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。     

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。     

基于图像分类的极化SAR系统的极化误差分析

讨论了极化合成孔径雷达（SAR）系统的极化误差,从分类精度误差的角度分析了极化误差对以基于Wishart分布的最大似然法为分类器的图像分类的影响,并给出计算结果。实验结果表明,出于不影响图像分类的考虑,极化通道幅度失衡应限制在[-3 dB,3 dB]范围内,极化通道的相位失衡应控制在[-13°,13°],极化转换开关的极化隔离度应高于35 dB,天线的极化隔离度应高于30 dB。     

散射模型与Wishart分类相结合的极化SAR图像分类

给出了一种散射模型与Wishart分类相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像非监督分类方法。首先利用去取向三分量散射模型进行粗分类,将像素划分为三种基本散射类型和混合散射类型;然后,在基本散射类型内根据占优散射机制的功率进行细分类,并根据Wishart距离对细分类的结果进行类别合并,合并到指定的类别数;最后对四种散射类型的像素分别重新进行Wishart迭代,从而实现极化SAR数据的非监督分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并且同已有分类方法进行比较,结果表明本文方法改善了分类效果,且降低了体散射过估计。      

基于复Wishart分布的极化SAR图像无监督分类

文中使用了一种无监督算法对全极化合成孔径雷达数据进行地物分类。不同于其他算法对像素统计特性分类而忽略他们的散射特性,这种算法不仅使用了统计分类,而且还保留了其主要的散射特性。本算法采用的是由Freeman和Durden以散射模型为基础开发的分解算法和基于复Wishart分布的距离度量分类器的组合。首先是应用Freeman和Durden分解划分像素分成三个散射类:表面散射,体散射和二面角散射;然后在此基础上将这三个散射类分为多个聚类,通过迭代Wishart分类器将其更精准地分类;最后,根据散射类别的自然颜色对其进行像素编码,提出颜色填充的方案。通过实验结果比对来证明该方法比H/α方法更具有优越性。     

应用变分法的极化SAR图像分类方法研究

提出了一种用于图像分类的变分模型,该模型结合正则化过程,可以较好地保持图像边缘信息,同时可以用于图像恢复.利用模拟和真实SAR图像的分类仿真试验表明,基于变分法的极化SAR图像分类方法不仅能够实现SAR图像的正确分类,克服SAR图像中相干斑噪声的影响,并且算法快速,易于实现.     

深度学习在极化SAR图像分类上的应用综述

极化合成孔径雷达（极化SAR）是当前最先进的遥感监测技术之一。它可以全天时、全天候地进行对地观测,并提供高分辨率、具有丰富地表信息的数据。极化SAR图像分类近年来被广泛研究和应用,而蓬勃发展的深度学习技术大大加速了其进展。基于此现状,本文对深度学习在极化SAR图像分类上的应用进行了综述。综述涵盖了不同类别的深度学习算法,包括监督、无监督、半监督和主动学习算法在此任务上的应用分析。另外,本文分析当前极化SAR图像分类所面临的挑战以及未来的发展趋势。     

一种结合散射相似性和Wishart的极化SAR图像分类方法

针对基于H-a 平面的目标分类方法运算量偏大的缺点,本文提出了一种结合散射相似性和Wishart的极化合成孔径雷达图像分类方法,提升了数据处理效率。该方法使用参数替代,将目标相干矩阵进行归一化,得到和 H-a 相似的分类效果,且避免计算特征值和特征向量,从而大幅提高了分类效率;通过结合Wishart迭代分类器进行分类来提升分类精度。最后通过对Radarsat-2卫星获取的黄河冰凌区域进行地物分类实验验证了本文方法的有效性,且该方法具有更好的运算效率和地物分类效果。      

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.     

复杂场景下的极化SAR图像机场跑道检测

提出一种基于极化分解分类与结构特征相结合的复杂场景全极化SAR图像机场跑道检测方法。首先利用先验信息粗选图像中各类样本目标进行H/α分解提取图像中各类训练样本,然后根据极化SAR图像的统计特性,利用贝叶斯分类器对图像进行分类,提取图像中机场跑道疑似区域,再结合机场跑道的五种结构特征用二叉树法进行判别,最终确定机场跑道区域。利用美国UAVSAR系统采集的多组全极化实测数据对算法进行实验,结果表明,该算法能够有效地检测出跑道,且检测的跑道结构完整,轮廓清晰,虚警率低。      

基于自适应Bilateral滤波的SAR图像相干斑抑制

SAR图像的相干斑抑制一直是SAR图像预处理的关键步骤。Bilateral滤波器是一类可以同时利用像素间的空间相似性与灰度相似性进行图像去噪的算法。针对直接用Bilateral滤波器进行相干斑抑制时存在空间方差系数选择困难及灰度相似性模型不合理的问题,该文提出一种自适应Bilateral滤波算法,该算法根据图像的局域变差系数自动调整空间方差系数,利用SAR图像的似然概率函数代替高斯函数来进行灰度相似性度量。理论分析及实验表明,提出方法较相关算法有更强的噪声平滑能力和更好的细节保持能力。     

贝叶斯融合在SAR图像分类中的应用

本文研究将数据融合理论用于SAR图像分类.通过贝叶斯理论进行多通道SAR图像测量级数据融合,充分利用像素的从属信息并获得单通道分类无法获取的分类结果,有效保留各通道有用信息并抑制图像中的斑点噪声;针对贝叶斯融合涉及到的先验概率的问题采用两种方式进行先验概率估计,对估计引起的马赛克现象提出了三种解决方法;并提出三种先验概率融合方法,比较得出相对最优的SAR图像多通道分类方案.     

基于自适应预处理的图像分割方法

为了防止分水岭算法过分割问题,该文提出了一种基于自适应预处理的图像分割算法。该方法在分水岭算法的基础上,首先结合像素点亮度特征和空间分布特性应用自适应方法对梯度图像进行预处理。通过考察各像素点邻域中像素分类后的分布情况,来判断考察点是处于区域中心还是处于边界,并据此对考察点的梯度值进行调节。然后在预处理后的梯度图像上选定标记,将预处理后的梯度图像中大于200个像素的连通区域标定为标记。最后用分水岭分割方法对带标记的参考图像进行分割。试验结果表明,该分割方法具有良好的分割效果。     

基于降斑处理的SAR图像实时压缩系统

为了对SAR图像进行实时压缩和本地存储,基于FPGA和ADV212芯片,利用空域增强Lee滤波算法,设计实现了SAR图像实时降斑压缩系统。测试结果表明,在降斑处理基础上,系统能对大数据量SAR图像进行压缩,产生JPEG2000格式码流,满足实时性、压缩模式和压缩比可选的要求,可支撑目标探测、区域监控等任务应用。     

基于OPG理论的自适应滤波器设计及其在图像处理中的应用

本文基于单参数变换群理论提出了一种新的自适应滤波器的设计方法,并且给出了滤波器与图象卷积的算法.参数变化后的滤波器的可以表示为事先给定的一组基本滤波器的线性组合.这种滤波器在不同方向、尺度和位置上和图像进行卷积时,可以显著提高运算效率.最后给出了一个图像边缘提取的算例,表明这种方法是有效的.     

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.     

自适应极化滤波抗欺骗干扰性能研究

针对连续波雷达或高重频脉冲雷达遭受高逼真欺骗干扰的情况,研究了自适应极化滤波(APF)的抗干扰性能。首先建立了雷达遭受欺骗干扰时回波信号的理论分析模型,然后利用卡尔曼滤波技术实时估计干扰的极化参数,最后利用经典的极化滤波方法滤除其中的干扰信号,保留真实目标信号。当干扰与信号叠加在一起时,理论分析和仿真结果均表明自适应极化滤波效果将受制于干扰与信号的功率比。强干扰情况下,自适应极化滤波可提高信干比,最大约50 dB;弱干扰甚至无干扰环境下,自适应极化滤波会恶化信干比,因此自适应极化滤波的实施需要由具体的电磁环境决定。     

一种双极化气象雷达自适应谱极化滤波方法

针对双极化气象雷达中非气象回波的滤除问题,该文提出一种基于詹森-香农散度原理的自适应移动谱去极化比(AMsDR)滤波方法。该方法根据不同方位向回波的谱去极化比分布情况,利用气象回波和杂波在距离-多普勒图上的特征差异实现气象回波的保留和杂波的滤除。与现有固定阈值的移动谱去极化比滤波器相比,AMsDR滤波方法可根据不同方位向降雨和杂波的回波差异自适应地选择滤波阈值,提高杂波抑制与降雨保留性能。