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。     

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。      

利用Shannon熵参数的极化干涉SAR图像非监督分类

 本文利用Shannon熵参数,提出了一种极化干涉SAR图像非监督分类方法.Shannon熵是度量雷达照射媒质无序程度的物理量,它可表示成散射强度部分熵、极化部分熵以及干涉部分熵之和.本文利用Shannon熵分解出的干涉项参数结合Wishart最大似然聚类将SAR图像分成初始若干类,结合Shannon熵中散射强度项及极化散射项参数对初始类进行细分,再用层次聚类方法将这些类合并到需要的类数.运用Oberpfafenhoffen地区的PolInSAR数据进行分类,并与L.Ferro-Fmail提出的极化干涉分类方法的结果进行比较,实验结果证明了本文方法的有效性.     

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。     

基于差异度迭代的极化SAR图像机场跑道检测算法

机场在军事和交通运输领域都有很重要的作用,对它的自动检测具有重大意义。本文提出了一种利用极化SAR(Polarimetric Synthetic Aperture Radar)图像检测机场跑道的方法。首先,利用SLIC(Simple linear Iterative Clustering)算法对极化SAR图像进行超像素分割;然后利用新三分量分解和极化散射熵对图像进行粗分类,再利用改进的K均值聚类结合差异度迭代的方法完成精细分类,最后利用跑道的散射特性和几何结构特征从分类结果中提取完整的机场区域。本文采用极化SAR数据进行实验检测,结果表明该方法能有效的检测出机场跑道,并且保持结构完整,边缘细节清晰,虚警率低。      

多角度极化SAR图像散射特征分解及SVM分类

在极化合成孔径雷达（synthetic aperture radar,SAR）图像理解和解译中,地物分类是重要的应用方向之一.为了研究多角度极化SAR图像的地物分类,文中基于极化统计特征差异性顺序,给出了多角度极化分解特征序列构建方法.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.然后,面向多种极化特征分解模型,提出通用的多角度极化特征一阶差分序列描述方法及编码方法,包括Yamaguchi四分量分解、Krogager分解以及H/A/Alpha分解,得到多维特征参数序列.最后,通过两种方法对比后最终选用支持向量机（support vector machine,SVM）方法对特征序列进行分类.通过机载P波段极化SAR开展360°观测试验,验证了该方法的有效性,并展示出在地物分类方面的应用潜力.     

基于半监督学习的SVM-Wishart极化SAR图像分类方法

该文针对极化SAR (Synthetic Aperture Radar)图像分类中的小样本问题,提出了一种新的半监督分类算法。考虑到极化SAR数据反映了地物的散射特性,该方法首先利用目标分解方法提取了多种极化散射特征;其次,在协同训练框架下结合SVM分类器构建了协同半监督模型,该模型可以同时利用有标记和无标记样本对极化SAR图像进行分类,从而在小样本时可以获得更好的分类精度;最后,为进一步改善分类结果,在协同训练分类完成后,该方法又利用Wishart分类器对分类结果进行修正。理论分析与实验表明,该算法在只有少量标记样本的情况下优于传统算法。      

基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类

考虑到极化合成孔径雷达(PolSAR)图像标注信息量低以及相干斑噪声难以消除的问题,该文从鲁棒统计学习的角度提出了一种基于Pin-SVM的极化SAR图像鲁棒分类方法,根据极化SAR图像的散射特性和地物的纹理特性,通过求解两类样本之间的最大分位数距离来确定分类超平面,在无需迭代的前提下得到更加鲁棒的分类结果。相比传统的基于最大间隔的极化SAR图像分类算法,该文所提算法一方面在对极化SAR图像提取到的特征中包含的噪声具有更好的鲁棒性,另一方面对于训练样本的抽样范围不敏感,即重采样具有更好的鲁棒性。利用EMISAR的Foulum地区极化SAR数据进行了算法验证,多种情况的对比实验的结果验证了该算法的有效性。      

Unsupervised PolInSAR classification based on optimal coherence set

Aiming to solve the misclassification problems of unsupervised polarimetric Wishart classification algorithm based on Freeman decomposition, an unsupervised Polarimetric Synthetic Aperture Radar (SAR) Interferomery (PolInSAR) classification algorithm based on optimal coherence set parameters is studied and proposed. This algorithm uses the result of Freeman decomposition to divide the image into three basic categories including surface scattering, volume scattering, and double-bounce. Then, the PolInSAR optimal coherence set parameters are used to finely divide each of the three basic categories into 9 categories, and the whole image is divided into 27 categories. Because both the Freeman decomposition result and optimal coherence set parameters indicate specific scattering characteristics, the whole image is merged into 16 categories based on physical meaning. At last, the Wishart cluster is employed to obtain the final classification result. To preserve the purity of scattering characteristics, pixels with similar scattering characteristics are restricted to be classified with other pixels. The final classification results effectively resolve the misclassification problem, not only the buildings can be effectively distinguished from vegetation in urban areas, but also the road is well distinguished from grass. In this paper, the E-SAR PolInSAR data of German Aerospace Center (DLR), are used to verify the effectiveness of the algorithm.     

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。     

Unsupervised terrain classification preserving polarimetric scattering characteristics

In this paper, we proposed an unsupervised terrain and land-use classification algorithm using polarimetric synthetic aperture radar data. Unlike other algorithms that classify pixels statistically and ignore their scattering characteristics, this algorithm not only uses a statistical classifier, but also preserves the purity of dominant polarimetric scattering properties. This algorithm uses a combination of a scattering model-based decomposition developed by Freeman and Durden and the maximum-likelihood classifier based on the complex Wishart distribution. The first step is to apply the Freeman and Durden decomposition to divide pixels into three scattering categories: surface scattering, volume scattering, and double-bounce scattering. To preserve the purity of scattering characteristics, pixels in a scattering category are restricted to be classified with other pixels in the same scattering category. An efficient and effective class initialization scheme is also devised to initially merge clusters from many small clusters in each scattering category by applying a merge criterion developed based on the Wishart distance measure. Then, the iterative Wishart classifier is applied. The stability in convergence is much superior to that of the previous algorithm using the entropy/anisotropy/Wishart classifier. Finally, an automated color rendering scheme is proposed, based on the classes' scattering category to code the pixels to resemble their natural color. This algorithm is also flexible and computationally efficient. The effectiveness of this algorithm is demonstrated using the Jet Propulsion Laboratory's AIRSAR and the German Aerospace Center's (DLR) E-SAR L-band polarimetric synthetic aperture radar images.     

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。     

基于极化交叉熵和Yamaguchi分解的飞机目标检测方法

给出了一种基于极化交叉熵和Yamaguchi分解相结合的飞机目标检测方法。首先计算极化SAR图像中各个像素点与平面、左螺旋体、右螺旋体三种基本散射体的相似性参数，并利用相似性参数构造极化交叉熵；然后采用Yamaguchi分解方法提取偶次散射分量功率；最后结合极化交叉熵与偶次散射分量功率构造检测特征量，并进行阈值判别提取飞机目标。利用美国UAVSAR和美国AIRSAR系统采集的全极化实测数据对算法进行实验，结果表明，该算法能够有效的检测出飞机目标，并且虚警较少。