基于贝叶斯信息准则的极化干涉SAR图像非监督分类

该文提出一种利用贝叶斯信息准则自动确定聚类类别数的极化干涉SAR非监督分类算法。该方法首先利用Shannon熵特征对极化干涉SAR图像进行初始分类,然后利用期望最大化(Expectation-Maximization, EM)算法和标号代价(LabelCost)优化算法对分类结果进行迭代优化,同时通过贝叶斯信息准则(Bayesian Information Criterion, BIC)自动确定非监督分类的最佳类别数。实验结果表明该算法能够较准确地确定分类类别数,并具有较为满意的分类效果。     

采用流形近邻传播聚类的极化SAR图像分类

针对传统近邻传播（Affinity Propagation, AP）聚类算法使用欧式距离构建相似度矩阵,不能有效描述极化SAR数据复杂分布的问题,本文提出一种新的基于联合流形距离的AP聚类算法(CMD-AP) 用于极化SAR图像分类。首先将待分类极化SAR图像分割成若干超像素,在相应的极化特征基础上加入图像纹理特征,利用拉普拉斯特征映射算法对特征降维;然后结合相干矩阵Wishart流形和特征矢量欧式流形作为流形距离测度,构造相似性矩阵;最后利用上述相似性矩阵,采用AP聚类算法,对极化SAR图像进行分类。该算法充分考虑了极化SAR数据集潜在的流形结构,将联合的流形距离测度引入AP算法中。实验表明,本文算法提高了极化SAR图像的分类精度,具有更优的区域一致性和边缘保持效果。      

一种基于张量积扩散的非监督极化SAR图像地物分类方法

针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题,该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索,目前研究表明,其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离,因此能够更好地挖掘数据点之间内在的相似度信息。首先,将极化SAR图像进行分割,生成许多超像素;其次,基于超像素提取7种特征并生成一个特征向量,进而利用高斯核构建相似度矩阵;再次,基于已构建的相似度矩阵,利用张量积扩散沿着数据点的内在流形结构进行相似度的传播,实现全局的相似性度量,从而获得一个具有更强判别能力的相似度矩阵;最后,基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验,并与4种经典算法进行对比,结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。      

基于Cloude-Pottier目标分解和聚合的层次聚类算 法的全极化SAR数据的非监督分类算法研究

本文提出了一种新的基于Cloude-Pottier分解和聚合的层次聚类的全极化SAR (Synthetic Aperture Radar)数据的非监督分类算法.作者使用极化总功率SPAN来改进常规的初始化方法,并采用聚合的层次聚类算法对初始化结果进行类的合并,提高非监督分类器的性能.实验表明,该算法能获得有效的分类中心,分类结果明显优于常规的Wishart H/α/A分类算法.     

基于独立分量分析的极化SAR图像非监督分类方法

提出了一种针对极化合成孔径雷达(SAR)图像的新的分类方法--基于独立分量分析(ICA)的非监督分类方法.该方法将ICA和基于模糊集理论的非监督分类方法结合起来.用ICA方法对原始极化SAR图像进行特征提取,并用模糊C均值(FCM)算法对提取出的独立分量图像进行分类.该算法可对极化SAR图像进行自动分类,并减少由相干斑噪声所引起的分类错误,且其收敛速度快、稳定性高.采用SIR-C/X-SAR数据的试验证明了该算法的有效性.     

基于H-α和改进C-均值的全极化SAR图像非监督分类

该文提出一种基于H-α和改进C-均值的全极化SAR图像非监督分类方法.该方法先按H-α对全极化SAR图像进行基于散射机理的分类,再将分类结果作为改进C-均值算法的初始类别划分,从而实现地物分类.迭代次数确定是C-均值动态聚类算法的关键,文中利用图像熵给出了一种新的迭代终止准则.与H-α方法相比,该文方法能在保留分类结果物理散射机理的同时,实现有效的地物分类.NASA/JPL实验室AIRSAR系统获取的L波段旧金山全极化SAR数据的实验结果验证了该文方法的有效性.     

基于深度卷积神经网络的图上半监督极化SAR图像分类算法

为实现在只有少量标记数据情况下的高质量的图像分类,本文提出了一种基于深度卷积神经网络的图上半监督极化SAR图像分类算法.该算法将极化SAR图像建模为无向图,并基于该无向图,定义了包含半监督项,卷积神经网络项和类标光滑项的能量函数.算法所采用的卷积神经网络提取抽象的数据驱动的极化特征.半监督项约束了有标记像素的类标在分类过程中保持不变.类标光滑项约束了像素间类标的光滑性.基于对PauliRGB图像进行超像素分割而产生的初始化类标图,交替迭代优化所定义的能量函数直至其收敛.在两幅真实极化SAR图像上的实验结果表明,该算法达到了优异的分类效果,其性能优于当前已有算法.     

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Mueller矩阵分解的非监督聚类算法

该文描述了一种利用极化SAR图像的Mueller矩阵分解系数进行非监督聚类的算法。根据关于各种地貌目标散射电磁波机理的先验知识,该算法可以在不需要任何实地勘测的条件下将图像粗略地分割为三种完全不同的、物理含义明显的类别,即建筑区域、茂密植被和微粗糙表面(例如水面)。与利用单极化灰度图像的非监督分类算法相比,该算法的突出特点是不仅仅将每个像素按照其特征紧密地聚集在一起,而且还能确定每个聚类的散射机理,进而确定目标类型。     

基于Otsu和模糊核聚类算法的极化SAR图像分类

随着极化技术的发展,越来越多的高分辨率SAR图像出现,对其分类成为一个耗时的工作。针对该问题,提出了基于Otsu和模糊核聚类算法的极化SAR图像分类。将SAR图像分类分为两步,第一步借助Otsu法进行粗略分割,将图像转化为若干个区域;第二步利用模糊核聚类算法将第一步剩下的像素进一步分类。实验结果表明,该算法既可保持较高的分类精确度,又可保证较快的计算速度。     

（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。     

基于聚类识别的极化SAR图像分类

This paper presents a novel unsupervised image classification method for Polarimetric Synthetic Aperture Radar (PolSAR) data. The proposed method is based on a discriminative clustering framework that explicitly relies on a discriminative supervised classification technique to perform unsupervised clustering. To implement this idea, an energy function is designed for unsupervised PolSAR image classification by combining a supervised Softmax Regression (SR) model with a Markov Random Field (MRF) smoothness constraint. In this model, both the pixelwise class labels and classifiers are taken as unknown variables to be optimized. Starting from the initialized class labels generated by Cloude-Pottier decomposition and K-Wishart distribution hypothesis, the classifiers and class labels are iteratively optimized by alternately minimizing the energy function with respect to them. Finally, the optimized class labels are taken as the classification result, and the classifiers for different classes are also derived as a side effect. This approach is applied to real PolSAR benchmark data. Extensive experiments justify that the proposed approach can effectively classify the PolSAR image in an unsupervised way and produce higher accuracies than the compared state-of-the-art methods.     

基于原型理论的极化SAR图像特征表达

该文提出一种基于原型理论的极化SAR图像表达方法。该方法首先利用原型理论构建原型集,然后以正则化逻辑回归函数计算测试样本与每个原型集的相似度,最后通过集成投影获得图像的特征表达。在极化SAR数据上的非监督分类实验结果表明,该方法能够准确表达图像中各类地物的极化特性,达到较好的分类效果。      

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。     

基于面向对象的极化雷达影像分类

有效的PolSAR影像分类技术是PolSAR成功应用的基础,然而相比于比较成熟的PolSAR成像技术与系统设计,PolSAR影像分类技术的发展相对滞后,针对PolSAR影像面向对象分类研究中存在的问题,提出了一种新的结合多种目标极化分解、ReliefF-PSO_SVM和集成学习的PolSAR影像面向对象分类方法。该方法首先采用多种方法对PolSAR影像进行目标极化分解;然后将利用不同极化分解方法提取的极化参数组合成一幅多通道影像;接下来对多通道影像进行分割、特征提取;采用ReliefF-PSO_SVM算法进行特征选择,并保留适应度最高的N个特征子集进行分类,每一个特征子集对应一个分类结果;最后利用集成学习技术对各分类结果进行集成。以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地利用分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了85.06%和0.8006。此外,还构建了3种对比方法用于分类,对比结果进一步证明了所提方法在PolSAR影像分类中的优越性。     

基于U分布的PolSAR图像无监督MAP分类方法

结合U分布对不同匀质性极化合成孔径雷达(PolSAR)数据的广泛建模能力及Potts马尔科夫随机场(MRF)模型对像素点之间类相关性的建模能力,提出了一种基于最大后验概率(MAP)准则的PolSAR图像无监督分类方法。利用迭代条件模式算法和Metropolis采样算法对像素点的类别进行更新,迭代过程中分布参数的估计采用基于梅林(Mellin)变换的矩阵对数累积量方法,以迭代过程中出现次数最多的类别最为像素点的最终分类结果。利用NASA/JPL实验室AIRSAR系统获取旧金山湾的PolSAR数据,对本文分类算法的有效性以及分布的杂波建模能力进行了仿真验证。实验结果表明,本文分类算法的精度优于Lee分类算法,分布对PolSAR数据的杂波建模准确性总体上优于复Wishart分布、K分布和G0分布。     

联合多尺度多特征的高分遥感图像场景分类

高分辨率遥感图像地物信息丰富,但场景构成复杂,目前基于手工设计的特征提取方法不能满足复杂场景分类的需求,而非监督特征学习方法尽管能够挖掘局部图像块的本征结构,但单一种类及尺度的特征难以有效表达实际应用中复杂遥感场景特性,导致分类性能受限.针对此问题,本文提出了一种基于多尺度多特征的遥感场景分类方法.该算法首先设计了一种改进的谱聚类非监督特征（iUFL-SC）以有效表征图像块的本征结构,然后通过密集采样提取每幅遥感场景的iUFL-SC、LBP、SIFT等三种多尺度局部图像块特征,并通过视觉词袋模型（BoVW）获得场景的中层特征表达,以实现更为准确详实的特征描述,最后基于直方图交叉核的支持向量机（HIKSVM）进行分类.在UC Merced数据集以及WHU-RS19数据集上的实验结果表明本文方法可对遥感场景进行鉴别特征提取,有效提高分类性能.     

基于二叉树锚点的高光谱快速聚类算法

高光谱图像聚类问题一直是图像处理领域的研究热点。谱聚类算法是最流行的聚类算法之一,但其计算复杂度较大,难以处理大规模的高光谱图像数据。由于二叉树能够较快地选取锚点,因此基于二叉树锚点图,充分利用高光谱图像的光谱和空间特性,可保证聚类性能并降低计算复杂度。然而,该聚类算法一般采用有核的聚类方法,因此不可避免地引入了参数调节。在二叉树锚点选取的基础上,提出了一种基于二叉树锚点的高光谱快速聚类算法,该算法创新性地将二叉树锚点选取和无核聚类方法应用于高光谱图像中。首先,利用二叉树从高光谱数据中选取一些具有代表性的锚点;紧接着构造基于锚点的无核相似图,有效避免了通过人为调节热核参数来构造相似图;然后进行谱聚类分析获得聚类结果;最后,将该算法应用到高光谱图像聚类中。该算法不仅提高了聚类速度,还减少了原有热核参数调节。实验结果表明,与传统的聚类算法相比,所提算法能够在较短的时间内获得更佳的聚类精度。