基于粒子群算法的全极化SAR图像非监督分类算法研究

提出了一种基于H/α/A和粒子群优化(PSO)算法的全极化SAR数据非监督分类方法。该方法利用H/α/A对全极化SAR数据进行基于散射机理的初分类,计算各类别的聚类中心,并利用计算结果对PSO算法进行初始化,然后采用PSO对极化SAR数据进行迭代分类。在运算过程中,引入了基于最大似然准则的复Wishart距离,以提高分类器的性能。实验结果验证了该算法的有效性,所提出算法的分类结果优于传统的Wishart-H/α/A分类方法。     

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。     

基于高分三号极化SAR数据的农作物散射特性分析及分类

高分三号卫星是我国首颗多极化的高分辨率C波段SAR卫星,其于2017年1月正式交付用户使用后,主要被用于海洋遥感方面的研究。而极化SAR对于农作物的结构特征十分敏感,适合于农作物监测及分类。文中首次利用高分三号的极化SAR数据分析不同农作物的极化散射特性,然后利用H/α-wishart分类和H/A/α-wishart分类方法对湖南省岳阳县洞庭湖实验区域的高分三号极化SAR数据进行分类。整体分类精度高于85%,Kappa系数大于0.8。实验结果表明,高分三号全极化数据能够较好地表征农作物的散射特性,并可用于极化SAR农作物分类研究。     

粒子群优化算法在全极化SAR影像非监督分类中的应用

极化SAR影像高维数以及高分辨率带来的大数据量特点使得影像分类的复杂度不断增加。粒子群优化(PSO)算法作为新型进化计算技术,具有强大的全局寻优能力。本文研究了一种基于PSO算法的极化SAR影像的分类方法。该方法首先利用H/α方法对数据进行基于散射机理的初分类;然后利用分类结果对PSO算法进行初始化;最后采用PSO对极化SAR数据迭代分类。实验采用NASA-JPL实验室的极化SAR数据以及中国电子科技集团X波段原型样机的高分辨率数据。结果表明,H/α-PSO分类方法较H/α-Wishart分类精度及目视效果均有所提高。     

全极化干涉SAR散射功率的非监督分类方法

本文首先通过分析全极化干涉SAR条件下的散射机理,分别计算出来自地表层和植被层的散射功率,并进一步通过确定像素在功率平面上的位置来区分目标,实现对地物的分类。在此基础上,为了充分利用H/α非监督分类结果的有用信息,对基于H/α分类和基于散射功率分类得到的分类集进行组合,并通过复Wishart迭代分类方法进行聚类,得到最终的SAR图像分类结果。本文详细阐述了该方法的原理和实施步骤,并对SIR-C/X-SAR的L波段实际全极化干涉数据进行分类实验,可知该算法无论在分类精确度上还是在迭代速度上,都有较高的性能。     

一种改进的全极化SAR图像MCSM-Wishart非监督分类方法

针对H/Alpha/A-Wishart非监督分类算法存在的未充分提取SAR图像极化信息和分类精度低等问题,引入多分量散射模型(multiple-component scattering model,MCSM)分解,提出了一个适用于全极化SAR图像非监督分类的MCSM-Wishart算法。首先对全极化SAR图像进行MCSM分解,提取体散射、二次散射、螺旋体散射、表面散射和线散射极化信息,采用迭代自组织数据分析技术(iterative self-organizing data analysis technique,ISODATA)的非监督分类算法进行聚类;然后通过基于描述多视协方差矩阵的复Wishart分布的迭代分类得到分类结果。以南京溧水和盐城滨海湿地的ALOS PALSAR图像为研究数据,比较了H/Alpha-Wishart算法、H/Alpha/A-Wishart算法、MCSM-Wishart算法和监督-Wishart算法4种分类方法。研究结果表明,MCSM-Wishart分类算法在效率、总体准确率和Kappa系数等指标上均较原始分类器有一定的提高;将ISODATA聚类算法应用于复Wishart分布的迭代分类器中,可有效提高分类的精度。     

一种综合的极化SAR非监督分类方法

针对仅利用物理散射特征分类方法无法实现精细类别差异区分和分辨率保持的问题,该文设计了一种将物理散射机制和统计特征相结合的极化SAR非监督分类算法。该算法采用加利福尼亚州Camp Roberts地区的JPL AIRSAR数据,通过H/A/珔α和Wishart分类相结合的非监督分类方法,对900像素×900像素大小的研究区进行了分类,分类结果表明,该算法在保持分辨率及区分精细类别差异方面是有效的。     

基于Sentinel-1A雷达影像地表覆盖信息提取研究

为提取不同类别地表覆盖信息,本文利用Sentinel-1A双极化星载合成孔径雷达影像,使用Cloude极化分解方法获得雷达卫星探测到的地表目标散射机制信息,并以由散射熵H和α角所构成的特征空间中不同地表覆盖区域所对应的不同散射机制区域为基础,划分监督样本并结合Wishart迭代监督分类方法以及SVM分类方法进行地表覆盖信息提取,结果显示,根据H-α特征空间进行的监督分类方法中H/α-Wishart分类方法精度评价Kappa系数为0.804,H/α-SVM方法Kappa系数为0.827,两种不同方法的地表覆盖分类结果都能够达到较高的分类准确性,说明根据H-α特征空间进行地表覆盖信息提取是有效、可行的分类方法.     

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。     

基于极化SAR数据的地物要素提取

摘要本文提出了一个基于极化SAR数据进行重要地物要素提取的方法,首先通过经典的特征分解方法得到散射目标的极化特征,然后结合基于Wishart的K-means非监督分类方法和基于最大似然的监督分类方法得到分类结果,经过分类后处理,最后提取各地物要素,生成地表覆盖图。实测极化SAR数据结果验证了方法的有效性。     

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。     

一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法

提出了一种新的基于Cloude-Pottier分解和极化白化滤波(PWF)的全极化SAR数据分类算法。该算法利用PWF的结果来代替反熵A对复WishartH/α分类结果进行进一步细化,按PWF的值将复WishartH/α分类结果由8类分为16类,然后再次进行Wishart迭代分类。实验结果表明,该算法能有效地提高分类精度,分类结果明显优于常规的复WishartH/α分类结果和复WishartH/α/A分类结果。     

极化SAR影像分类方法研究

极化SAR图像分类是SAR图像解译的重要内容,快速、准确的SAR图像分类是实现各种实际应用的前提.现基于极化SAR图像的特点,用H-α、Wishart分布及H-α-FCM三种方法对机载全极化SAR数据和星载全极化SAR数据做了分类实验研究.结果表明,由于H-α平面的划分过于简单,这不可避免的会导致分类结果的不稳定性;Wishart分类方法能够清楚地区分开自然地物的主要类型,更符合散射机制的自然分布,并考虑与后向散射强度有关的信息,以一种自适应的方式改变了H-α平面中的决策边界,改善了H-α分类结果;H-α-FCM分类方法能较好的克服H-α分类结果中地物类别的模糊问题.     

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。     

自交叉双边滤波的极化SAR数据相干斑抑制

相干斑抑制是极化SAR数据预处理的关键步骤。双边滤波是一种空域和值域滤波相结合的优秀边缘保持滤波算法。针对双边滤波在抑制极化SAR数据相干斑的不足,该文将改进的交叉双边滤波引入到极化SAR数据降噪领域,加入散射机制测度来扩展原权重核,根据SPAN图像的局域变差系数自动调整空间方差系数,利用参考图像来度量灰度值和散射机制相似性。实验结果表明:本文方法较经典滤波算法有更强的噪声平滑能力和更好的细节信息保持能力,在保持原数据极化散射信息方面也表现出良好的性能,这为基于极化SAR数据的后续应用提供了支持。     

基于雷达数据的区域土壤盐渍化监测

以新疆渭库绿洲为研究区,对Radarsat-2全极化数据进行Freeman-Durden和H/α这2种目标极化分解处理,得到相应的特征参数,结合SVM-Wishart半监督分类方法对研究区土壤盐渍化信息进行提取,并利用目视判读和野外实地考察对分类结果进行分析验证。研究结果表明:①应用不同极化分解得到的特征参数进行影像类型识别和参数特征空间构建,不同参数信息识别度不同,且参数之间特征空间分布不同,其中H/α分解后特征参数构成的特征空间存在明显规律;②利用SVM-Wishart半监督分类方法对Freeman-Durden分解和H/α分解结果进行分类,Freeman-Durden分解后分类效果优于H/α分解分类效果,分类精度分别达88. 00%和78. 96%;③SVMWishart半监督分类优于传统的SVM分类效果,可以较好地提取研究区土壤盐渍化信息。SVM-Wishart半监督分类可对极化非相干分解后得到的特征参数进行较充分的挖掘,并使分类结果得到一定程度的提高,在区域土壤盐渍化信息提取中具有优势。     

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。     

多时相双极化合成孔径雷达干涉测量土地覆盖分类方法

综合采用时相、极化和干涉3种维度的SAR数据进行土地覆盖分类。以黑龙江省逊克县多时相ALOS PALSAR数据覆盖区为研究区,利用不同时相极化SAR、干涉SAR信号对地物特征的敏感性,结合后向散射强度和干涉相干的时变特征进行地物解译,发展了基于多时相、多极化、干涉SAR数据的SVM土地覆盖分类方法。研究结果表明,引入双极化SAR中不同极化(HH-HV)间的相干系数,并结合所选择的时相特征、极化特征以及干涉相干特征进行分类,可解决双极化SAR影像中林地与城市及建设用地的混分问题,得到更高精度的土地覆盖分类结果。     

基于散射分量系数的极化SAR数据分类

分析了传统的基于散射功率大小的极化SAR数据分类算法,提出了一种基于散射分量系数的改进算法,实现了全极化SAR数据的有效性分类。     

地形信息辅助下的全极化SAR数据土地覆盖分类

提出了地形参数辅助全极化SAR数据土地覆盖分类的方法,基于规则判断的决策树分类法,建立了全极化SAR数据的H/α-Wishart初步分类结果和地形参数的相关规则,对初步分类结果进行后处理,获得了精度较高的土地覆盖分类结果。以淮北地区为研究区,对全极化SAR数据的H/α-Wishart初步分类结果进行了分析,选取易混淆的土地覆盖类型样本,通过样本统计量确定DEM高程、坡度2种地形参数的阈值,设计决策判断规则,对初步分类结果进行了处理。试验结果表明,该方法能有效地提取出研究区内的水体、山地、林地、建设用地、耕地、未利用地6种土地覆盖类型,水体与建设用地、建设用地与山地的阳面、林地与山地阳面的混淆程度得到很大程度的改善,区分度增大。