基于目标散射相似性的POLSAR图像无监督 地物散射分类新方案

针对H-Alpha散射分类存在的不足,本文提出了一种基于目标散射相似性的POLSAR图像地物散射分类新方案.该方案首先利用散射随机性将地物分为高散射随机性、中散射随机性和低散射随机性三类,然后根据散射相似性参数对这三类进一步细分.由于该方案根据散射相似性参数自动确定散射类别,克服了采用Alpha人工确定散射类别的不足;散射相似性参数计算简便,克服了H-Alpha散射分类运算量偏大的不足.作为一种实际应用,在新方案框架下,本文给出了一种基于球面散射、偶次散射和体散射相似性参数,以及散射随机性的度量参数——极化散射熵的散射分类新方法.该方法在利用极化散射熵将地物分为三类基础上,根据三个散射相似性参数进一步将地物分为十类.由于这三种典型散射对应实际地物散射,该方法的十种散射类别能很好地描述实际地物情况.实测极化数据的实验结果,验证了新方案的可行性和新方法的有效性.     

一种度量目标散射随机性的新参数

针对现有目标散射随机性度量参数运算量偏大、度量不合理等问题,本文提出了一种基于目标散射回波极化度的度量目标散射随机性的新参数——散射随机系数。在分析散射回波极化度与散射随机性之间的相互关系的基础上,首先给出了基于散射回波极化度的散射随机系数定义。然后通过分析新参数随着目标各向异性和散射阶次的变化情况,阐明新参数在度量目标散射随机性方面是合理的。最后结合San Francisco和Flevoland两地区的实测极化数据验证了新参数在度量目标散射随机性方面的有效性,与极化散射熵的对比实验结果表明了在大数据量的POLSAR图像散射分类应用中新参数运算效率更高。      

基于相似性的POLSAR占优散射归类及非监督聚类

极化相似性满足旋转不变性、尺度无关性及有界性,基于此,该文提出一种极化相似性与Freeman模型相结合的POLSAR占优散射归类及非监督聚类方法。实验表明,该方法解决了Freeman分解在分类应用中所存在的问题,相比于直接应用Freeman分解的分类方法,在地物散射特征的描述上更加准确。     

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。     

一种双频极化SAR图像分类方法

本文提出了一种利用两种不同频率下的极化SAR图像进行地物分类的新方法,该方法是基于目标的散射特性随频率变化而改变的趋势和程度实现的。基于不同频率下所提取的特征量,定义了特征变化量和特征变化平面。本论文选择了极化熵变化量 和极化度变化量 作为特征,通过将 平面分割为9个区域,进而将目标分为9个类。这种方法反映了目标散射特性随频率的变化关系,物理意义直观,实现方法简单易行。将这种分类方法与Wishart分类器相结合,就可以实现对极化SAR图像的无监督迭代分类。实测的SIR-C数据的分类结果表明,该方法是一种有效的极化SAR图像分类方法。      

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.     

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

基于球面散射相似性的POLSAR图像分类方法

针对基于H-Alpha平面的目标分类方法运算量偏大的问题,本文研究了基于散射相似性的极化合成孔径雷达（POLSAR）图像分类。首先在分析现有目标散射相似性度量参数的不足基础上,利用目标相干矩阵定义了目标散射相似性的新度量参数。该参数综合考虑了目标主散射机制、次要散射机制与规范目标的相似性,以及不同散射机制对应的发生概率,因而它能准确反映目标与规范目标的散射相似程度。接着,考虑到表面散射在自然界中是一种普遍的散射类型,利用新参数提取了表面散射相似性参数,并从理论上分析了该参数表征目标散射类型的可行性及它与平均Alpha角、极化散射熵的约束关系。最后,利用San Francisco地区AIRSAR极化数据验证了表面散射相似性替代平均Alpha角的有效性,并讨论了表面散射相似性参数分别与现有极化散射熵替代参数的组合分类效果。实验结果表明,基于简单线性近似参数+表面散射相似性的H-Alpha替代方法更具实用性。      

基于去取向理论的全极化SAR图像非监督分类

由于复杂地表目标的取向往往是随机分布的,产生散射回波的随机起伏使散射目标分类不容易明确,采用常规的分类方法容易造成地表的分类混淆.文中提出了一种全极化SAR图像非监督分类方法,首先对数据进行极化去取向处理,提取极化特征参数u、v,结合极化熵参数H进行非监督分类;之后将分类结果作为改进C-均值算法的初始类别划分,基于由u/v/H3个参数组成的特征空间,采用迭代方法实现对地物的分类;最后对NASA/JPL实验室的实测数据进行了实验分析,验证了文中所提分类方法的有效性.     

双站SAR图像的极化分析

该文对双站SAR(BISAR)模拟图像不同地物的极化特征分析,发现传统单站极化特征参数(,,)在BISAR图像上不再能有效地表现地物散射的极化特征。由此,提出了统一双站极化基变换,重新定义了极化特征参数,,,使其保持原有的分离取向关联等优点。经统一双站极化基变换后,不同地物散射的极化特征更明显,重新定义的,,能反应不同散射机制,提供了BISAR图像解译和地表分类的初步手段。     

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.     

Deorientation theory of polarimetric scattering targets and application to terrain surface classification

Deorientation theory of polarimetric scattering targets is presented. Using a transformation of the target scattering vector, the target orientation is turned to a certain fixed state and polarimetric scattering of the transformed scattering vector shows the prominence of the generic characteristics of the target. A new set of parameters u, v, w, /spl psi/ is defined based on a deorientation of the target scattering vector. Numerical simulation of polarimetric scattering of nonspherical particles illustrates the meanings of the parameters u, v, w, /spl psi/ and the entropy H. An unsupervised classification scheme of the terrain surfaces is developed, which classifies the terrain surfaces using the set of u., v, H, and analyzes the orientation distribution of each class based on deorientation angle /spl psi/. As examples, a SIR-C polarimetric image over China's Guangdong Hui-Yang district is classified into eight classes and a AirSAR polarimetric image over Canada's Boreal district is orientation-analyzed using our approach of deorientation and four parameters u, v, /spl psi/, and H.     

A new unsupervised classification algorithm for polarimetric sar images based on fuzzy set theory

In this letter, a new method is proposed for unsupervised classification of terrain types and man-made objects using POLarimetric Synthetic Aperture Radar （POLSAR） data. This technique is a combination of the usage of polarimetric information of SAR images and the unsupervised classification method based on fuzzy set theory. Image quantization and image enhancement are used to preprocess the POLSAR data. Then the polarimetric information and Fuzzy C-Means （FCM） clustering algorithm are used to classify the preprocessed images. The advantages of this algorithm are the automated classification, its high classification accuracy, fast convergence and high stability. The effectiveness of this algorithm is demonstrated by experiments using SIR-C/X-SAR （Spaceborne Imaging Radar-C/X-band Synthetic Aperture Radar） data.     

Scattering-model-based speckle filtering of polarimetric SAR data

A new concept in polarimetric synthetic aperture radar (POLSAR) speckle filtering that preserves the dominant scattering mechanism of each pixel is proposed in this paper. The basic principle is to select pixels of the same scattering characteristics to be included in the filtering process. To achieve this, the algorithm first applies the Freeman and Durden decomposition to separate pixels into three dominant scattering categories: surface, double bounce, and volume, and then unsupervised classification is applied. Speckle filtering is performed using the classification map as a mask. A single-look or multilook pixel centered in a 9 /spl times/ 9 window is filtered by including only pixels in the same and two neighboring classes from the same scattering category. This filter is effective in speckle reduction, while perfectly preserving strong point target signatures, and retains edges, linear, and curved features in the POLSAR data. The effect of speckle filtering on scattering characteristics, such as entropy, anisotropy, and alpha angle, will be discussed.     

Polarimetric scattering indexes and information entropy of the SAR imagery for surface monitoring

The Mueller matrix solution and eigenanalysis of the coherency matrix for completely polarimetric scattering have been applied to the analysis of synthetic aperture radar (SAR) imagery. Copolarized and cross-polarized backscattering for any polarized incidence can be obtained. The polarization index is usually defined as a parameter to classify the difference between polarized scattering signatures from the terrain surfaces. The eigenvalues of the coherency matrix and information entropy are derived to directly relate with measurements of the copolarized and cross-polarized indexes. Thus, it combines the Mueller matrix simulation, the information entropy of the coherence matrix, and two polarization indexes together and yields a quantitative evaluation for surface classification in the SAR imagery. This theory is applied to analysis of the AirSAR images and field measurements.     

An entropy based classification scheme for land applications ofpolarimetric SAR

The authors outline a new scheme for parameterizing polarimetric scattering problems, which has application in the quantitative analysis of polarimetric SAR data. The method relies on an eigenvalue analysis of the coherency matrix and employs a three-level Bernoulli statistical model to generate estimates of the average target scattering matrix parameters from the data. The scattering entropy is a key parameter is determining the randomness in this model and is seen as a fundamental parameter in assessing the importance of polarimetry in remote sensing problems. The authors show application of the method to some important classical random media scattering problems and apply it to POLSAR data from the NASA/JPL AIRSAR data base