利用SVM的全极化、双极化与单极化SAR图像分类性能的比较

支持向量机(SVM)以其在小训练样本时良好的分类性能,目前已广泛应用于多个领域.本文在极化SAR图像特征提取基础上,将SVM应用于极化SAR图像分类,定性和定量地比较了全极化、双极化和单极化SAR图像的分类性能,分析了不同的极化组合对分类结果的影响,并根据地物极化散射特性分析了分类精度差异的成因.实测极化SAR数据的实验结果表明,全极化数据能获得最好的分类性能,双极化次之,单极化最低,且在某些情况下,双极化与全极化分类性能接近.     

RADARSAT-2全极化SAR数据地表覆盖分类

全极化合成孔径雷达(SAR)能够测量每一观测目标的全散射矩阵,但地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征,因而增加了地物信息提取的难度。文中基于北京地区的RADARSAT-2全极化雷达数据,在图像处理的特征分解的基础上,利用PolSARPro软件提取包含地物散射机理信息的各种极化参数,按H-α、A-α、H-A对全极化SAR影像进行基于散射机理的分类,继而将分类结果作为Wishart H/A/α、Wishart H/α的初始类别划分。最后,采用决策树分类算法对基于Wishart分布的监督分类及以上两种分类算法进行融合处理,从而实现地物的分类,并将分类结果与经典的分类算法进行对比分析,验证了文中方法的有效性。     

面向城市地物分类的 SAR 图像纹理特征提取与分析

合成孔径雷达（ SAR）图像含有丰富的纹理信息,特别是进行城市地物分类时,纹理特征对于图像的解译具有重要的意义。本文对基于灰度共生矩阵和Gabor变换两种纹理特征提取方法进行了研究,将灰度和不同纹理特征组合应用于SAR图像城市地物分类,并以ALOS PALSAR影像为数据源进行了实验。通过对不同分类结果进行定性和定量分析,结果表明,引入纹理特征后的SAR图像分类结果要优于无纹理信息参与的分类结果,基于不同纹理特征组合的SAR图像分类结果要优于基于单一纹理特征的分类结果。     

高分三号卫星全极化SAR影像九寨沟地震滑坡普查

基于光学遥感影像的区域滑坡普查易受云雾天气的影响,存在滑坡体调查不全面的问题,无法满足震后应急调查与恢复重建的需求。本文提出了一种极化SAR卫星数据滑坡普查方法,采用高分三号全极化SAR卫星影像数据,以九寨沟地震震区为实验区,在深入分析滑坡体和其他地物类型散射特征的基础上,融合极化特征、纹理特征和地形特征等多维特征信息,结合高分二号影像获取的训练样本,构建基于BP神经网络的全极化SAR数据滑坡自动识别模型,实现滑坡体的自动快速识别。与高分辨率光学影像与无人机航空影像目视解译结果相比较,总体识别精度为92.8%,Kappa系数为0.715,识别准确度满足地震应急实际应用的需求。研究成果可用于震区大区域滑坡体的普查,为后续开展无人机高分辨率影像滑坡体详查、灾后应急与景区恢复提供辅助信息支撑,并促进国产高分SAR卫星数据在防震减灾中的应用。     

顾及分类器参数的全极化SAR图像特征选择与分类

全极化SAR获取的信息量远多于传统SAR,但信息量的增加并不能确保分类精度的提高,如何有效进行特征选择至关重要。针对自适应特征选择问题,提出一种顾及分类器参数的特征选择和分类方法。该方法以支持向量数为评估依据,结合遗传算法进行特征选择,并同时对分类器参数进行寻优;最后利用优选的特征集和模型参数进行分类。为验证算法的有效性,利用两组全极化数据进行了监督分类实验。实验结果表明,提出方法降低了SVM分类器对自身参数的敏感性,而且能在较少特征个数下具备良好的泛化性能,分类精度优于未经过特征选择和参数优化的方法。     

基于最佳指数与HSV彩色空间的SAR图像伪彩色融合

针对极化SAR图像的伪彩色融合问题,本文提出了最佳指数模型结合HSV变换的伪彩色融合的方法。首先,将4个极化数据进行滤波去噪处理,计算4个极化通道的OIF值,以OIF值为依据选择3个极化方式作为最佳极化组合,并分别赋予RGB颜色通道,得到伪彩色融合图像;然后,将RGB彩色图像变换到HSV色彩空间,分别提取出色度分量H、饱和度分量S、亮度分量V1;同时,将颜色合成之外的第四个极化通道的灰度值作为亮度分量V2,将V1和V2进行加权平均,得到新的亮度分量V。最后,将新的分量V和分量H、S逆变换到RGB空间,得到新的伪彩色融合图像。利用RADARSAT-2全极化数据进行了实验,并和分解伪彩色结果对比,从主观观察和客观定量两个方面对伪彩色融合图像的质量进行了评价,验证了Pauli提出方法的有效性。     

全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类

针对经典全卷积网络(fully convolution network,FCN)分类精度低、效果差,以及传统的极化合成孔径雷达(PolSAR)土地覆盖分类方法未充分考虑地物散射特性的问题,提出了一种结合改进FCN和条件随机场(conditional random field,CRF)的全极化SAR土地覆盖分类算法。首先,利用Freeman分解和Pauli分解建模全极化SAR影像,同时提取各分解对应的散射特征,参考Freeman分解散射功率获取其主散射分量对应的主散射地物;同时,借鉴在图像分类领域中具有卓越表现的FCN-Vgg19-8s网络,考虑其高层卷积参数量大和低层卷积模型参数优化程度不足,通过在高层和中层分别构建多尺度卷积组和代价函数设计了FCN-MD-8s网络,保证对整体模型参数进行降维和优化;以Freeman分解散射机理特征为基准,采用级连式迁移学习结构,实现FCN-MD-8s网络的模型训练和测试;然后,根据主散射分量所对应的主散射地物,在各分量预测图中提取出主特征地物,得到分量地物分类结果,并将其进行叠加得到全局粗分类;最后,利用全连接CRF结合Pauli相干分解重建假彩色图,对全局粗分类进行全局像素类别转移获得细分类结果。通过对分类结果定性和定量分析,可知提出算法具有有效性和可行性。     

面向对象高可信SAR数据精确处理

针对合成孔径雷达（synthetic aperture rdar,SAR）数据在地形地物、森林植被等方面的处理与解译难题,介绍了近年来利用多角度、多波段、多极化、极化干涉等多模态航空航天SAR数据,建立基于散射机理的地物特性知识库,构建地形辐射校正模型、极化干涉处理模型、立体测量模型、基于知识的解译模型等,开发出高分辨率机载极化干涉SAR数据获取系统和SAR影像高性能解译软件系统,实现了精度高、可靠性强、识别类型丰富的SAR影像高可信处理与解译的原理、技术与方法,同时对成果在测绘、林业等行业的应用情况进行了介绍,对研究中存在的问题和解决思路进行了探讨。     

利用随机森林回归进行极化SAR土壤水分反演

全极化合成孔径雷达影像能够提供地物丰富的极化信息，挖掘这些信息在地表参数反演中的作用是目前相关领域的研究趋势之一。针对冬小麦区域的不同植被覆盖情况，利用随机森林回归对常用极化特征在土壤水分反演中的重要性进行评估，并在此基础上进行特征选择，挑选优化的极化特征组合，构建了高精度的土壤水分反演模型。实验结果显示，由重要性评分较高的极化特征所组成的反演模型能得到均方根误差（root mean square error，RMSE）小于6%的反演精度，比只输入传统线极化后向散射系数的模型在不同时相、不同数据集的精度都有所提高。与支持向量回归和人工神经网络模型进行比较，利用随机森林回归进行重要性评分与土壤水分反演的效果更好。     

Water-Body types identification in urban areas from radarsat-2 fully polarimetric SAR data

This paper presents a novel method for supervised water-body extraction and water-body types identification from Radarsat-2 fully polarimetric (FP) synthetic aperture radar (SAR) data in complex urban areas. First, supervised water-body extraction using the Wishart classifier is performed, and the false alarms that are formed in built-up areas are removed using morphological processing methods and spatial contextual information. Then, the support vector machine (SVM), the classification and regression tree (CART), TreeBagger (TB), and random forest (RF) classifiers are introduced for water-body types (rivers, lakes, ponds) identification. In SAR images, certain other objects that are misclassified as water are also considered in water-body types identification. Several shape and polarimetric features of each candidate water-body are used for identification. Radarsat-2 PolSAR data that were acquired over Suzhou city and Dongguan city in China are used to validate the effectiveness of the proposed method, and the experimental results are evaluated at both the object and pixel levels. We compared the water-body types classification results using only shape features and the combination of shape and polarimetric features, the experimental results show that the polarimetric features can eliminate the misclassifications from certain other objects like roads to water areas, and the increasement of classification accuracy embodies at both the object and pixel levels. The experimental results show that the proposed methods can achieve satisfactory accuracies at the object level [89.4% (Suzhou), 95.53% (Dongguan)] and the pixel level [96.22% (Suzhou), 97.95% (Dongguan)] for water-body types classification, respectively.     

利用案例推理（CBR）方法对雷达图像进行土地利用分类

提出了基于案例推理 (CBR)的遥感分类的新方法。基于规则的专家系统被用来提高遥感分类的效率。但所涉及的规则可能多达上百或上千条 ,有的问题根本无法用规则来表达。CBR只是根据以往的案例进行推理 ,克服了基于规则的推理方法的不足 ,可以用来解决一些复杂的资源环境问题。利用CBR和模糊数学结合 ,并通过分层随机采样来控制案例在空间上的分布 ,以反映复杂环境所造成的光谱变化 ,由此解决遥感分类中的“同物异谱”现象。实验表明 ,所建立的案例库可以被重复多次使用 ,分类的效果比监督分类和非监督分类要好。     

基于最小二乘平差的全极化SAR配准偏移量估计方法

全极化合成孔径雷达影像(PolSAR)相对单极化SAR影像有更加丰富的地表信息。为了提高SAR影像偏移量跟踪技术估算偏移量的精度,提出一种基于最小二乘平差法的全极化SAR数据偏移量估计方法。首先利用全极化SAR不同极化通道数据估算偏移量得到多个观测值,然后通过最小二乘平差法对多余观测值循环剔除粗差得到最优偏移量。文中选取美国科罗拉多州湖城(Lake city)区域的两景JPL无人机UAVSAR全极化SAR影像进行实验,结果表明,文中新方法具有良好的粗差探测和去除功能,相对于已有研究结果,在方位向和距离向的偏移量估算精度都有明显提高,达到15%~25%。新方法提高了偏移量跟踪估算偏移量的精度,这对利用偏移量跟踪技术监测滑坡、地震及冰川等有重要的意义。     

基于面向对象层次分类法的输电线路走廊地表覆盖分类

随着国产卫星遥感影像在电力部门的应用日益深入,利用高分辨率国产卫星遥感影像对输电线路走廊地区进行快速准确的地表覆盖分类成为现实。本文以湖北省输电线路走廊为研究对象,通过多种地物分类方法对比试验,综合利用高分辨率影像的光谱、纹理、形状等特征优势,以"高分一号"影像为例探索出面向对象的层次分类法,快速实现了地物的精确提取,可用于输电线路走廊地区山火评估及预防。研究结果表示,面向对象的层次分类法对于输电线路走廊地物快速分类是可行的并且能达到较高的精度。     

相向飞行全极化SAR图像对建筑物的立体重构

用多方向飞行的全极化SAR图像可能提取特定三维目标的高度与位置信息,进而实现目标物的几何立体重构。全极化SAR图像数据与单极化SAR相比,可以选择多种极化组合数据,提供对于特定目标几何特征敏感的数据类型,通过多方向飞行SAR图像反演该目标或目标群的高度与位置信息。本文用两幅相向飞行的PI-SAR(日本机载极化与干涉SAR,X波段、1.5m分辨率)图像,提取日本仙台电视塔高度、日本东北大学建筑物群的立体重构。     

Terrain radiometric calibration of airborne UAVSAR for forested area

In the field of biomass estimation, terrain radiometric calibration of airborne polarimetric SAR data for forested areas is an urgent problem. Illuminated area correction of σ -naught could not completely remove terrain features. Inspired by Small and Shimada, this paper tested gamma-naught on one mountainous forested area using airborne Uninhabited Aerial Vehicle Synthetic Aperture Radar data and found it could remove most terrain features. However, a systematic increasing trend from far range to near range is found in airborne SAR cases. This paper made an attempt to use the relationship between distance to SAR sensor and γ-naught to calibrate γ -naught. Two quantitative evaluation methods are proposed. Experimental results demonstrate that variation of γ -naught can be constrained to a limited extent from near range to far range. Since this method is based on ground range images, it avoids complicated orthorectification.     

机载X波段极化干涉SAR数据非监督分类方法研究

针对经典极化分类算法在处理机载X波段SAR数据时将过多地物分为体散射类型,并且容易受噪声影响,分类结果存在大量误分现象的问题,通过对机载X波段SAR数据非监督分类方法的研究,提出将极化干涉信息用于机载X波段极化干涉SAR数据的分类。通过运用极化干涉数据进行目标分解得到参数A1和A2对数据进行初始分类,然后结合改进的Wishart最大似然分类算法来进行地物的自适应分类。实验结果表明,该方法能有效避免平地效应的影响,抗噪性好,能正确区分三种典型散射类型,分类效果明显优于极化分类效果。     

一种基于极化距离测度的SAR变化检测方法

本文在经典的极化分类Wishart距离基础上提出了一种对变化敏感的极化距离测度,发展了相应的多时相极化SAR变化检测方法。以北京地区的多时相全极化RADARSAT-2影像进行了实验,对比分析了提出的极化距离测度与各个极化通道后向散射系数对数比值对不同类型地物变化的区分能力,结果表明,提出的极化距离测度不仅对所有的变化类型均有良好的检测作用,而且对变化区域有更高的区分力。这说明本文提出的极化SAR变化检测方法具有广泛的应用价值。     

LSSVM算法在极化SAR影像分类中的应用

最小二乘支持向量机(LSSVM)是针对标准支持向量机(SVM)算法训练时间长的问题而提出的一种改进算法。针对SVM算法在极化SAR影像分类时存在效率较低的问题,以目标分解理论为基础,对LSSVM算法应用于极化SAR影像分类的有效性进行了研究。结果表明,对于极化SAR影像分类,LSSVM算法与SVM算法的分类精度相当,但时间效率远优于SVM算法,并且对参数的调整也具有更好的稳定性,同时泛化能力良好。     

Evaluation of image fusion methods using PALSAR,RADARSAT-1 and SPOT images for land use/ land cover classification

This research aimed to explore the fusion of multispectral optical SPOT data with microwave L-band ALOS PALSAR and C-band RADARSAT-1 data for a detailed land use/cover mapping to find out the individual contributions of different wavelengths. Many fusion approaches have been implemented and analyzed for various applications using different remote sensing images. However, the fusion methods have conflict in the context of land use/cover (LULC) mapping using optical and synthetic aperture radar (SAR) images together. In this research two SAR images ALOS PALSAR and RADARSAT-1 were fused with SPOT data. Although, both SAR data were gathered in same polarization, and had same ground resolution, they differ in wavelengths. As different data fusion methods, intensity hue saturation (IHS), principal component analysis, discrete wavelet transformation, high pass frequency (HPF), and Ehlers, were performed and compared. For the quality analyses, visual interpretation was applied as a qualitative analysis, and spectral quality metrics of the fused images, such as correlation coefficient (CC) and universal image quality index (UIQI) were applied as a quantitative analysis. Furthermore, multispectral SPOT image and SAR fused images were classified with Maximum Likelihood Classification (MLC) method for the evaluation of their efficiencies. Ehlers gave the best score in the quality analysis and for the accuracy of LULC on LULC mapping of PALSAR and RADARSAT images. The results showed that the HPF method is in the second place with an increased thematic mapping accuracy. IHS had the worse results in all analyses. Overall, it is indicated that Ehlers method is a powerful technique to improve the LULC classification.     

A new Likelihood Ratio for supervised classification of fully polarimetric SAR data: An application for sea ice type mapping

One of the potential applications of polarimetric Synthetic Aperture Radar (SAR) data is the classification of land cover, such as forest canopies, vegetation, sea ice types, and urban areas. In contrast to single or dual polarized SAR systems, full polarimetric SAR systems provide more information about the physical and geometrical properties of the imaged area. This paper proposes a new Bayes risk function which can be minimized to obtain a Likelihood Ratio (LR) for the supervised classification of polarimetric SAR data. The derived Bayes risk function is based on the complex Wishart distribution. Furthermore, a new spatial criterion is incorporated with the LR classification process to produce more homogeneous classes. The application for Arctic sea ice mapping shows that the LR and the proposed spatial criterion are able to provide promising classification results. Comparison with classification results based on the Wishart classifier, the Wishart Likelihood Ratio Test Statistic (WLRTS) proposed by Conradsen et al. (2003) and the Expectation Maximization with Probabilistic Label Relaxation (EMPLR) algorithm are presented. High overall classification accuracy of selected study areas which reaches 97.8% using the LR is obtained. Combining the derived spatial criterion with the LR can improve the overall classification accuracy to reach 99.9%. In this study, fully polarimetric C-band RADARSAT-2 data collected over Franklin Bay, Canadian Arctic, is used.