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。     

利用ICA算法进行全极化SAR影像滤波研究

提出了一种基于ICA算法的全极化SAR的滤波方法.首先对全极化SAR的四通道dB强度影像进行ICA变换,分离出信号及噪声分量,将噪声设为极小值,然后利用混合矩阵混合得到滤除噪声后的强度影像,结合原始相位信息,计算滤波后的散射矩阵.采用Foulum地物的EMISAR数据进行试验,并采用相干斑指数、均方差指数、边缘保持系数以及极化相关系数进行评价.结果表明,该方法不但能有效滤除影像的噪声,在边缘等细节信息保持上也具有较大优势.此外,滤波后影像虽散射特性发生改变,但维持了地物间的差异,在基于统计特性的精细分类、边缘信息及小目标检测方面仍具有较好的应用潜力.     

引入商空间粒度计算的全极化SAR影像分类

为了充分利用不同极化特征信息,并将其有效地结合,提出一种结合粒度计算的全极化合成孔径雷达（synthetic aperture radar,SAR）影像分类方法。在不同极化目标分解特征组合的基础上引入影像纹理信息,利用光滑支持向量机（smooth support vector machine,SSVM）对不同特征组合进行类别划分获得粗粒度空间,采用商空间对粗粒度进行合并;根据全极化SAR影像分布特性,以相干矩阵作为新的特征矢量,利用Wishart测度代替传统欧氏距离对差异粒度进行推理,通过合并推理结果与合成论域,获得精细分类结果。采用L波段San Francisco地区和荷兰Flevoland地区的全极化SAR影像进行分类试验,结果表明:利用SSVM算法对全极化SAR影像进行粗粒度划分,并采用Wishart距离对差异粒度推理综合,总体分类效果优于结合纹理信息的Cloude及Yamaguchi4分类结果,且优于基于线性特征融合进行监督分类方法。     

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。     

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。     

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。     

基于亮度相关系数的ETM+影像融合

传统的影像融合方法对ETM＋多光谱影像和全色影像融合往往存在一定的光谱失真现象,提出了一种基于亮度相关系数的影像融合方法,能够提高融合影像的光谱保真度。该方法首先对多光谱影像进行IHS变换,将全色影像与亮度分量进行直方图匹配;其次,对亮度分量和新的全色影像分别进行小波分解,以分解后近似分量的相关系数作为权值,对两个近似分量图像进行加权融合,得到新的近似分量;然后,进行小波逆变化得到新的I分量;最后,通过IHS逆变化得到融合影像。试验结果证明,该方法得到的融合影像,不仅能够有效地保持全色影像的空间细节信息,而且能很好地保留多光谱影像的光谱信息。     

基于最优极化相干系数的倾斜建筑物解译研究

基于Freeman_Durden分解的全极化SAR影像分类方法能够较好地保持地物极化散射特性,但在分类的过程中,不能改变初始散射机制,导致分解结果对分类精度影响很大。在Freeman_Durden分解中,排列方向相对雷达飞行方向不平行的建筑物(简称为倾斜建筑物)常被分为体散射类型,使得该类建筑物往往被误分为植被。通过分析建筑物在SAR影像中的后向散射特性,利用建筑物具有较高相干性的特点,引入最优极化相干系数,在目标分解的基础上通过阈值分割将两者区分开来,进而提高反射非对称性人工目标的分类效果。通过使用E-SAR系统在德国DLR附近Oberp-faffenhofen地区获取的L波段PolInSAR影像和国内X-SAR系统在海南陵水地区获取的X波段PolInSAR影像进行试验,证明该方法能够有效地将与雷达飞行方向不平行的建筑物与森林区分开。     

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。