利用SVM的极化SAR图像特征选择与分类

该文提出一种新的利用SVM的特征选择算法,并将其融入到极化SAR图像分类过程中,构成一种新的基于SVM的分类方法。其中,特征选择算法利用支持向量个数作为特征评估指标,并以顺序后退法作为搜索策略。真实数据的实验结果表明,该分类方法能有效降低SVM分类器对自身参数的敏感性,与利用原始特征集和经典的RELIEF-F的分类方法相比,该方法能以更少(或相当)的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。     

雷达极化抗干扰技术进展

雷达极化抗干扰的本质是利用干扰与目标在极化域的差异,减弱或消除干扰对雷达探测的影响。极化抗干扰已经在主瓣干扰抑制、有源假目标鉴别、角度诱偏干扰对抗等抗干扰难题中显现出独特的作用。随着电子对抗水平的升级,目标与干扰间的差异呈现出细微化的特点,亟需进一步探索雷达抗干扰新技术,以充分挖掘和联合利用包括极化在内的各种差异。文章从发展历史、技术手段、典型应用等方面介绍了雷达极化抗干扰技术的研究进展情况。     

Dual-channel heterodyne microscope: new functions

Quantitative assessment of critical dimensions of sub-wavelength structures, dark-field and bright-field modes of operation, recognition of nonpatterned anisotropic surfaces, and three-dimensional profiling of opaque and transparent samples are the new features of a super-resolution dual-channel heterodyne microscope that was introduced in a previous publication in this journal. The aforementioned modes of operation can be activated by simple rotation of a polarizer or insertion of a polarization-separating prism. Various experimental results are presented, demonstrating new performance capabilities of the heterodyne microscope.     

A novel approach to polarimetric SAR data processing based on Nonlinear PCA

In remotely sensed Synthetic Aperture Radar (SAR) images, scattering from a target is often the result of a mixture of different mechanisms. For this reason, detection of targets and classification of SAR images may be very difficult and very different from other sensor imagery. Fully polarimetric data offer the possibility to separate the different mechanisms, interpret them and consequently identify the geometry of the targets. To achieve this task, several target decomposition techniques have been proposed in the literature to improve the interpretation of this kind of data. Among these, the physical based techniques are the most considered.     

目标散射的去取向理论和应用(二)地表分类应用

由第一部分阐明的目标全极化散射的去取向理论方法,通过对目标散射矢量的变换,分析参数Ψ,u,v及熵H对全极化SAR遥感地表目标的表征意义.在第二部分用矢量辐射传输（VRT）植被模型模拟分析了各个参数在地表分类中的作用,其中H指示了地表覆盖层的复杂程度,v指示了不同的散射机制,u指示了不同目标的特性,Ψ则指示了目标的取向状态.用（u,v,Ψ）-H设计地表无监督分类模型,先用u,v,H将地表分类不同类别,再对每种类别由Ψ分析其取向情况.该分类方法应用于中国广东省惠阳地区的SIR-C数据及加拿大Boreal地区的AirSAR数据,得到较好的地表分类结果,与传统的α-H方法对比,分类性能明显提高.     

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。     

双站合成孔径雷达去取向极化分析

在分析单站合成孔径雷达去取向参数的基础上,研究了双站合成孔径雷达的非对称散射矩阵,利用矩阵代数知识得到双站去取向参数。推导了目标的去取向变换矩阵,将目标散射矢量进行矢量变换,使得研究目标具有相同的取向,目标本身的信息得以凸显。经过去取向变换,对双站模拟图像的特征参数进行分析,为进一步解读双站图像提供了初步手段。