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。      

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。     

一种度量目标散射相似性的新参数

针对目标相似性参数度量分布式目标与典型目标散射相似程度不准确的问题,本文利用规范散射Pauli基矢量和分布式目标相干矩阵,定义了一个度量目标散射相似性程度的新参数--目标散射相似性.由于该参数综合考虑了分布式目标主散射机制、次要散射机制与规范散射的相似性,以及不同散射机制对廊的发生概率,因而它能准确反映分布式目标与规范目标散射的平均近似程度.与相似性参数一样,新参数具有目标旋转不变性、尺度无关性等特性.作为一种实际应用,给出了分布式目标与金属球、角反射器等典型目标的散射相似性.结合旧金山地区AIRSAR极化数据,讨论了这些相似性测度在地物分类方面的应用.     

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.     

多角度极化SAR图像散射特征建模及其应用

本文将基于条带观测模式的极化SAR散射模型拓展至方位向多角度观测模式,基于典型极化散射类型组合提出一种非各向同性散射特征模型。该模型参数纬度多且随方位向观测变化,需要替代性方法提取多角度极化散射特征。首先,采用基于Wishart分布的统计量对非各向同性散射中心进行检测,并逐像素生成基于散射特征差异的新序列图像。其次,以新序列图像作为处理对象,提取极化似然比序列、子孔径角度序列、极化熵—似然比序列、极化散射角—似然比序列、极化各向异性度—似然比序列。最后,集成特征序列编码及支持向量基（SVM）方法进行分类。通过机载P波段极化SAR开展360°观测试验,验证了方法的有效性并揭示出在地物分类方面的应用潜力。      

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。     

加权全极化SAR图像非监督Wishart分类方法

为提高基于极化目标分解与复Wishart非监督分类方法中对不同类别地物中心散射相关矩阵的估值精度与合理性,本文提出了加权全极化SAR图像非监督Wishart分类方法,该方法通过对求解每一类地物散射相关矩阵时,进行数值加权,使得求解的散射相关矩阵更能代表地物类别的中心。本文详细阐述了该方法的原理和实施步骤,并通过对AIRSAR的L波段实际数据进行分类实验,可知该加权算法无论在分类精确度上还是在迭代速度上,性能都有所提高。     

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.     

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.     

基于去取向理论的全极化SAR图像模糊非监督聚类

由于复杂散射体的随机取向导致其回波具有一定的波动性,利用目标分解理论对全极化SAR图像进行分类时,分类结果会出现一定程度的错分现象。该文提出了一种新的非监督分类算法,该算法首先根据去取向理论,将目标向量旋转到最小交叉极化方向;然后,采用u/v/H参数描述散射机制,以模糊隶属函数代替参数平面的硬阈值划分;最后,以多元复Wishart分布描述相干矩阵,基于Bayes极大似然分类准则进行分类。以中国广东淡水附近的L波段NASA/JPL SIR-C全极化SAR图像作为实验数据进行了仿真试验,并进一步对聚类中心的迁移进行了讨论。试验和讨论结果表明:同基于H/和类k-mean的算法比较,该文的聚类算法对聚类效果有明显改善,类别对应的散射机制也更为准确,分类结果有利于地表类型的自动识别。     

基于一维散射中心匹配的雷达目标识别

本文提出了一种新的基于目标一维散射中心匹配的雷达目标识别方法.该方法在计算两目标匹配函数之前,先根据目标尺寸大小在目标中心附近设定一个距离窗,将位于此距离窗以外的散射中心剔除,以减轻目标区域以外虚假散射中心的影响.对剩下的目标散射中心,根据两目标散射中心之间的距离,对目标之间的散射中心配对,然后定义两目标的匹配函数为所有配对散射中心的"匹配能量"和与两目标所有散射中心能量和的比值.对五类目标缩比模型的外场测量数据进行分类识别实验,结果表明该方法具有良好的目标识别能力,而且对加性高斯白噪声和雷达带宽不敏感.     

基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究

本文在高分辨率条件下对传统的合成孔径雷达(SAR)图像自动地物分类技术进行了扩展研究.文章首先指出了经典的前馈神经网络模型在SAR图像地物分类中的不足,然后基于径向基神经网络(RBFN),结合混合专家系统,提出了一种变型的网络结构模型,称之为混合双隐层径向基函数网络(MDHRBFN),并将其应用于高分辨率单视单极化的SAR图像地物分类.实验结果表明,基于该模型的分类算法能够将SAR图像较好地区分为人造目标类、自然目标类、背景和阴影,具有比经典RBFN模型更好的分类效果,不但可以应用于SAR图像辅助判读,而且能够为目标识别过程提供潜在目标切片.