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。     

一种自适应选择酉变换的PolSAR三分量分解方法

基于模型的目标分解方法是全极化合成孔径雷达图像解译的重要方法,可以得到目标的散射机制信息,是进行目标分类、目标识别的基础。三分量分解方法是一种基于模型的目标分解方法,具有实施简单、物理意义明确的优点。基于崔一等提出完全利用极化信息的模型分解方法,文章对剩余矩阵进行自适应选择的酉变换,达到剩余矩阵更加匹配面散射模型和二面角散射模型的目的。首先,对自相关矩阵进行非负特征分解得到体散射分量,得到剩余矩阵;然后,对剩余矩阵进行自适应酉变换,以使交叉极化散射分量最小,更加匹配面散射和二面角散射模型;最后,通过实验验证所提出的三分量模型分解方法在极化散射机制解译方面的有效性和优越性。     

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%。     

极化SAR图像Pauli-Wishart非监督分类算法

针对全极化SAR影像经典非监督分类方法中H/α初始划分适应性有限及武断僵硬的问题,结合极化总功率提出一种结合Pauli分解与Wishart距离的极化SAR影像非监督分类方法。利用极化总功率Span对数据进行基于散射强度的初始划分;结合初分类结果与Pauli分解得到的HH,HV,VV 3个波段进行迭代分类;基于Wishart距离进行聚类得到分类结果。实验采用NASA-JPL实验室的2组L波段全极化SAR数据验证了基于Pauli基迭代改进分类方法的有效性,分类结果与传统的H/α-Wishart分类方法对比,分类精度和合理性都有提高。     

基于协同训练与集成学习的极化SAR图像半监督分类

针对全极化SAR图像在监督分类中存在的人工标注样本费时费力以及多种极化特征未能综合利用等问题,提出一种基于协同训练与集成学习的极化SAR图像半监督分类方法。该方法以支持向量机作为半监督学习的基分类器,通过协同学习机制将多种极化目标分解下的特征有效结合,实现同时利用无标注和有标注样本,最后通过集成学习进一步提高分类模型的泛化能力。在AIRSAR和EMISAR影像上的实验表明,该方法能充分利用不同特征的特点,在较少人工标注的样本下也能获得较高的分类精度。     

基于特征值分解的全极化SAR遥感数据分类研究

应用极化目标特征值分解理论,研究了全极化合成孔径雷达图像的精细分类问题,在H-α-Wishart分类基础上引入平均散射功率,并根据不同地物的散射功率强度信息,给出了一种简单的阈值分割方法,最后利用鄱阳湖地区的Radarsat-2全极化数据进行了实验和分析,结果发现引入平均散射功率信息后的分类类别更多、精度更好。     

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。     

基于香农熵的极化SAR相干矩阵信息量评价

极化SAR(Synthetic Aperture Radar)非相干分解是获取地物目标特性的重要手段。针对目前非相干分解所使用的极化相干矩阵包含的信息量尚未定量估计的问题,引入信息论中的香农熵(Shannon Entropy),系统分析了不同地物包括海洋、植被和建筑物在不同时段和波段下极化相干矩阵信息量随窗口大小的变化规律。研究发现,不同地物类型的极化相干矩阵包含的信息量差异较大。其中建筑物平均相干矩阵的信息量较低,且随窗口增加信息量呈现近线性增加,而海洋、植被的极化相干矩阵信息量偏高,且随窗口增加信息量先快速增加后趋于稳定。同种地物在不同波段及时段下,平均相干矩阵的信息量随窗口大小的变化规律相近。研究表明:基于香农熵的相干矩阵信息量评价方法,可以简单有效地定量评估相干矩阵包含的信息量,同时也可为计算极化相干矩阵滑动窗口的选择提供重要理论依据和指标参考,有助于后续进行极化目标分解和对目标散射机制的理解。     

基于子矩阵对数累积量的极化合成孔径雷达图像等效视图数估计新方法

等效视图数是极化合成孔径雷达图像信息处理过程中的关键参数之一.首先提出了基于子矩阵对数累积量的极化合成孔径雷达图像等效视图数估计的最大似然估计方法及其子矩阵联合最大似然估计方法.所提估计方法是基于表征多视极化雷达图像数据的协方差矩阵及其子矩阵的对数累积量建立,打破了原有方法只能应用于图像数据符合高斯相干斑模型而不能应用于图像数据符合多变量乘积相干斑模型的限制,拓展了等效视图数估计方法的适用范围.然后给出了不同阶子矩阵对数累积量估计方法对估计精度的影响,并与已有方法和Cramér-Rao限进行了对比,给出了最佳的最大似然估计方案,同时针对估计方法对样本数目的依赖,给出了对数累积量估计的修正算法.最后对提出的估计方法进行了理论仿真和实测数据验证,结果表明了等效视图数估计新方法的正确性和有效性,特别适用于相干斑的乘积数据模型,提高了极化合成孔径雷达图像模型参数估计的快速性和准确性.     

全极化合成孔径雷达影像地形纠正及其在雪冰制图中的应用

针对合成孔径雷达（SAR）影像由于地形起伏引起的图像畸变问题,文章提出了基于相干矩阵的全极化SAR影像地形纠正算法,并运用于雪冰制图。该方法首先采用距离多普勒模型建立SAR成像几何模型;然后利用全极化Cloude特征分解方法对全极化SAR图像进行融合,将融合后的SAR图像与模拟图像进行配准提高SAR影像几何定位精度;最后利用投影面积归一化和极化方位角移动补偿技术对地形引起的辐射畸变进行纠正。采用中国长江源区南部唐古拉山中段冬克玛底冰川区域的C波段Radarsat-2全极化SAR数据进行验证,配准模拟SAR和原始SAR影像的控制点方位向和距离向的均方根误差（RMSE）分别为7.765和14.586个像素;经过地形纠正后的地物分类精度达80%以上。结果表明：（1）该方法能够有效消除SAR影像中几何和辐射畸变的影响;（2）地形纠正后的SAR数据在雪冰制图中具有可行性。     

结合编码-解码网络和条件随机场的全极化合成孔径雷达土地覆盖分类

针对多极化合成孔径雷达影像地物分类特征表征性较弱及全卷积网络分类精度较低的问题,文中提出结合编码-解码网络(E-D-Net)和条件随机场(CRF)的全极化合成孔径雷达(SAR)土地覆盖分类算法.首先,利用Freeman分解和Pauli分解建模全极化SAR影像,提取各分解对应的散射特征.再借鉴语义分割网络模型的建模思想和多尺度卷积单元构建对称网络模型,将多尺度非对称卷积单元嵌入中层,设计E-D-Net网络模型.通过E-D-Net网络模型对PolSAR影像Freeman分解散射特征进行多层自主学习,获得初始分类结果.最后,利用全连接CRF结合Pauli相干分解伪彩色图信息,对初始分类结果再进行降噪和平滑优化,得到最终分类结果.在两地区PolSAR影像上的实验验证文中算法的有效性和可行性.     

一种新的基于Wishart MRF的全极化SAR图像分类方法

无监督的Wishart分类算法在多次迭代后,容易出现错分现象,即多个类别属于同一类散射机制,或者多种散射都拥有相同的类别标签。针对此问题,提出了一种新的基于Wishart MRF的无监督全极化SAR图像分类方法。新方法改进了散射机制保持的方式,即并不是完全限制像素点的散射机制,而是根据像素点的散射机制在迭代过程中给定一个有限的范围。同时,使用一种自适应区域的MRF方法来提取像素点的先验信息。该方法不仅考虑了全极化SAR数据的散射性质,而且结合了统计特性和邻域信息,并在一定程度上保持了散射性质。实验结果证明,与传统的Wishart和基于散射机制保持的Wishart算法相比,该方法在JPL/NASA的AIRSAR数据上取得了更好的分类结果。     

一种联合多特征的极化SAR海冰类型提取方法

针对仅依靠单一属性特征难以实现海冰类型精准监测的问题,提出一种联合极化目标分解特征和纹理特征的全极化SAR海冰类型提取方法:首先利用H/α/A分解和AnYang分解获取海面目标的6个极化分解特征;然后通过灰度共生矩阵获取HV极化图像的3个纹理特征,进而将极化分解特征和纹理特征组合构建9个特征的联合特征矢量;最后基于支持向量机分类器,实现极化SAR图像海冰类型的精确提取。以渤海辽东湾为实验区,选用高分三号全极化SAR数据,利用本文构建的海冰类型提取方法,获取了实验区的海冰类型的分布信息,并与其他提取方法进行了对比分析。实验表明,本文构建的9个联合特征矢量,特征之间具有较好的互补性,提高了不同海冰类型之间的区分度,改善了海冰类型提取的精度,总体分类精度为92.6%,Kappa系数为0.87。     

极化散射与SAR 遥感信息获取

合成孔径雷达(SAR ) 对地观测与成像技术是近20 年来空间微波遥感技术最重要的进展。JPL 的SIR-C SAR 与加拿大Radarsat SAR-2 等星载或机载SAR 的全极化散射测量提出了自然地表全极化散射信息获取与处理的关键性科学问题。充分理解自然地表极化散射特性, 进而发展自然地表特征信息的分类、识别和反演算法是SAR 遥感应用的关键问题。近年来, 对于极化SAR 遥感已有广泛的研究。自然地表全极化散射的数值建模与M ueller 矩阵模拟解、相干矩阵及其特征值分析、信息熵等都有了研究与应用。但是, 如何将SAR 图像相干矩阵特征值和信息熵的全极化散射测量与自然地表特征参数直接关联, 并由此发展地表的分类、识别与参数反演等信息获取与处理还有待于大量的研究。本文将论述我们在SAR 全极化散射理论与应用的若干研究进展。第一个问题是如何将SAR 图像相干矩阵特征值和信息熵与同极化、交叉极化后向散射系数的测量直接关联, 与M ueller 矩阵解一起研究地表的分类与识别。第二个问题是如何有全极化散射测量反演地面数字程(DEM )。第三个问题是如何利用多时相SAR 遥感识别、获取与评估地面特征时间上的变化。     

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。     

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。