一种面向对象的时间序列极化SAR图像变化检测方法

提出了一种改进的时间序列极化合成孔径雷达(SAR)图像变化检测方法。该方法首先使用简单线性迭代聚类算法对时间序列极化SAR图像进行过分割,得到时间序列图像的超像素一致表达。然后对各个超像素进行时间序列上的任意双时相交叉变化检测,得到包含时间序列图像变化信息的变化检测矩阵。最后根据变化信息对图像在时间序列上进行平滑滤波并生成动态变化图,对地物变化情况进行分析。实验结果表明,文中方法能够有效地检测和分析时间序列极化SAR图像的变化情况。     

融合相干/非相干信息的高分辨率SAR图像变化检测

该文运用Dempster-Shafer(D-S)证据理论融合高分辨率SAR影像的相干/非相干差异特征进行变化检测。首先使用简单线性迭代聚类(SLIC)分割算法完成多时相SAR影像联合多尺度分割。然后在各个分割尺度上提取适宜的强度差异特征及相干差异特征,通过Mean算子融合多尺度差异特征并得到多特征差异图。最后运用D-S证据理论完成多特征差异图融合得到变化检测结果。实验表明该方法可得到较为稳健的变化检测结果。      

结合特征选择和大尺度谱聚类的极化SAR图像非监督分类

非监督分类是极化SAR图像解译的重要手段,但其分类结果易受到高维特征的影响。针对此问题,本文提出一种结合特征选择和大尺度谱聚类的极化SAR图像非监督分类方法。该方法首先深入分析并提取了极化SAR图像分类中常用的特征参数,包括基于测量数据及其简单线性变换的特征和极化目标分解的特征。然后通过聚类森林特征选择算法进行特征降维处理,去除冗余信息。最后利用过分割产生代表点并构建原始数据与代表点间的二分图,通过大尺度谱聚类算法完成图像的非监督分类。实验结果表明,该方法能够选取有效的特征组合,并得到较为满意的分类效果。      

利用多特征融合和集成学习的极化SAR图像分类

该文提出了一种利用多特征融合和集成学习的极化SAR图像监督分类算法。该算法首先提取极化SAR图像的多重特征,包括EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及扩展四分量分解特征。为保证集成学习中基本分类器的差异性与准确性,算法从5组特征集中每次随机选取两组不同的特征进行串联融合,作为SVM分类器的输入。最后,利用随机森林学习算法将所有基本分类器的预测概率集成输出最终分类结果。像素级和区域级的分类实验表明了该文算法的有效性。      

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。