基于不同特征的随机森林极化SAR图像分类

近些年,利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据,利用不同的特征提取算法提取特征,并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数,采用灰度共生矩阵提取纹理特征参数;然后将提取的所有特征进行不同的组合,构成不同的特征集;最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差;利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果;综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果,总体精度和Kappa系数可以达到94.44%和0.9305,表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.     

基于Yamaguchi分解模型的全极化SAR图像分类

针对利用Yamaguchi分解模型的四个散射分量直接进行类别归属判断精度不高并且所分类别有限的问题,结合模糊C均值的理论,提出了一种基于Yamaguchi分解模型的全极化SAR分类算法,把四个散射分量组成一组归一化的特征矢量,进行FCM聚类分析。并且用日本机载L波段PiSAR数据验证了该算法具有较高的分类精度和较好的视觉效果。     

基于最小割的极化特征图像分割

针对极化合成孔径雷达(SAR)所固有的斑点噪声很难分割出精确结果的问题,提出了一种基于图论的极化SAR图像分割方法。该方法结合极化SAR的多个极化特征, 用K均值聚类算法得到像素的初始标号,然后建立一个关于标号的能量函数并构造相应的网络,用最小割方法求取网络中全局能量函数的近似最优解,由此得到每个像素点的恰当标号,最终完成图像的准确分类。该方法与传统的分割方法相比,能够充分考虑极化SAR图像的全局信息和极化特征对图像进行精确的分割。实验结果证明,该算法具有较好的分割效果。     

基于综合特征的图像分割

文章提出了一种有效的基于颜色和纹理综合特征的图像分割方法。将图像以块为单位进行划分,在YUV空间,提取块的颜色特征和纹理特征,在这种综合特征基础上,采用改进的K均值聚类法进行图像分割。该方法能自适应确定聚类中的参数,且兼顾点的位置连通关系,从而达到了较好的分割效果。     

基于目标分解的极化SAR图像SVM监督分类

鉴于使用单一特征无法获得令人满意的分类效果以及SVM在小训练样本时具有良好的分类性能,提出了基于多种目标分解方法和SVM的极化SAR图像分类方法。首先对原始极化SAR图像使用多种目标分解方法进行处理,得到相应的分量信息,然后在极化SAR图像特征提取的基础上将SVM应用于极化SAR图像分类。通过选取不同的特征信息作为支持向量机的输入,比较其对分类性能的影响,得到最优的用于分类的特征信息组合,其中将相干分解和非相干分解的信息同时用做分类特征能够获得较好的分类效果。利用NASA/JPL实验室AIRSAR系统获取的全极化SAR数据进行实验处理,与Wishart监督分类进行对比,验证了将目标分解信息用做分类特征的有效性,同时与Wishart/H/α和模糊C-均值H/α分类方法进行对比,得到提出的方法具有良好的分类性能。     

改进的基于非局部均值的极化SAR相干斑抑制

贝叶斯形式的非局部均值模型在极化SAR图像相干斑抑制中有良好的应用,在实现抑制相干斑的同时较好地保持了边缘细节和点目标.通过分析合成孔径雷达(SAR)图像多视数据的空间统计分布,结合贝叶斯形式的非局部均值模型,得出在该模型下多视与单视SAR图像中像素间相似性度量函数一致性的结论,并对该相似性度量函数进行了修正,使之满足对称性;最后针对算法全局使用一个固定滤波参数影响滤波效果的问题,提出一种根据像素间相似程度自适应选取滤波参数的方法.实验结果验证了本文算法的有效性.     

基于Cameron分解和SVM的极化SAR图像分类

Cameron分解先将极化散射矩阵分解为互易分量和非互易分量,再将互易分量进一步分解为对称分量和非对称分量,这是极化合成孔径雷达图像特征提取的有效途径。由四个分量的范数组成样本向量,运用基于统计学习理论的支持向量机设计分类器,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Cameron分解与SVM结合起来应用于极化SAR图像分类的算法是可行和有效的,通过选择不同的参数对分类结果影响很大,验证了参数选择在SVM分类器中的重要作用。     

图像纹理特征相似性度量的研究

纹理是图像的重要属性,基于纹理特征检索图像是当前的研究热点,对图像的纹理进行相似性比较是进行图像检索的关键.根据纹理的特点,本文将通用的向量空间模型进行拓展,构建了一个针对簇集进行相似性匹配的模型-聚类空间模型,对图像纹理相似性进行度量,并据此实现了无需分割的多纹理图像检索.我们分别针对单纹理图像和自然图像库进进行了实验,获得的实验结果与人类视觉认知的结果一致.     

改进的k-nn快速分类算法

针对传统的k-近邻（k-nn）方法的缺点,将聚类中的K均值和分类中的k近邻算法有机结合,提出了一种改进的k-nn快速分类算法。实验表明该算法在影响分类效果不大的情况下能达到快速分类的目的。     

基于相似性的商品陈列研究

利用聚类的基本知识,根据不同顾客购买商品的相似性的大小,提出了运用K-means聚类算法。利用相似度代替欧氏距离,对该网络进行聚类分析,划分出相似性大的顾客群体,并根据每个群体中顾客购买每类商品占总商品数的比例进行排序,从而为商品陈列提供依据。     

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。     

图像图谱多尺度分割的相似度因子研究*

通过对相似性度量函数的研究,得到了参数σ的取值与聚类类数间的关系,并据此提出了一种自动确定参数σ的方法,设计了一种基于相似度因子的无监督聚类算法(unsupervised clustering algorithm based on similarity parameter,UCASP),在图像分割的实际应用中实现了无监督分割。     

Stacked auto-encoder for classification of polarimetric SAR images based on scattering energy

This paper proposes a new algorithm, for polarimetric synthetic aperture radar (PolSAR) classification, based on a stacked auto-encoder and scattering energy. Previous approaches to PolSAR classification predominantly consider only the single pixel of distribution of the polarimetric data and scattering characteristics, and ignore other kinds of image features like the relationship of the local pixels. Besides, because of the complexities of PolSAR data, it is difficult to compute the derivatives that are needed for back-propagation in deep-learning classifiers. To overcome these difficulties, we propose a new approach that combines the scattering power and stacks sparse auto-encoder (Scattering SSAE) for PolSAR classification. Firstly, orientation compensation is used to compensate the polarization orientation angle, reducing the impact of polarimetric angle noise. Secondly, Freeman-Durden decomposition is adopted to extract three basic scattering powers: surface, double bounce and volume. Each PolSAR image pixel is transformed into these scattering powers, yielding a new kind of feature from the PolSAR data. Finally, using the three kinds of scattering power as inputs, we combine local spatial information using a patch-based approach, and use a deep learning architecture to achieve classification. We compare our method against several other state-of-the-art methods using ground-truthed test-data, and show that the Scattering SSAE method achieves higher accuracy than other methods on most categories.     

基于自然最近邻相似图的谱聚类

传统谱聚类算法经常在处理一些结构复杂的数据集时效果不太理想,并且其相似度矩阵构造时参数的选取往往需要依靠多次实验及个人经验。在这种情况下,提出一种基于自然最近邻相似图的谱聚类（NSG-SC）算法。自然最近邻是一种新颖的最近邻概念,可以有效地避免K最近邻以及ε-最近邻方法需要人为设置参数的缺点。该算法构造相似度矩阵时依靠数据集自身的特性进行搜索,避免了参数选取不当以及离散点所带来的影响,更加真实地反映了数据集的结构关系。实验结果表明,提出的NSG-SC算法具有可行性和有效性。     

SAR images analysis based on polarimetric signatures

In the presented paper a new method of identification of canonical coherent scatterers in the quad-polarimetric SAR data are presented. The proposed method is based on the analysis of polarimetric signatures. The observed signatures are compared with the polarimetric signatures of four canonical objects: trihedral, dihedral and helix – right and left which represent basic scattering mechanisms: single bounce, double bounce and helix scattering. The polarimetric matrices are treated as vectors in a unitary space with a scalar product that generates the norm. A recognized object is classified to one of the four coherent classes by a Kohonen network. It is not trained in an iteration process but its weights are adjusted according to the given patterns. The network classification is supported by rules. The obtained maps of pixels that represent canonical objects are compared with a map of coherent scatterers which was obtained by using the polarimetric entropy approach. The developed method of canonical coherent scatterers identification based on the polarimetric signatures analysis allows us not only to identify precisely the canonical coherent scatterers but also to determine the type of scattering mechanism characteristic for each of them. Since the proposed method works on a single-look (non-averaged) SAR data, it does not cause any spatial nor spectral decrease of amount of information because averaging is not conducted. Moreover, the proposed method will enable us the identification of a type of scattering mechanism in the canonical coherent pixels. This is an improvement in comparison to the existing methods. The obtained results should be more precise because the full polarimetric information about the scatterers is used in the identification procedure.     

Modeling multilook polarimetric SAR images with heavy-tailed rayleigh distribution and novel estimation based on matrix log-cumulants

With the improvements in modern radar resolution,the Gaussian-fluctuation model based on the central limit theorem does not accurately describe the scattering echo from targets.In contrast,the heavytailed Rayleigh distribution,based on the generalized central limit theorem,performs well in modeling the synthetic aperture radar(SAR) images,whereas its application to multi-look image processing is difficult.We describe successful modeling of multilook polarimetric SAR images with the heavy-tailed Rayleigh distribution and present novel parameter estimators based on matrix log-cumulants for the heavy-tailed Rayleigh distribution including the equivalent number of looks(ENL).First,a compound variable of heavy-tailed Rayleigh distribution is divided into a product of a positive alpha-stable variable and a complex Gaussian variable.The parameter estimations of the characteristic exponent and scale parameter based on log-cumulants in a single polarization channel are then derived.Second,the matrix log-cumulants(MLCs) for full polarization in multilook images are obtained,which can be applied to estimate model parameters.Therefore,a novel ENL estimator based on MLC is presented that describes the model more precisely.Extended to all other multivariable product models,this estimator performs better than existing methods.Finally,calculations on both simulated and real data are performed that give good fits with theoretical results.Multilook processing in one image with a fixed pixel number can improve parameter estimations over single-look processing.Our heavy-tailed Rayleigh model with its parameter estimation provides a new method to analyze the multilook polarimetric SAR images for target detection and classification.     

高阶条件随机场引导的多分支极化SAR图像分类

目的 针对极化合成孔径雷达（polarimetric synthetic aperture radar,PolSAR）小样本分类问题,基于充分挖掘有限样本的极化、空间特征考虑,提出一种由高阶条件随机场（conditional random field,CRF）引导的多分支分类网络模型。方法 利用Yamaguchi非相干目标分解方法,构建每个像素的极化特征向量。设计了由高阶CRF能量函数引导的多卷积分支特征提取网络,将像素点极化特征向量作为输入,分别提取像素点的像素特征、邻域特征和位置特征信息。将以上特征进行加和融合,并输入到softmax分类器中得到预分类结果。利用超像素方法对预分类结果图进行进一步修正和调优,平滑相邻像素之间的特异性和相似性。结果 采用1%的采样率对两组真实的极化SAR数据进行测试。同时,为了更好地模拟实际应用中训练样本位置分布不均匀的情况,考虑了空间不相交采样方法作为对比实验。综合两种采样策略的实验结果表明,相较于只利用像素级特征或简单利用空间特征的方法,本文方法总分类精度平均提升7%～10%,不同地物类别的分类精准度均在90%以上,运行速度相比于支持向量机（support vector machine,SVM）提高了2.5倍以上。结论 通过构建高阶CRF引导的卷积神经网络,将像素特征信息、同质区域特征和地理位置信息进行融合,有效建立了像素级和对象级数据之间的尺度关联,进一步扩充了像素点之间的空间依赖性,提取到了更强大更准确的表征特征,显著提高了标记样本数量较少情况下的卷积网络模型的分类性能,进一步保证了地物目标散射机制表征的全面性和可靠性。