面向极化目标分解的特征参数研究

为有效的解决极化特征分解中平均阿尔法角参数和熵参数的估计量偏低的问题,引入了加权平均函数、香农强度熵和极化度熵这3个参数,来描述地物散射回波的散射机制和散射随机性.给出了相干矩阵数据特征分解算法的实现流程,对AIRSAR数据集中的样本图像进行了定性的、定量的实验.实验结果表明,在不改变采样数量的前提下,新的参数值得到了提升.将新的参数应用于有监督威沙特距离分类,并通过蒙特卡罗仿真器验证了新的参数能够提高分类精度.     

基于PCDM香农熵的全极化SAR图像船舶目标检测方法

极化合成孔径雷达(PolSAR)数据包含了丰富的地物极化散射信息,已被广泛应用于海上交通监测与目标检测。根据船舶目标与海杂波背景在图像上的极化响应差异,提出了一种基于极化协方差差异矩阵PCDM(Polarimetric Covariance Difference Matrix)香农熵的全极化SAR图像船舶目标检测方法。首先计算极化协方差矩阵中元素与邻域元素的差值,由此得到协方差差异矩阵,以提高"船—海"对比度。然后根据香农熵计算公式提取图像的香农熵特征,并依据目标和背景的不同特性对船舶进行检测。针对检测结果中存在的由方位向模糊导致的虚警,根据目标与方位向模糊的偏移量和能量比关系进行移除。利用Radarsat-2全极化精细扫描数据和高分三号GF-3全极化条带1数据进行实验,并将提出的方法与SPAN方法、HV通道、PWF方法进行对比。结果表明:该方法能有效增强船海对比度,并有效提高检测准确率。     

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.     

基于目标相干散射特性的极化SAR图像分解分类方法

基于对目标极化相干散射特性的分析,我们改进了Cloude和Lee等人提出的极化特征分解及非监督分类算法,以适应高分辨率极化SAR图像中复杂的地物细节特征。实验结果表明,相对传统方法,该方法更能够保留目标的细节特征、准确地估计目标极化相干矩阵,因此能够获得更好的分解分类结果。另外,该方法还具有较好的收敛性和鲁棒性。     

基于精细去取向角的PolSAR图像非监督分类方法

针对基于模型分解的全极化合成孔径雷达非监督分类方法存在的大取向角的建筑物会被错误分类的问题,基于精细去取向角和复Wishart分类器,提出了一种全极化合成孔径雷达图像非监督分类方法,可以提高大取向角建筑物的正确分类率。首先,得到斑点滤波之后的相干矩阵数据,对目标相干矩阵进行精细去取向角;其次,基于去取向角之后的相干矩阵,实施Freeman和Durden提出的三分量模型分解,并作为初分类的结果;最后,基于模型分解结果,采用复Wishart分类器进行图像中目标分类,把目标分成15类。实验结果验证了该方法可以提高大取向角建筑物的正确分类率。     

面向双站SAR系统的长波PolInSAR目标自适应分解北大核心CSCD

双站SAR系统无时间去相干的特性,结合长波的强穿透能力,在估计植被结构参数上应用前景极大,借助极化干涉SAR分解技术研究双站SAR系统下的植被区散射过程,对揭示信号与地物的交互过程,构建植被结构参数反演模型具有重要意义。考虑模型适用性和双站SAR系统存在的不可忽略的去相干,将极化干涉矩阵表达为极化方位角扩展的广义表面散射矩阵、广义二次散射矩阵和Neumann自适应体散射矩阵与其对应相干成分乘积的和的形式,基于残差最小二乘准则,使用非线性最小二乘优化技术同时求解所有模型参数。使用BioSAR 2008项目的 L波段全极化机载数据对方法进行测试,获取了实验区不同散射机制的相干成分、相位分布和能量信息,结合机载激光雷达数据进行了分析。结果表明:分解方法对植被区不同散射机制区分良好,有效抑制了体散射功率高估;植被区表面散射在垂直向上的分布与植被高度和穿透程度存在联系,体散射相位中心高度与机载激光雷达植被高接近且趋势一致;有效估计了散射机制的相干性。     

一种面向建筑物提取的极化雷达影像分解方法

针对基于物理散射模型分解的建筑物与植被混淆的问题,发展了一种面向建筑物提取的全极化SAR影像多分量分解方法,用于区分散射类型易混淆的方位建筑物(走向与雷达方位向不平行的建筑物)与植被。该方法根据植被与建筑物的不同散射机制,预先剔除了植被像元,修正了体散射模型,改进了常规的全极化SAR多分量分解方法。通过H/α/A分解和非反射对称比筛选出植被像元,抑制植被区域对多分量分解效果的影响;引入修正的体散射模型,改进多分量分解模型;对植被区域进行Yamaguchi四分量分解,其他区域进行改进的多分量分解。利用E-SAR和AIRSAR全极化数据进行实验。结果表明,与传统的多分量分解方法相比该方法能够有效去除建筑物中的自然地物虚警从而提高检测精度。     

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。     

基于特征向量分解与散射机制判别指数的全极化SAR图像地物提取与分类

基于特征向量分解和基于散射模型的极化目标分解是全极化SAR非相干分解中的典型算法。本文对比研究了两种算法的特点及分解结果在地物识别分类方面的优势,在基于特征向量分解得到的H-Alpha特征平面的基础之上,引入散射机制判别指数来刻画地物的类别差异,从而能约束H-Alpha平面分割的界限以提高分类的精度,而且利用散射机制占优性强弱可辅助分类结果的解译。实验选取了鄱阳湖地区一景Radarsat-2标准全极化数据,实验结果对比表明一种散射机制占主导的地物,分类精度得到改善,特别是水域、形成二面角的目标区和成片分布的植被区域可以显著地提取出来。     

利用香农熵的双极化合成孔径雷达船只检测

针对传统恒虚警率(CFAR)船只目标检测方法存在虚警率设置困难、算法自动性差的问题,该文结合香农熵特征对于船只目标和海面表现出不同特性的原理,即船只目标的香农熵为正值,海面的香农熵为负值,提出了一种基于香农熵的船只目标检测方法。文中利用8景C波段Radarsat-2双极化SAR数据进行检验,与KCFAR、G0-CFAR及基于反射对称性的XC船只目标检测算法进行对比分析,结果表明本文提出的方法具有较好的检测性能。     

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。     

双极化SAR目标分解方法研究及应用

在对常规雷达数据特征与地物分类研究的基础上,重点研究双极化SAR图像的目标分解方法,并基于神经网络将分解后得到的极化信息与常规雷达数据有机结合应用于植被的分类研究.结果表明,多种极化信息能够获取更多的地物信息,极大地提高了植被识别和分类能力.     

子视光谱相关属性的相干目标点探测方法

鉴于目前的PS点识别方法都基于大数据集情况,适用于小数据集的PS点识别方法鲜有研究,相干点目标与分布式散射体相比,可视为由一个或者多个主散射体构成的反射体,对应的单视复数影像的相位值在频谱域显现一种显著的光谱特征,依据相干目标点具有强光谱相关性的特点,提出了基于子视光谱属性的相干目标点探测方法,通过案例验证该方法识别的相干目标点不仅具有强振幅值和干涉相干值,而且在时间序列中保持稳定的相位值。通过分析相关窗口大小与子视相干值的关系,发现子视相干值和窗口大小成反比,窗口越大,相干值越小;相干窗口的大小变化对人工建筑物的影响较小,对植被覆盖区域的影响较为明显。该方法不对数据量要求,即使单景SAR影像也能识别出相干目标点,为小数据集的时间序列分析提供了新的相干目标点识别方法。     

典型地物的毫米波双极化辐射特性测量技术研究

针对典型地物目标的毫米波双极化辐射特性数据库不完善的问题,对天空、水面和植被土地3种典型地物目标进行8mm波段双极化辐射特性研究,并对比水平和垂直方向的辐射温度,分析它们的极化现象;根据毫米波辐射测量的基本原理,设计了8mm波段双极化辐射计和定标源;以典型地物背景的毫米波辐射特性为基础,利用8mm双通道辐射计对3种地物背景的辐射特性数据进行采集,并进行处理与分析;实验探究了不同地物背景的极化效应,丰富了辐射特性数据库,为典型地物目标成像和目标识别提供了有效的数据支持。     

航空影像辅助下的城区机载LiDAR汽车目标检测方法

机载激光雷达(LiDAR)技术的出现为地面汽车目标检测提供了新的途径。为了从机载LiDAR点云数据中提取汽车对象,根据不同地物的属性特征,提出了一种航空影像辅助下的城区机载LiDAR汽车目标检测方法。首先利用形态学开重建滤波完成地面和地物的分类,然后在地物点的基础上结合正射影像,通过归一化植被指数(NDVI)特征完成对植被和非植被地物的初步分类,最后在非植被地物的基础上,根据地物对象的形状特征及高程信息完成汽车和建筑物及阴影植被等非汽车对象的分类,从而完成汽车目标的提取工作。3个实验区的计算结果表明:该方法能有效从LiDAR点云中提取汽车目标,正确度和完整度的均值分别为95%和85%,满足实用性要求。     

非负矩阵分解融合高光谱和多光谱数据

由于光谱分辨率和空间分辨率的制约以及物理条件的限制,高光谱数据具有很高的光谱分辨率而其空间分辨率却很低。因此,一般高光谱数据的空间分辨率往往低于仅有几个波段的多光谱数据的空间分辨率。高光谱数据和多光谱数据的融合可以得到同时具有高空间分辨率和高光谱分辨率的数据,进而应用于更高空间分辨率下地物的识别和分类。非负矩阵分解(Nonnegative Matrix Factorization)算法用于实现低空间分辨率高光谱数据和高空间分辨率多光谱数据的融合。首先利用顶点成分分析法VCA(Vertex Component Analysis)分解高光谱数据,得到初始的端元波谱矩阵和端元丰度矩阵;然后用非负矩阵分解算法交替地对高光谱数据和多光谱数据进行分解,得到高光谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。在每一步非负矩阵分解过程中,数据之间的传感器观测模型用于分解矩阵的初始化。AVIRIS和HJ-1A数据实验结果分析表明:非负矩阵分解算法有效提高了高光谱数据的所有波长范围内波段数据的空间分辨率,而高精度的融合结果可用于地物的目标识别和分类。     

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。     

基于雷达后向散射特性进行湿地植被识别与分类的方法研究

选择东北地区典型内陆沼泽湿地——三江平原洪河自然保护区作为研究区,结合SAR的极化特性,分析了多时相ENVISAT ASAR不同极化下洪河湿地保护区不同地物植被类型的散射特性,利用长波L波段PAL-SAR数据对植被的可穿透性及水分的敏感性,结合与光学影像TM融合后进行神经元网络分类的方法,应用决策树方法进行了多波段、多时相SAR合成湿地植被识别试验。本文将两种方法相结合,分两步完整识别出沼泽、灌丛、岛状林、草甸、开阔水体及少量农田。     

多光谱数据波段选择方法试验研究——以湖北神农架林区为例

本文以神农架林区植被信息提取为例,从统计特征的角度出发,采用最佳指数因子、联合熵与类间、类内可分性判别准则三种波段选择方法。在对三种波段选择方法计算结果综合分析的基础上,结合试验区地物光谱特征和TM传感器不同波段功能,采用逐步逼近的思路,从候选波段组合中确定了最佳波段组合。试验得出TM传感器453波段组合为神农架林区植被信息提取的最佳波段组合。     

基于RadarSat-2全极化数据的水稻识别

极化信息是雷达数据的独特优势,为雷达遥感应用研究开辟了新的途径。极化分解是一种新型的极化数据处理方法,它从数学物理的角度分析目标的散射机制。基于RadarSat\|2全极化数据,以贵州高原丘陵为试验区,研究水稻的极化响应特征及其时域变化规律,根据极化分解理论分析水稻及典型地物的散射机制及其差异,并根据水稻散射机制的特点提取水稻信息。