基于差异度迭代的极化SAR图像机场跑道检测算法

机场在军事和交通运输领域都有很重要的作用,对它的自动检测具有重大意义。本文提出了一种利用极化SAR(Polarimetric Synthetic Aperture Radar)图像检测机场跑道的方法。首先,利用SLIC(Simple linear Iterative Clustering)算法对极化SAR图像进行超像素分割;然后利用新三分量分解和极化散射熵对图像进行粗分类,再利用改进的K均值聚类结合差异度迭代的方法完成精细分类,最后利用跑道的散射特性和几何结构特征从分类结果中提取完整的机场区域。本文采用极化SAR数据进行实验检测,结果表明该方法能有效的检测出机场跑道,并且保持结构完整,边缘细节清晰,虚警率低。      

复杂SAR场景中机场跑道的提取

本文提出了一种从大幅SAR场景图像中提取机场跑道的方法。跑道是机场的最明显的特征,在图像上可抽象为相隔一定距离,具有一定长度的平行线对。算法首先检测图像边缘,然后连接成线段,从中搜索平行线对,最后进行验证。算法的特点在于连接线段时,通过将图像域中的线段转化成极坐标中的点,将线段连接问题转化为点的聚类问题,并利用贝叶斯估计原理构造相似性测度准则函数,利用区域生长聚类方法将断裂的但属于同一条直线的点聚集起来。实验结果表明,该算法能够从大幅SAR图像中提取机场跑道,具有重要的实际应用价值。     

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。     

利用多特征融合和集成学习的极化SAR图像分类

该文提出了一种利用多特征融合和集成学习的极化SAR图像监督分类算法。该算法首先提取极化SAR图像的多重特征,包括EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及扩展四分量分解特征。为保证集成学习中基本分类器的差异性与准确性,算法从5组特征集中每次随机选取两组不同的特征进行串联融合,作为SVM分类器的输入。最后,利用随机森林学习算法将所有基本分类器的预测概率集成输出最终分类结果。像素级和区域级的分类实验表明了该文算法的有效性。      

极化SAR图像的联合加权极化差异度变化检测算法

以联合加权极化差异度为特征提出了一种极化SAR图像变化检测新算法。首先计算两个不同时相的极化SAR图像的极化散射差异度和极化功率差异度,然后根据二者的相对大小分配加权系数计算联合加权极化差异度,得到差异图像,最后通过阈值分割技术提取变化区域实现变化检测。利用两组美国UAVSAR系统采集的全极化SAR实测数据对算法进行了验证,结果表明,本文算法能有效检测地物的变化情况,且检测虚警少、轮廓清晰。除此之外,算法无需知道图像的统计分布,通用性强。      

基于极化交叉熵和Yamaguchi分解的飞机目标检测方法

给出了一种基于极化交叉熵和Yamaguchi分解相结合的飞机目标检测方法。首先计算极化SAR图像中各个像素点与平面、左螺旋体、右螺旋体三种基本散射体的相似性参数，并利用相似性参数构造极化交叉熵；然后采用Yamaguchi分解方法提取偶次散射分量功率；最后结合极化交叉熵与偶次散射分量功率构造检测特征量，并进行阈值判别提取飞机目标。利用美国UAVSAR和美国AIRSAR系统采集的全极化实测数据对算法进行实验，结果表明，该算法能够有效的检测出飞机目标，并且虚警较少。      

基于半监督学习的SVM-Wishart极化SAR图像分类方法

该文针对极化SAR (Synthetic Aperture Radar)图像分类中的小样本问题,提出了一种新的半监督分类算法。考虑到极化SAR数据反映了地物的散射特性,该方法首先利用目标分解方法提取了多种极化散射特征;其次,在协同训练框架下结合SVM分类器构建了协同半监督模型,该模型可以同时利用有标记和无标记样本对极化SAR图像进行分类,从而在小样本时可以获得更好的分类精度;最后,为进一步改善分类结果,在协同训练分类完成后,该方法又利用Wishart分类器对分类结果进行修正。理论分析与实验表明,该算法在只有少量标记样本的情况下优于传统算法。      

极化SAR图像目标分解方法的研究进展

极化合成孔径雷达(极化SAR)经过近几年的迅速发展,已经成为遥感领域的一大研究热点。极化目标分解作为极化SAR图像分析的一种基本手段,所提取的极化信息是极化SAR图像目标检测和分类的基础,在极化SAR图像解译中起着关键作用。通过对近几年极化目标分解方法的发展作一个全面的阐述,重点介绍该领域出现的新技术,使相关研究人员能够更清晰地了解这一领域的最新进展。     

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。     

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.     

基于OFDM信号的二维全极化信息提取

目标高分辨和全极化信息在遥感成像、目标分类、识别等领域具有重要应用。基于全极化OFDM信号模型,研究了用于获取运动目标二维全极化散射特征的新方法。建立了全极化 OFDM接收信号模型,提出了信号频域采样的二维极化 MUSIC算法,用于提取目标散射中心的全极化高分辨信息;利用某目标模型的暗室测量数据进行仿真试验,验证了该信号相关处理算法的有效性。该研究成果可为新体制宽带成像雷达系统研制提供参考。     

大风背景下首都机场两条跑道低空风切变特征统计

利用北京首都机场18R-36L、19-01两条跑道南端入口附近的两台相干多普勒测风激光雷达的RHI扫描模式探测风速数据,分别计算在不同的风速、风向区间内两条跑道及其南下滑道区域600 m高度下各高度层的径向风速平均偏差。结果表明:在西北大风背景下,18R-36L跑道上空风速与同高度风速对比有偏小现象,这与在相同背景风条件下三条跑道接地带区域观测到的风速特征相吻合。另外风速偏小现象在300°～330°风向区间最显著,且偏差最小值区域出现在18R跑道入口附近。通过风切变强度因子进一步统计在西北大风条件下36L和01跑道下滑道区域风切变发生的强度及位置。统计表明:36L跑道的风切变频次及强度整体高于01跑道,其中300°～330°风向区间两条跑道的风切变事件发生最频繁,且顺风风切变频次明显高于逆风风切变频次,但逆风风切变发生的高度比顺风风切变发生的高度要低。     

利用极化距离变换实现极化SAR图像变化检测

针对复杂场景下特定类型地物的变化给出了一种利用极化距离变换实现SAR图像变化检测的算法,首先利用改进的Wishart距离算法得到目标类地物与两时相图像的距离测度,然后对该测度进行比值对数变换,构造差异图像,最后利用双阈值分割法提取出变化区域,并区分出两种变化类型。利用2009年4月9日和2010年6月15日,Radarsat-2在苏州区域获取的雷达图像进行试验。实验结果表明,本文给出的算法能够较好的实现复杂场景下特定地物类型的变化检测,鲁棒性强。      

基于结构特征的遥感图像机场目标识别

提出了一种遥感图像中机场跑道的自动识别方法。在分析机场结构特征的基础上。首先采用形态学方法提取图像的线结构;然后通过非监督聚类方法将直线段动态分组;最后进行直线段修复和跑道配对,实现对机场的识别定位。计算机仿真验证了该方法的有效性。     

基于联合稀疏性的高分辨全极化雷达成像研究

针对频率步进体制高分辨全极化雷达,本文研究了基于稀疏信号表示的高分辨全极化雷达成像,并提出了一种基于极化平滑l₀范数算法的成像方法.算法中的联合稀疏性度量综合利用了目标在全极化下的散射特性,因而成像结果兼具全极化处理和稀疏优化算法的优点,不仅能以较少的观测回波获得高分辨距离像,还能全面准确反映目标全极化散射特性,有利于目标识别等进一步应用.仿真和暗室实测数据实验结果验证了本文方法的有效性.     

Unsupervised PolInSAR classification based on optimal coherence set

Aiming to solve the misclassification problems of unsupervised polarimetric Wishart classification algorithm based on Freeman decomposition, an unsupervised Polarimetric Synthetic Aperture Radar (SAR) Interferomery (PolInSAR) classification algorithm based on optimal coherence set parameters is studied and proposed. This algorithm uses the result of Freeman decomposition to divide the image into three basic categories including surface scattering, volume scattering, and double-bounce. Then, the PolInSAR optimal coherence set parameters are used to finely divide each of the three basic categories into 9 categories, and the whole image is divided into 27 categories. Because both the Freeman decomposition result and optimal coherence set parameters indicate specific scattering characteristics, the whole image is merged into 16 categories based on physical meaning. At last, the Wishart cluster is employed to obtain the final classification result. To preserve the purity of scattering characteristics, pixels with similar scattering characteristics are restricted to be classified with other pixels. The final classification results effectively resolve the misclassification problem, not only the buildings can be effectively distinguished from vegetation in urban areas, but also the road is well distinguished from grass. In this paper, the E-SAR PolInSAR data of German Aerospace Center (DLR), are used to verify the effectiveness of the algorithm.     

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。