面向目视解译的全极化SAR船只精细化特征表征方法

随着卫星技术的发展,极化合成孔径雷达(PolSAR)数据的分辨率和数据质量得到大幅提升,为人造目标的精细化目视解译提供了良好的数据条件。目前主要采用多分量分解的方法,但是易造成像素错分问题,为此,该文结合Yamaguchi极化分解和极化熵提出了一种非固定阈值划分的方法用于实现全极化SAR图像船只结构精细化特征表征。Yamaguchi极化分解能够识别基本散射机制,其修正后的体散射模型更符合实测数据,可有效对人造目标进行表征。极化熵H在弱去极化状态下可以看成某一指定等效点的目标散射机制,能够有效突出船只主散射特征。因此,该文通过将Yamaguchi极化分解算法的非固定三分量与极化熵的低中高熵内嵌,将其分为非固定阈值的九分类成分,从而降低硬阈值处理在阈值边界处受噪声影响产生的类别随机性。并且将二次散射和单次散射均显著的区域称为混合散射(MSM),以更好匹配实验中船只典型结构的散射类型。在此基础上,利用广义相似性参数进一步缩短类内距离,采用改进后的GSP-Wishart分类器进行迭代聚类,旨在通过提高二次散射和混合散射机制以提高不同类型船只可区分度。最后,该文采用中国上海某港口的高分三号全极化...     

基于极化联合特征的海面目标检测方法

该文从全极化体制角度出发,提出一种基于极化联合特征的海面目标检测方法。首先基于极化协方差矩阵,通过Cloude特征分解,提取表征回波随机程度的极化熵和反熵的数学期望;接着直接基于极化散射矩阵,通过Krogager特征分解,提取表征回波中极化散射分量结构组成的球散射体分量、二面角散射体分量和螺旋体散射分量的归一化系数;由提取的特征构成五维特征空间,利用主成分分析(PCA)降维证明所提特征具有良好的可分性,最后采用一类支持向量机(OCSVM)对目标和杂波进行识别。所提方法分别从极化相干和非相干分解两个角度出发,通过两种不同的极化分解方式提取特征,在一定程度上解决了高海情下基于单一极化分解方法存在的检测效果不理想的问题。通过IPIX实测数据验证所提方法具有良好的检测能力。      

基于简缩极化数据的三分量分解模型

基于部分极化波的二分理论,提出了一种针对简缩极化数据的三分量分解模型。该模型将简缩极化数据的Jones相干矩阵分解成表面散射、偶次散射和体散射三种散射机制Jones相干矩阵之和,进一步得到这三种散射机制各自的散射功率。选取德国根多夫市普拉特灵(Plattling)地区的TerraSAR-X全极化数据生成简缩极化数据,用提出的三分量分解模型对得到的简缩极化数据进行分解,并将分解结果与全极化数据的Pauli分解结果进行对比。实验结果表明:提出的简缩极化数据三分量分解模型能够很好地描述表面散射和体散射的散射行为。但是,相比全极化数据的分解结果,提出的模型高估了体散射分量,导致偶次散射分量偏小,这个问题需要进一步的研究来解决。     

一种基于目标散射鉴别的POLSAR图像地物无监督分类新方法

提出了一种基于目标散射鉴别的POLSAR图像地物无监督分类新方法.该方法首先利用极化散射熵将POLSAR图像地物粗分为高散射随机性、中散射随机性和低散射随机性三种情形;然后提取球面散射、偶次散射和体散射相似性参数将上述三种情形细分为十种;在上述散射分类的基础上,采用新定义的两类目标极化差异度量对地物进行类别迭代调整.由...     

基于极化SAR数据的图像分类识别算法

利用公开的全极化SAR数据,研究基于SAR图像的检测、极化分解和识别算法。首先根据四个线极化通道合成伪彩色图像,从而对场景进行初步认知。利用一维距离像分析全极化各通道的信噪比强度,通过对目标进行Pauli分解得到目标的奇次散射分量和偶次散射分量,从而完成对海杂波、建筑物和舰船的相干分量的研究。     

基于目标分解和加权SVM分类的极化SAR图像舰船检测

目标分解是极化SAR图像舰船检测的重要方法,但是,在较高分辨率和复杂海况条件下,由相干矩阵分解得到的极化熵参数并不能将舰船目标与海洋等背景完全区分。对极化目标分解理论和地物散射机理的研究和分析表明,极化分解的各个参数从不同角度反映了目标和背景的散射差异,对它们联合使用有助于更准确地在SAR图像中检测目标。而且,各个参数在实际的检测问题中具有不同的重要性。因此,本文构造了包含有多个极化分解参数的特征向量,并根据各分解参数重要性不同,提出一种基于目标分解和加权SVM (support vector machine)分类方法对极化SAR图像中的舰船进行检测。实验结果表明,该方法能够精确地检测舰船目标,并有效地减少虚警。      

多特征分类的PolSAR图像飞机目标检测方法

针对目前有关极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)的飞机目标检测算法虚警较多、自适应性较差的问题,给出一种复杂大场景中PolSAR图像多特征分类的飞机目标检测方法。该方法分为线下分类器训练和飞机目标检测两部分。使用Filter特征选择结合穷举法筛选出分类性能高的飞机极化特征训练SVM (Support Vector Machine, SVM)分类器;利用异化散射功率提取疑似飞机目标,进一步提取多个极化特征送入SVM分类获得检测结果。利用UAVSAR系统采集的多幅实测数据进行实验,并与现有的PolSAR图像飞机目标检测算法进行对比,结果表明该方法能够有效检测出飞机目标,并且虚警和漏警较少,方法自适应性有所提高。      

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。     

利用多尺度特征的极化SAR深度学习分类

针对极化合成孔径雷达(POLSAR)图像提取到的特征信息量低和噪声干扰等问题，提出了一种对不同特征信息进行多尺度融合的方法，并利用融合后的特征，通过深度学习网络算法进行目标地物分类。首先利用小波变换技术对Freeman、Yamaguchi等极化分解得到的特征分量在不同尺度上进行融合，再利用主成分分析(PCA)降维算法处理融合后的数据，最后输入到DeepLabV3网络结构中训练。利用该方法对白湖农场地区高分三号全极化SAR数据进行验证，对比融合前后的分类结果，提出的算法在分类精度上有明显的提升，证明了该方法的有效性。     

基于半正定约束的极化相似度最优模型匹配目标分解

目标分解是实现极化合成孔径雷达目标分类、检测与识别应用的重要手段。传统方法由于优先对体散射分量进行提取,其体散射能量的高估或二面角散射能量的低估现象较为严重。该文通过引入极化相似度量,基于数据驱动自适应地对基本散射机制的最优匹配模型进行选择。在此基础上,根据极化相似度量确定基本散射机制散射能量提取的优先顺序,并以各阶次剩余矩阵能量非负为约束,最终确定面散射、二面角散射、体散射这3种基本散射机制的能量贡献值。实测数据处理结果及其与光学图像的对比结果表明,该文方法获取的极化目标分解结果优于传统方法,能够准确地提取目标区域的基本散射特征。     

基于一般散射模型的Hybrid Freeman/Eigenvalue分解算法

提出了一种新的基于一般散射模型的hybrid Freeman/eigenvalue分解算法,用于分析极化合成孔径雷达(PolSAR)数据.文中,单位矩阵作为体散射模型,相干矩阵的两个较大特征值对应的特征向量作为表面散射模型和二次散射模型,并且不需要反射对称条件.新算法有三个优点:第一,表面散射和二次散射不需要反射对称条件,更符合一般散射体的建模;第二,因为散射能量是相干矩阵特征值的线性组合,所以散射能量具有旋转不变性;第三,表面散射能量和二次散射能量避免了负值现象.在San Francisco地区的AIRSAR数据上进行了实验,证明了新算法的有效性.     

（英）集成颜色特征和统计特征的极化SAR图像城区分类框架

在传统的利用极化合成孔径雷达(PolSAR)遥感图像分类中,除了近期一个有监督分类的工作,很少涉及颜色特征。与该工作不同,在本文中,针对城区分类,利用颜色特征构造一个新颖的无监督的分类框架。首先,基于最近提出的PolSAR数据的四分量分解模型,计算了常用的颜色空间：YUV,RGB,HSI和CIELab,通过引入颜色熵量化的选择颜色特征,然后,联合纹理特征和扩展的散射功率熵,用自适应的均值漂移算法分割PolSAR图像,最后,根据基于G0分布的距离测度合并聚簇为较为匀质的地物类别。通过L波段AIRSAR数据和C波段Radarsat-2的PolSAR数据验证了提出算法的有效性,分类正确率表明,相比于已有的工作,提出的算法对于城区有较好的区分能力。     

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。      

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。      

基于同质像素预选择的极化SAR图像非局部均值滤波

该文针对在极化合成孔径雷达(PolSAR)图像相干斑抑制过程中结构特征和极化散射特性保持的难题,提出一种基于同质像素预选择的非局部均值滤波算法(NLM-HPP)。该算法结合像素统计特性和极化散射机制选择滤波同质像素,并引入结构损失函数提高非局部均值(NLM)算法中像素间相似性度量的准确性,最后用改进的相似性度量对同质像素的协方差矩阵进行加权平均,实现对PolSAR图像的相干斑抑制。对真实PolSAR数据进行的实验结果表明,与现有的Refined Lee滤波、基于散射模型的滤波方法和两种非局部均值滤波相比,此方法在有效滤除相干斑点的同时能更好地保持PolSAR图像的结构信息和极化信息。     

特征选择与深度学习相结合的极化SAR图像分类

给出了一种特征选择与深度学习相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像有监督分类算法。该算法首先根据极化SAR图像数据以及目标分解获取原始特征参数集,然后利用随机森林(Random Forest, RF)方法对特征参数集进行重要性评估,并根据特征重要性排名选择最优极化特征。以最优极,化特征为输入,通过卷积神经网络(convolutional neural network, CNN)学习多层特征信息,再利用训练好的网络模型对极化SAR图像进行分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并同已有经典有监督分类算法进行比较,结果表明本文算法能够选取有效的极化特征,最终得到较为准确的分类效果。      

基于极化定标的极化隔离度空变分析

极化定标是多极化合成孔径雷达(PolSAR)系统获取真实目标极化散射矩阵的必要步骤。文中针对极化定标过程中存在的极化隔离度距离向空变特性,采用基于无源角反射器的极化定标算法作为仿真工具,对PolSAR系统极化隔离度绝对值及其空变范围对图像中极化隔离度的影响规律进行了分析。分析结果表明:当用于极化修正的极化误差矩阵与PolSAR系统自身极化隔离度不匹配时,极化修正将会使得修正后的图像极化隔离度变差。因此,在进行极化定标时,应当尽可能在定标场沿距离向布设一定间距的多组定标器,从而获取PolSAR系统在整个距离向成像带宽内的极化隔离度拟合曲线,在进行极化修正时对图像中距离向不同的像素点采用曲线中对应位置的极化误差矩阵进行修正,进而得到尽可能接近目标真实极化散射矩阵的估计值。