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。     

极化方位角补偿信息支持下的植被参数反演

SAR图像中散射目标的散射矩阵受极化方位角(POA)的影响会改变散射体的散射特性,散射矩阵是极化干涉SAR (PolInSAR)估计不同极化状态下复相干性的基础。本文根据极化方位角产生机制,建立了多视情况下基于极化方位角补偿的极化干涉相干性估计模型,分析了极化方位角补偿对相干性估计方法和不同散射机制下相干性估计的影响程度,研究了基于三阶段法与极化方位角补偿的植被参数反演。利用L波段SIRC全极化SAR图像为实验数据验证极化方位角补偿对极化干涉相干性估计和植被参数反演的可行性。实验结果表明,极化方位角补偿能够改变不同极化状态相干性分布规律,提高相干直线拟合精度,改善植被参数反演的可靠性和合理性。     

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。     

极化SAR图像中非平稳目标的检测与区分方法研究

在合成孔径雷达(SAR)极化测量中,通常认为雷达视角相对于目标是不变的。然而实际上SAR通常具有较宽的方位向波束,在孔径合成过程中,所成的全分辨率SAR图像包含多个斜视角下的目标回波。极化参数的子孔径分析可以用来对成像过程表现出非平稳散射行为的媒质进行检测。本文提出了一套基于子孔径分解和对散射矩阵及参数进行统计分析的方法,来检测两类非平稳目标。仿真结果表明,这种方法具有较好的非平稳目标检测和区分性能。     

基于Bayes决策的机载全极化SAR图像滑坡信息提取

将雷达遥感技术应用于滑坡灾害调查是地学应用的一个重要方向,特别是在多云多雨地区。由中国科学院电子学研究所研发的高效能机载SAR系统(high–performance airborne synthetic aperture Radar system,HASARS)具备X波段双基线干涉和P波段全极化观测的能力,是国内首家多频段多模式机载SAR系统。从多极化机载SAR数据的特征选择和信息提取等角度,评估了不同极化模式组合对滑坡信息提取精度的影响;并基于Bayes决策理论,提出了多极化SAR图像分类的特征选择方法。利用不同研究样区的特征选择结果提取了多个滑坡的范围,提取精度均在90%以上。HASARS的高空间分辨率及其获取的高精度DEM和P波段全极化观测,可以近实时、高精度地获取地表滑坡灾害专题信息,在滑坡等减灾救灾领域具有广阔的应用前景。     

利用极化合成孔径雷达干涉测量技术生成DEM

极化合成孔径雷达干涉测量(PolInSAR)是目前雷达遥感的前沿领域之一,它综合了极化和雷达干涉技术(InSAR)的特点.文中应用极化干涉相干最优化技术处理了Amazon雨林地区的真实L波段PALSAR全极化数据,得到该地区的数字高程模型(DEM).与常规的单极化InSAR技术进行对比,证明了利用极化干涉技术可以显著提...     

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。     

X波段和全极化P波段SAR图像配准方法研究

利用多波段SAR数据进行遥感应用,首先需要将不同波段SAR图像数据进行配准。不同波段电磁波与地物散射机理不同,导致同一地物在不同波段SAR图像上的表征不同,难以直接配准。将全极化P波段数据进行极化分解,利用SIFT算子提取X波段与P波段α分量的局部特征,实现配准,并给出初步的匹配结果。实践证明,该方法具有较好的稳定性和较高的配准精度。     

一种扩展的基于结构检测的最优多视极化SAR相干斑滤波算法

全极化数据的可得,使得利用极化散射矩阵以减少多视全极化SAR图像中的相干斑成为了可能。其中,被称为最优的多视极化白化滤波器（MPWF）就是一个典型例子。然而,为提高滤波器参数估计的精度,同时能够自适应的检测图像中的结构特征,在滤波时采用适当的窗算法是必要的。本文提出了两个有效的窗算法,并用1994年NASA SIR-C/X-SAR,L band,经过四视处理的天山森林的极化数据进行了仿真。实验结果表明,这两种算法不仅很好的达到了降噪效果,而且对图像的纹理信息以及结构特征（即边缘特征、线性特征、强散射体特征）的保持效果是最佳的。     

多特征全极化合成孔径雷达的林地和居民地提取

针对传统全极化合成孔径雷达(SAR)图像信息提取方法存在的问题,结合林地、居民地的散射机理,文章提出了一种综合多特征(多种极化特征、几何形状和尺度特征)的全极化SAR林地和居民地信息提取方法.该方法采用分形网络演化算法实现综合多特征的多尺度分割;基于对象选择极化特征并制定分类规则来提取林地和居民地.实验结果表明,该方法能有效提取研究区的林地和居民地,结果明显优于H-α-A-Wishart分类方法.     

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。     

极化干涉SAR数据地表土地类型分类

基于新疆和田地区1994年10月9日和10日SIR-C-L波段全极化雷达数据。首先对极化干涉测量的基本原理和数据处理流程进行了详细的阐述，接着，用Cloude相干最优算法得到了与3种地物散射机制相对应的3个最优相干图。并且就地物相干性对极化的强烈依赖和3种散射机制中地物的最优相干特性进行了分析，具有最高相干值的相位图在提取DEM方面较有利，具有最低相干值的相干图在地物识别方面较有利。最后，在对最优相干系数。后向散射系数和熵进行数据相关性分析基础上，利用得到的最优相干系数，熵和后向散射系数数据进行了土地类型的识别和分类，得到了很好的效果。     

用基于知识的决策树方法分层提取矿区土地类型——以湖北大冶为例

以湖北大冶为研究区,采用多时相陆地卫星遥感图像,通过不同波段组合,以及ironoxide指数和归一化差异植被指数(NDVI)等,详细分析了各地表地物光谱特征和空间特征,建立了研究区分类知识库表,采用决策二叉树法进行分类,得到了高精度分类结果图。基于不同时相分类结果的变化检测,通过对研究区水体污染、矿区复垦、耕地变化等分析,认为从1986～2002年,研究区水质虽有一定改善,但矿区植被退化严重,耕地大量减少,停产矿区复垦仅为20%,为合理保护矿区生态环境和科学管理采矿企业提供了有用资料。     

基于MODIS影像的森林火灾火线检测方法

结合归一化火灾差异指数NDBR(normalized difference burn ratio)和MODIS多波段影像梯度边缘分析手段检测火线, 应用B样条函数拟合火线并确定火势蔓延方向。为对比验证, 基于火线的Kriging插值实现火灾外推预测, 与30min后的火灾参考数据目视对比与统计：火线的预测变化与参考影像基本保持一致, 火灾外推影像的均值和熵约为参考影像的86%和81%, 火迹地检测的Kappa系数达80.2%。试验表明, 提出的森林火线特征自动检测方法在动态火灾监测中是可行、有效的。     

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。     

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.     

基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例

城市受人类活动影响比较大,结构组成比较复杂,对该区域进行分类研究存在一些问题。甚高分辨率遥感影像,以其丰富的细节信息为城市土地覆被分类研究提供了可能。本文结合使用甚高分辨率QuickBird遥感影像和激光扫描LIDAR数据,论述了利用多尺度、多变量影像分割的面向对象的分类技术对马来西亚基隆坡市城市中心区的土地覆被分类研究。针对特定地物选择合适的影像分割特征和分割尺度、按照合理的提取顺序逐步进行城市土地覆被信息提取。在建筑物的提取过程中构建了归一化数字表面模型nDSM,使用成员函数将建筑物信息提取出来。精度评价结果表明,利用该方法得到了理想的城市土地覆被分类结果,其分类总精度从常规面向对象分类方法的83.04%上升到88.52%,其中建筑物生产精度从60.27%增加到93.91%。     

An Analysis of Texture Measures in PCA-Based Unsupervised Classification of SAR Images

In single-band single-polarized SAR images, intensity and texture are the information source available for unsupervised land cover classification. Every textural feature measure identifies texture patterns by different approaches. For efficient land cover classification, textural measures have to be chosen suitably. Therefore, in this letter, the role of various intensity and textural measures is analyzed for their discriminative ability for unsupervised SAR image classification into various land cover types like water, urban, and vegetation areas. To make the algorithm adaptable, these textural features are fused using principal component analysis (PCA), and principal components are used for classification purposes. To highlight the effectiveness of PCA, the difference between PCA- and non-PCA-based classifications is also analyzed. Analysis of the role of texture measures for unsupervised classification of real-world SAR data with application of PCA is presented in this letter. The analysis of how every individual feature measure contributes for classification process is presented, and then, textural measures for a feature set are chosen according to their role in improving classification accuracy. By analysis, it is observed that the feature set comprising mean, variance, wavelet components, semivariogram, lacunarity, and weighted rank fill ratio provides good classification accuracy of up to 90.4% than by using individual textural measures, and this increased accuracy justifies the complexity involved in the process.     

基于MODIS的LAI时间序列谱的地物分类方法研究

利用MODIS数据所反演的每8d一景,全年共46景的时间序列叶面积指数(LAI)图像,分析江西省不同类型地物的LAI时间序列谱,并对地物进行分类。首先,利用最小噪声比变换技术(MNF)将噪声从数据中分离;然后,通过纯净像元指数(PPI)从LAI时间序列谱中提取5类主要地物类型终端单元(Endmember),从而对地物进行分类并制图;最后,结合2000年江西省兴国县1 10万比例尺的土地利用/覆盖矢量图对本研究分类结果进行检验。结果表明,该方法的地物分类精度达到74.45%,其分类方法是有效可行的。