征分解以及Touzi等人工作的基础上,提出了能够更全面的表征舰船和杂波差别的特征矢量,并提出了一种基于特征矢量的非监督分类方法。使用该方法进行海上舰船的检测,不仅取得了很好的舰船和海面的分离效果,而且也得到了较好的舰船与其他人造目标的区分效果。实测数据的检测结果证明该分类方法具有很好的收敛性,是一种有效的舰船检测方法。     

SVM全极化SAR图像分类中的特征选择

本文将SVM用于全极化SAR图像分类,并提出一种新的应用于SVM分类的特征选择算法。该算法以支持向量个数作为特征评估准则,利用顺序前进法加入特征。基于NASA/JPL实验室AIRSAR系统的L波段荷兰Flevoland全极化数据的与RELIEF-F算法的对比实验表明,在特征个数更少(或相当)的情况下,本文特征选择算法能在更广泛的SVM参数取值范围内获得更高的分类精度。     

基于迁移学习的小样本SAR船只目标识别

合成孔径雷达（SAR）目标识别的主流手段是神经网络,其依赖于大数据量的训练,但SAR船只样本量少,且传统识别方法提取的特征又具有很强的易变性,分类效果不佳。针对SAR船只目标样本量受限的问题,提出了基于VGG16迁移学习的识别方法,该方法在已有模型的基础上进行参数的微调,使其适应目标数据集,从而解决在训练样本缺失情况下,识别过程中存在的过拟合和局部最优解等问题。利用Terra SAR数据库进行对比实验,结果表明该方法优于传统识别方法。     

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.     

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。     

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.     

一种基于差异度的极化SAR图像迭代分类方法

该文提出了一种用极化SAR数据协方差矩阵的相关性和回波功率差异来定义的目标间的差异度,并在这一差异度的基础上提出了一种新的迭代分类方法。该迭代方法与基于Wishart距离的迭代分类方法相比,不需要矩阵的求逆运算和矩阵的对数运算,降低了迭代过程的计算量,也不再需要目标的先验信息,扩展了其适用范围。该方法应用于NASA/JPL的SIR-C系统在香港地区的实测极化SAR数据,得到了很好的分类效果。     

基于散射模型的极化SAR数据分解

该文提出一种描述极化SAR散射机制的散射模型。该模型由四种基本散射模型构成:布拉格散射,偶次散射,奇次散射和体散射。该散射模型成功地描述了人造目标和自然目标对电磁波的散射机制。本文利用美国空气动力实验室(JPL)的机载多极化合成孔径雷达系统获得的SAR图像数据对该模型进行了检验,结果表明该散射模型可以很好地描述建筑和植被覆盖地区对电磁波的散射机制。     

基于混合极化架构的极化SAR:原理与应用(英文)

合成孔径雷达（Synthetic Aperture Radar,SAR）应用性能主要受限于同时获取高分辨与宽测绘幅宽的雷达图像的能力。而对于极化SAR（Polarimetric SAR,PolSAR）系统而言,其测绘幅宽更加受限。近年来,称为混合极化（Hybrid-Polarity,HP）架构的新型极化SAR架构吸引了广泛的注意。相比于传统的线性极化SAR,基于混合极化架构的极化SAR具有两点重要优势:更宽的测绘幅宽与更低的硬件要求。该文首先回顾了包括系统设计、系统模型与定标方法在内的混合极化架构相关原理。接着详细阐述了混合极化架构在定标与发射配置两个方面在工程实现中的难点并提出了一种改进型混合极化架构。与此同时,还介绍了以实验验证为目的而开发的原型实验系统。该文的后半部分回顾了适用于基于混合极化架构的极化SAR的相关应用。由于基于混合极化架构的极化SAR系统产生的全极化数据可以直接转换为传统的线性全极化数据,因此这一部分内容主要集中在对应的双极化应用,即简缩极化（Compact Polarimetry,CP）应用上。