基于Krogager分解和SVM的极化SAR图像分类

目标分解包括基于Sinclair矩阵的相干目标分解和基于Mueller矩阵的部分相干目标分解,Krogager分解即属于相干目标分解,它可以将任一对称Sinclair矩阵分解为球散射体、二面角散射体和螺旋体3个分量,这是极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像特征提取的有效途径。把3个分量的分解系数作为极化散射特征,由其组成样本向量,运用基于统计学习理论的支持向量机(Support Vector Machines,SVM)设计多类分类器,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Krogager分解和SVM分类器结合起来,对极化SAR图像进行分类是可行和有效的,并且选择不同的参数得到的分类结果差别很大,验证了参数选择在SVM分类器中的重要作用。     

基于商空间粒度的极化SAR图像分类

当前极化合成孔径雷达(SAR)图像的分类研究中,极化信息的不完全利用是影响极化SAR图像分类效果的重要原因之一。故将商空间粒度合成理论引入到极化SAR图像分类中,通过建立不同的支持向量机(SVM)分类器构建不同的商空间,从多个粒度层面实现对极化信息的综合利用。首先通过不同的极化分解方法得到不同的极化特征,分别对其建立不同的支持向量机分类器进行分类;再根据粒度合成理论对这些商空间进行融合,得到更细粒度上的改进的分类结果。最后,利用AIRSAR图像进行实验比较,算法改进后的结果在地物误分上有明显的抑制,各类别分类正确率都有所提高。     

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。     

基于目标分解与支持向量机的极化SAR图像分类研究

为了有效地对极化SAR图像进行分类,基于目标分解和支持向量机,提出了一种极化SAR图像非监督分类法。该方法首先利用目标分解理论获得极化熵和平均散射角,并在熵-平均散射角平面对图像进行初分类,以确定类中心;然后利用Wishart分布定义的距离函数寻找训练样本,同时选择一定的极化参数组成特征矢量,并利用训练样本和特征矢量训练支持向量机;最后用训练好的分类器对极化SAR图像进行分类。通过对ESAR图像进行分类,比较了多种参数组合的分类结果,并与Wishart方法进行了比较,结果表明,该方法特征选择非常灵活,不仅结果类内离散度更小,且不需要太多的迭代次数。     

基于NSCT和支持向量机的SAR图像识别

针对传统的合成孔径雷达图像（SAR）识别算法识别精度低,用时长等问题,提出一种基于非下采样轮廓波变换（NSCT）和支持向量机（SVM）的SAR图像识别算法。首先通过非下采样轮廓波变换将目标图像分解成不同的尺度,然后得到目标图像的低频分量和高频分量;接着在高频分量中提取方向梯度直方图特征（HOG）,在低频分量中利用局部二值化算法（Local Binary Pattern,LBP）提取纹理特征;然后将提取的梯度方向直方图特征和局部二值化特征空间连结,并使用支持向量机（SVM）作为分类器;最后对算法进行了测试。实验结果表明,该方法不仅能够有效地提高了SAR图像目标分类的精度,在MSTAR数据库上的准确率达到90.7%,而且对相干斑的影响具有较高的鲁棒性。     

基于多层支持向量机的极化合成孔径雷达特征分析与分类

为了充分利用极化合成孔径雷达（SAR）图像不同极化特征对不同地物目标类型的刻画能力,提出一种基于多层支持向量机（SVM）的极化SAR特征分析与分类方法。该方法首先通过特征分析确定适合不同地物类型的最佳特征子集;然后采用分层分类树的方式,根据每一种地物类型的特征子集逐层进行SVM分类;最终得到整体分类结果。RadarSAT-2极化SAR图像分类实验结果表明所提方法水域、耕地、林地、城区4类地物分类精度为85%左右,总体分类精度达到86%。该算法充分利用了不同地物目标类型的特性,提高了分类精度,也降低了算法时间复杂度。     

基于C均值和SVM的SAR图像目标分类研究

针对SAR图像具有斑点噪声强和目标特征差异小的特点,通过研究地物特征,提出一种基于C均值和支持向量机(Support Vector Machine)的SAR图像目标分类算法.该算法的前端在特征空间运用C均值聚类算法,有效抑制斑点噪声;后端在图像空间运用支持向量机分类器,提高分类精度.实验结果表明该分类算法能够减少SVM的特征维数,具有较好的分类性能.     

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。     

支持向量机在SAR图像解译中的研究进展

支持向量机(SVM)是统计学习理论的最新方法,在模式分类和回归分析中有广泛的应用。针对SAR图像解译,SVM在图像滤波、图像分割、目标识别与分类、极化数据分类等过程中有很好的处理能力。本文首先介绍了SVM的基本原理,然后综述SVM在SAR图像解译中的各方面研究进展。     

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。     

基于对象的合成孔径雷达影像极化分解方法

面向对象方法已成为全极化合成孔径雷达（SAR）影像处理的常用方法,但是极化分解仍以组成对象的像素为计算单元,针对以像素为单位的极化分解效率低的问题,提出一种面向对象的极化分解方法。通过散射相似性系数加权迭代,获得对象的极化表征矩阵并对其收敛性进行了分析,以对象极化表征矩阵的极化分解代替对象区域内所有像素的分解,提高极化特征获取效率。在此基础上,综合影像对象空间特征,并通过特征选择与支持向量机(SVM)分类进行分析和评价。通过AIRSAR Flevoland影像数据实验表明,面向对象的分解方法能够减少对象极化特征提取的时间,同时提高地物目标的分类精度。相对于监督Wishart方法,提出方法的总体精度和Kappa值分别提高了17%和20%。     

一种极化SAR目标Cameron分解的改进方法

Cameron分解是一种非常重要的极化SAR目标相干分解方法,在舰船及小型飞机检测等方面有着广泛的应用.但由于Cameron分解方法未考虑目标可能具有的非相干特性,对包含非相干目标的场景应用会导致不准确的分解结果,不利于进行后续的目标检测处理.为了解决问题,通过引入Touzi提出的目标相干性判定准则,在Cameron分解过程中对目标进行相干分类预处理,能够较好地将场景中包含的非相干目标分离出来,从而提高了Cameron分解结果的准确性,达到了改进Cameron分解的目的.使用实测L波段极化SAR数据进行实验,实验结果验证了改进方法的有效性.     

基于极化合成的目标分类算法

极化合成是极化SAR图像处理的一种重要方法,它能在成像处理后,利用已获得的Sinclair矩阵重新生成任意极化方式下的雷达接收功率图像,并能通过选取收发天线极化状态相同或正交,分别得到描述目标散射特性的共极化特征图和交叉极化特征图。根据极化合成理论和极化特征图的概念,可以获取目标的最佳极化。将其作为分类器的输入特征量,提出了一种基于极化合成的目标分类算法,并对实测极化SAR数据进行了分类实验。结果表明,该算法对于从极化SAR数据中获取目标的最佳极化,进而对目标进行分类是可行和有效的。     

Improving SAR data processing with polarimetric reference functions in the range Doppler algorithm

Synthetic aperture radar (SAR) is a form of radar that can be used to create images of objects and landscapes. The main important application of the polarimetric SAR can be found in surface and target decomposition process of its image processing. In this article, we propose a method of polarimetric SAR data processing using two new polarimetric reference functions of canonical targets with the intention to apply in coherent decompositions. Our experiment uses polarimetric backscatter characteristics of the dihedral and trihedral reflectors as the targets under a ground-based SAR geometry to create the polarimetric reference functions for azimuth compression in the SAR data processing. We process the data using Pauli decomposition to investigate the effect of our functions on the RGB (red, green, and blue) properties of the processed images. The results show that Pauli decomposition using our functions produces images with different distribution and intensity of RGB colours in the image pixels with some signs of improvement over the traditional range Doppler algorithm. This demonstrates that our polarimetric reference function can be used in the decomposition steps of the traditional SAR data processing and can potentially be used to reveal some useful quantitative physical information of target points of interest and improve image and surface classification.     

Analysis of different polarimetric target decomposition methods in forest density classification using C band SAR data

The ability of synthetic aperture radar (SAR) C-band microwave energy to penetrate within forest vegetation makes it possible to extract information on crown components, which in turn gives a better approximation of relative canopy density than optical data-derived canopy density. Many studies have been reported to estimate forest biomass from SAR data, but the scope of C-band SAR in characterizing forest canopy density has not been adequately understood with polarimetric techniques. Polarimetric classification is one of the most significant applications of polarimetric SAR in remote sensing. The objective of the present study was to evaluate the feasibility of different polarimetric SAR data decomposition methods in forest canopy density classification using C-band SAR data. Landsat (Land Satellite) 5 TM (Thematic Mapper) data of the same area has been used as optical data to compare the classification result. RADARSAT (Radar Satellite)-2 image with fine quad-pol obtained on 27 October 2011 over tropical dry forests of Madhav National Park, India, was used for the analysis of full polarimetric data. Six decomposition methods were selected based on incoherent decomposition for generating input images for classification, i.e. Huynen, Freeman and Durden, Yamaguchi, Cloude, Van zyl, and H/A/α. The performance of each decomposition output in relation to each land cover unit present in the study area was assessed using a support vector machine (SVM) classifier. Results show that Yamaguchi 4-component decomposition (overall accuracy 87.66% and kappa coefficient (κ) 0.86) gives better classification results, followed by Van Zyl decomposition (overall accuracy 87.20% and κ 0.85) and Freeman and Durden (overall accuracy 86.79% and κ 0.85) in forest canopy density classification. Both model-based decompositions (Freeman and Durden and Yamaguchi4) registered good classification accuracy. In eigenvector or eigenvalue decompositions, Van zyl registered the second highest accuracy among different decompositions. The experimental results obtained with polarimetric C-band SAR data over a tropical dry deciduous forest area imply that SAR data have significant potential for estimating canopy density in operational forestry. A better forest density classification result can be achieved within the forest mask (without other land cover classes). The limitations associated with optical data such as non-availability of cloud-free data and misclassification because of gregarious occurrence of bushy vegetation such as Lantana can be overcome by using C-band SAR data.     

A unified three-component scattering model for polarimetric coherent target decomposition

In this article, first, the properties of the symmetric scattering space are examined based on the representation of the maximum symmetric scattering component proposed by Touzi. The symmetric scattering unit disc in the complex plane is mapped to a more intuitive unit sphere representation, and a new simpler classification method for symmetric scatterers is proposed based on a simplified symmetric scatterer scattering matrix metric distance. Then, a unified three-component scattering model for polarimetric coherent target decomposition (CTD) is proposed. Pauli decomposition, sphere, dihedral, helix (SDH) decomposition and Cameron decomposition can be expressed as a simplified form of the unified model with some certain restrictions, respectively. In addition, SDH decomposition and Cameron decomposition are proved to be equivalent by verification of restrictions’ consistency. Finally, by the combination of SDH decomposition and symmetric scatterer classification, a scattering matrix classification scheme is proposed to classify the scatterers into 12 scattering types.