利用极化目标分解和WMRF的全极化SAR图像分类方法

提出了一种新的全极化SAR图像非监督分类方法,该方法将H/Alpha/A分解与马尔科夫随机场(Morkov rondom field,MRF)相结合。首先,根据地物的散射机制进行H/Alpha/A分解得到初始分类;然后,由基于Wishart分布的最大似然法迭代聚类更新分类结果;最后,结合WMRF(Wishart Markov randomfield)方法,由迭代条件模型法求取最大后验准则下的分割结果。NASA/JPL实验室的数据结果表明,该算法具有较好的分类效果,并获得了较高的分类精度。     

结合Freeman分解与子孔径散射特性的极化SAR图像分类

本文结合Freeman分解和子孔径分析,提出一种新的极化SAR图像分类算法。该方法首先利用子孔径分解,产生不同方位观察角度下的子孔径图像,再利用Freeman分解对各个子孔径图像提取三种散射机理成分的功率,平均后对类别进行细分,最后使用Wishart统计分类器对类别进行分类划分得到最终结果。该方法考虑了极化散射机理在不同方位观察角度下的变化,能够取得较好的分类效果,能够保存主要极化散射特性的纯度,同时还可以动态地设定分类类别数。最后利用EMISAR获取的极化SAR数据进行了仿真,验证了该方法的有效性。     

一种极化SAR协方差矩阵综合四分量分解模型

基于多视协方差矩阵发展了一种综合选择性去取向和广义体散射的极化SAR四分量分解模型。首先引入交叉极化相关系数进行螺旋体散射抑制和非反射对称地物去取向;然后采用一种随HH和VV功率比值自适应变化的广义体散射模型来替代原体散射模型;最后通过功率限制处理以完全消除分解负功率像素,该处理不仅能够保持地物主导散射类型不变,而且包含与Krogager分解三分量对应的非相干分解。通过机载L波段ESAR和AirSAR极化数据实验并与其他分解模型的比较,验证了该分解模型的有效性。     

一种结合分水岭与决策树C5.0的极化SAR分类方法

提出了一种利用多种极化特征并结合分水岭算法与决策树C5.0分类器的极化SAR数据分类方法。首先对极化SAR数据进行极化精致Lee滤波,接着对其进行极化分解得到多个极化通道与Pauli RGB图像,改进梯度图生成法并进行形态学分水岭分割与区域合并,最后选择样本构建决策树C5.0分类器并进行分类。实验结果表明,该方法与传统基于像素的分类方法相比精度有显著提高,同时由于使用了较多的极化特征,也使分类精度在一定程度上得到了提高。     

极化SAR自适应三分量分解方法

介绍了原始极化SAR三分量分解中存在的问题,如负功率和散射机制模糊,并深入分析了其改进方法中仍然存在的缺陷,提出了一种自适应的三分量分解。该分解采用了更一般化的散射模型,并首次考虑了像素中存在不同旋转角的两个面或偶次散射目标,然后利用散射Alpha角确定除体散射之外的剩余主导散射机制,使面或偶次散射得到了更充分的保持。最后,从散射模型与极化相干矩阵自适应匹配的角度出发,提出了一种对负功率进行自适应优化的措施,使得负功率像素个数大大减少,从而分解更加准确有效。试验结果表明,该分解所得结果更符合实际地物散射过程,能更好地解决基于模型的分解方法中存在的缺陷。     

基于Freeman分解的极化SAR数据相干斑滤波

本文在Freeman分解理论基础上,提出一种极化SAR数据相干斑滤波算法。该算法基于Freeman散射模型对原始极化SAR数据进行分解,以获得像素的散射类型和总功率值;在滤波窗口内选取与中心像素散射类型相同,总功率值接近的像素构成滤波同质区;并根据同质区的局部统计特性,应用线性最小均方滤波器进行滤波处理。试验表明,该算法在有效去除相干斑的同时,对极化和边缘等细节信息也有较好的保持效果。     

基于Freeman分解的极化SAR数据相干斑滤波

本文在Freeman分解理论基础上,提出一种极化SAR数据相干斑滤波算法。该算法基于Freeman散射模型对原始极化SAR数据进行分解,以获得像素的散射类型和总功率值;在滤波窗口内选取与中心像素散射类型相同,总功率值接近的像素构成滤波同质区;并根据同质区的局部统计特性,应用线性最小均方滤波器进行滤波处理。试验表明,该算法在有效去除相干斑的同时,对极化和边缘等细节信息也有较好的保持效果。     

基于目标分解及纹理信息的全极化SAR影像分类

全极化SAR影像含有丰富的特征信息,针对单一特征用于分类难以达到满意精度的问题,提出一种基于不同目标分解方法及纹理信息的SVM(Support Vector Machine,SVM)全极化SAR影像监督分类方法。结果表明,Cloude分解和Yamaguchi分解在极化特征信息提取时各有优势,且都优于Freeman分解效果;Cloude分解和Yamaguchi分解结合作为极化特征信息时,分类总体精度相对较高;纹理信息与极化特征信息在表现地物特性方面具有互补性,结合纹理信息后,分类总体精度提高了4.92%,为90.86%,Kappa系数为0.8754。     

利用Yamaguchi分解保持地物散射特性的极化SAR分类

本文提出一种利用Yamaguchi分解保持地物散射特性的极化SAR数据分类方法。该方法利用Yamaguchi分解获得4种散射机理:表面散射、体散射、偶次散射和螺旋体散射,根据4种散射机理的功率大小判断地物的主散射机理和类别之间的Wishart距离,合并到指定个数的初始类别;并结合Wishart距离分类器对初始类进行迭代修正,实现极化SAR图像的非监督分类。最后利用AIRSAR数据与已有分类方法进行对比实验,验证了本方法的优势及适用性。     

利用目标分解特征的全极化SAR海冰分类

特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。