利用改进三分量分解与Wishart分类的极化SAR图像建筑提取方法

本文针对基于Freeman分解的建筑提取方法存在的问题,提出采用圆极化相关系数实现选择性去取向,同时引入广义体散射模型,构建了面向建筑提取的改进三分量分解模型,以准确分析地物的散射特性。在此基础上,发展了一种综合利用改进三分量分解与Wishart迭代分类算法的极化SAR图像建筑提取方法。使用E-SAR全极化数据的试验结果表明,本文方法能够有效减少建筑与植被的误分,并提高建筑信息提取的准确性。     

利用改进三分量分解与Wishart分类的极化SAR图像建筑提取

本文针对基于Freeman分解的建筑提取方法存在的问题, 提出采用圆极化相关系数实现选择性去取向, 同时引入广义体散射模型, 构建面向建筑提取的改进三分量分解模型, 以准确分析地物的散射特性。在此基础上, 发展了一种综合利用改进三分量分解与Wishart迭代分类算法的极化SAR图像建筑提取方法。使用E-SAR全极化数据的试验结果表明, 本文方法能够有效减少建筑与植被的误分, 并提高建筑信息提取的准确性。     

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。     

一种自适应的混合Freeman/Eigenvalue极化分解模型

全极化SAR数据的极化分解在土地利用分类、目标检测与识别以及地表参数反演等领域得到了广泛应用。目前,主要有基于特征值分解和基于模型分解2类极化分解方法。混合Freeman/Eigenvalue极化分解结合了两者的优势,避免了基于模型的极化分解中负功率问题并且能够利用已知的散射机制解释分解后的散射分量。为了进一步拓展该分解在不同地表类型中的应用,通过引入参数Neumann一般化体散射模型,提出了一种自适应的极化分解模型。利用德国Black Forest地区的L波段AirSAR(airborne synthetic aperture Radar)全极化数据进行实验,并与现有的Yamaguchi三分量模型和自适应非负分解(adaptive nonnegative eigenvalue decomposition,ANNED)对比分析,以验证模型的有效性。研究表明,自适应的混合Freeman/Eigenvalue极化分解模型保证了分解能量的非负性及完全分解,适应于不同类型的地表,能有效地区分不同地类。     

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。     

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。     

针对倾斜建筑物的四分量分解方法

经典的Freeman-Durden三分量分解模型存在着体散射能量过度估计的现象,这种现象易导致倾斜建筑物(即建筑物的排列方向与雷达飞行方向不平行)被错误解译为森林。虽然存在多种分解方法来避免倾斜建筑物的错误解译,但从非反射对称散射的角度来应对体散射能量过度估计目前研究仍较少。因此,提出一种新的四分量分解方法,可有效抑制体散射能量的过度估计,并有助于探测地面目标。文中首先提出一种新的非反射对称模型,结合Freeman-Durden三分量分解模型,发展一种新的四分量分解模型;然后通过非线性最小二乘算法来反演模型;最后,利用ALOS2/PALSAR2卫星全极化数据进行实验。实验结果表明,提出的四分量分解算法能有效地抑制倾斜建筑物区域体散射能量的过度估计,并具有准确探测地面目标物的潜力。     

散射特性引导的极化SAR图像多尺度分割

为满足不同地物分割的尺度需求,本文提出一种散射特性引导的极化SAR图像多尺度分割算法。该算法以分水岭初始分割为基础,通过迭代合并相邻区域获取极化SAR图像在不同尺度下的分割结果;以极化散射功率为特征,将地物按尺度相似性划分成表面散射、二次散射和体散射3种散射类型;以分割质量评价为指导,从多尺度分割结果中为每种散射类型地物选取适宜的分割尺度并进行叠置合成,形成最终分割结果。ESAR系统获取的L波段极化SAR数据验证了该算法的可行性。     

四分量散射模型在极化SAR相干斑滤波中的应用

在分析四分量极化散射理论基础上,提出了一种新的极化SAR数据相干斑滤波算法。该算法首先应用四分量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;然后采用极化特征和空间特征的相似性度量,在滤波窗口内选取中心像素的同质区;最后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。AIRSAR系统L波段极化SAR数据的实验结果表明,该算法不仅可有效抑制相干斑,而且对极化和边缘等细节信息也有较好的保持。     

基于相干矩阵完全分解的PolSAR图像分解

目前,基于散射模型的非相干分解主要存在两个问题:一是忽略交叉极化信息导致体散射功率过高;二是未遵循非负特征值分解。因此,本文提出了基于相干矩阵完全分解的PolSAR分解方法。一是在非反射对称下进行极化分解,考虑交叉极化相位信息,将相干矩阵中的9个参数全部用于散射功率计算。二是将非负特征值约束引用到体散射参数的计算上。实验结果表明,城区的偶次散射功率值明显提高,森林部分体散射功率得到抑制。     

Yamaguchi分解Notch滤波的全极化SAR图像舰船目标检测

极化合成孔径雷达数据蕴含了丰富的地物极化散射信息,已广泛应用于海上舰船目标检测研究。针对极化相干矩阵无法直接用于分析特定散射体物理特性的缺陷,利用Yamaguchi极化分解改进了极化Notch滤波器。将基于模型的极化分解方法引入Notch滤波器,利用表面散射、二次散射、体散射和螺旋体散射等散射机制的能量构造散射矢量代替极化相干散射矢量,并加入功率能量因子,构造新的极化SAR图像Notch滤波器。Radarsat-2全极化SAR图像实验结果表明,改进算法有效增强了舰船目标与海杂波背景间的对比度,检测性能优越。     

结合Singh四分量分解的高分三号全极化SAR影像分类

不同于一般分类算法基于像素统计的分类，忽略了地物的散射特性，文中提出了一种保持地物散射特性的分类方法。这种方法将Singh提出的Singh四分量分解与基于复Wishart分布的最大似然分类器相结合，对高分三号全极化影像进行分类。利用Singh四分量分解获得表面散射、体散射、二次散射和螺旋体散射，然后将前3种基础散射分别划分为多个聚类，根据复Wishart距离进行类间合并，直到获得指定类别数，输入复Wishart分类器进行迭代分类，最后进行类别合并获得最终分类结果。试验表明本文算法具有较好的分类效果且验证了利用高分三号全极化卫星数据进行影像分类的可行性。     

采用螺旋散射的SAR极化定标参考地物提取方法

极化合成孔径雷达观测系统获取的影像需要经过极化定标处理才能进行定量的分析与应用。当前的极化定标方案普遍采用分布式地物解算串扰和交叉极化通道不平衡误差,需要在定标前选取满足一定散射特征的分布式地物作为定标参考样本。利用螺旋散射的极化特征与分布特点,提出了一种新的极化定标参考地物自动提取方法。该方法根据极化目标分解构建螺旋散射比率特征,并采用自适应阈值分割方法自动提取地物样本。采用C波段机载极化雷达影像进行实验,结果表明,所提方法能够保持影像极化定标的准确性,并能提高极化定标的精度。     

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。     

目标分解技术在植被覆盖条件下土壤水分计算中的应用

目标分解技术利用协方差距阵的特征值和特征矢量，将极化雷达后向散射测量值分解为单向散射，双向散射和交叉极化散射三个分量，并建立了植被覆盖地表的一阶物理离散散射模型。通过分解的各分量与该模型的比较，建立重轨极化雷达测量数据估算土壤水分的方法，采用Washita‘92实验区多时相全极化L波段JPL/AIRSAR图像雷达测量数据，利用分解的散射测量值，我们评估了在同一入射角，单频（L波段），多路条件下，分解理论在进行土壤水分估计时减少植被影响的能力。结果表明利用目标分解理论和重轨极化雷达数据可以估算植被覆盖区域土壤水分的变化情况。     

基于特征值和Singh分解的全极化Radarsat-2图像分类

基于模型的分解发展较快,但存在负功率、体散射过估计、未充分利用相干矩阵等问题,考虑到基于模型分解的优点,采用Singh分解提取极化信息,同时用散射角、极化熵和极化总功率进行补充,再利用SVM对山东禹城地区全极化Radarsat-2数据进行分类。为验证该方法的有效性,将其与H/α/A-Wishart和Yamaguchi-SVM两种分类方法进行比较。结果表明,该方法分类效果较好,总体精度分别提高了6.4%和3.48%。     

基于非高斯分布的全极化SAR数据无监督分类

结合Freeman-Durden以散射模型为基础开发的分解算法和基于非高斯的K-Wishart分布,提出了一种无监督算法对全极化合成孔径雷达(fully polarimetric SAR,PolSAR)数据进行地物分类。该算法主要由3大步骤组成:首先通过Freeman-Durden算法把PolSAR数据划分成3种散射:表面散射、体散射和二面角散射,再使用形状参数χ将各种散射分为3类;然后通过每个像元的8个邻域计算先验概率,以改进分类距离和计算聚类中心;最后应用迭代K-Wishart分类器进行精确分类,并对每一类提出颜色填充方案。与复Wishart分布不同,K-wishart分布不但适合均匀区域数据描述,而且对不均匀区域数据的描述能力也很强。实验结果表明,该方法比FreemanDurden分解和复Wishart分布组合具有更好的分类性能。     

基于四分量散射模型的多极化SAR图像分类

基于四分量散射模型提出了一种多极化SAR(synthetic aperture radar)图像非监督分类算法。与Freeman三分量散射模型不同,四分量散射模型在Freeman三分量的基础上增加了螺旋散射分量(helix),该分量反映了复杂地貌和不规则城市建筑的散射机理,可以用来处理复杂的场景图像。算法强调了初始分类的重要性,在初始分类中考虑了混合散射机制像素的存在,从而提高了分类结果的精确度。聚类过程中,采用由四个散射分量组成的特征向量进行迭代聚类。为了实现算法的完全非监督,利用特征向量给出了一种新的聚类终止准则。NASA/JPL实验室AIRSAR全极化数据分类实验结果表明,该算法具有较好的分类效果,并获得了较高的分类精度。     

引入规范化圆极化相关系数的保持极化散射特性的分类算法

极化SAR三分量分解中,和SAR视线不垂直的人工建筑物常被分为体散射类型,进而引起建筑物和森林的误分类。针对此不足,利用此类建筑物的反射非对称性,提出了一种引入规范化圆极化相关系数(NC-CC)的保持极化散射特性的分类算法。实验结果表明,本文提出的方法能够将与SAR视线不垂直的人工建筑物从体散射类型中分离出来。