多方位角图像决策融合的SAR目标识别

提出了一种基于多方位角图像决策融合的合成孔径雷达(SAR)图像目标识别方法。对目标切片图像用二维小波分解和主成分分析提取特征向量,利用支持向量机对特征向量进行分类,用贝叶斯方法对目标多幅不同方位角下图像的分类输出进行决策融合,得到最终类别决策。用MSTAR数据库中3个目标进行识别实验,实验结果表明,对3幅以上不同方位角的图像进行决策融合时,该方法可显著提高目标的正确识别率。该方法是一种有效的SAR图像目标识别方法。     

结合纹理信息的极化SAR影像分类研究

结合Gabor小波、灰度共生矩阵和Fast ICA方法提取的纹理信息,利用支持向量机分类器对单极化SAR影像进行分类研究。首先利用精致Lee滤波器对影像进行去噪处理;然后采用灰度共生矩阵和Gabor小波提取影像纹理特征,利用Fast ICA算法对纹理特征进行降维分析;最后将降维后的纹理特征与强度特征结合,采用支持向量机分类器进行分类;采用北京地区Terra SAR-X影像对该方法进行实验,结果表明,纹理信息的引入使极化SAR影像分类精度得到提高。     

一种基于特征分类辨识的SAR图像目标检测方法

该文给出了一种基于特征分类辨识的合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标检测方法。用恒虚警（Constant False Alarm Rate，CFAR）和扩展分形（Extended Fractal，EF）方法对SAR图像进行目标检测后用面积和峰值能量比算子辨识目标和背景杂波，去除一部分虚警，用小波域主成分分析（Principal Component Analysis，PCA）对每个检测窗口内的图像提取特征向量，用支持向量机（Support Vector Machine，SVM）对提取得到的特征向量进行分类，辨识目标和背景杂波，完成目标检测。使用ADTS数据对该方法进行验证和分析，实验结果表明，经过特征分类辨识后，在检测率不变的情况下，虚警数目显著降低。因此，该方法是一种有效的SAR图像目标检测方法。     

基于D-S证据理论的多特征融合SAR图像目标识别方法

针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法.     

基于Log-Gabor小波和Krawtchouk矩的遥感图像分类

为了进一步提高遥感图像分类的精度,提出了一种基于Log-Gabor小波和Krawtchouk矩的遥感图像分类算法。首先利用Log-Gabor小波对遥感图像进行多方向、多分辨率滤波,提取遥感图像的纹理特征;同时计算遥感图像的Krawtchouk矩不变量,作为遥感图像的边缘形状特征,并与基于Log-Gabor小波提取的纹理特征构成完整的特征向量;最后依据所提取的特征向量利用支持向量机(support vector machine,SVM)分类器对待分类图像进行分类,得到最终的遥感图像分类结果。实验结果表明,与近年来提出的基于Gabor小波、基于Log-Gabor小波、基于Krawtchouk矩等3种遥感图像分类算法相比,本文算法在主观视觉效果和分类精度等客观定量评价指标上都有了明显的改善,是一种行之有效的遥感图像分类算法。     

结合视觉特征的极化SAR图像分类

为充分提取极化合成孔径雷达(synthetic aperture Radar,SAR)图像中的信息,提高图像分类精度,提出结合视觉特征的极化SAR图像分类方法。首先,通过极化目标分解方法提取极化参数组成极化特征向量;然后,通过灰度共生矩阵和假彩色合成图像提取极化SAR图像中的纹理和颜色特征参数构成视觉特征向量;最后,将视觉特征向量与极化特征向量组合成新的特征向量,并利用支持向量机(support vector machine,SVM)方法进行分类。对RADARSAT-2的全极化SLC数据进行分类实验,结果表明,与仅使用极化特征向量相比,视觉特征的加入能有效提高极化SAR图像的分类精度。     

基于多层反卷积网络的SAR图像分类

针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。     

基于时频特征的高分辨率遥感图像道路提取

针对传统的遥感图像道路提取算法存在错漏率较高的问题,提出一种基于时频特征提取和域自适应学习分类器的高分辨率航空遥感图像道路提取新算法。首先利用地统计学抽取道路的时域纹理特征和三维小波变换抽取道路的频域光谱特征,构成高分辨率航空图像中的道路特征。然后使用抽取的道路特征训练由迁移支持向量机模型构建的域自适应分类器,并对高分辨率航空遥感图像进行道路粗提取。最后,结合道路形态特征,用数学形态学方法处理粗分类后的道路,获得提取后的完整道路。仿真实验表明,所提方法能有效降低高分辨率航空遥感图像道路提取中非道路目标的干扰,提高道路提取的精确性。     

混合智能优化算法的SAR图像特征选择

为提高SAR图像自动目标识别的准确率及实时性,提出了一种基于混合智能优化的SAR图像特征选择算法。首先,采用分形特征对SAR图像进行增强,基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征集合,使用遗传算法结合二值粒子群的混合优化算法实现SAR图像特征选择。最后,采用MSTAR数据库验证本文算法的有效性。实验结果表明,优化后的特征集合具有一定泛化能力,一方面提高了SAR目标识别的准确率,另一方面减小了SAR图像目标识别的时间。     

一种有效的高分辨率SAR目标特征提取与识别方法

提出了一种有效的高分辨率SAR目标特征提取与识别方法,根据SAR图像目标对多尺度Gabor滤波器组的不同响应,充分利用多尺度信息及尺度间的相依性提取新的多尺度特征,该特征综合考虑了SAR图像目标的宏观和微观固有的尺度特性,从而更能反映目标的本质特征;并利用Fisher核映射使得非线性变换比线性变换更能刻画实际中的复杂模式。实验给出了MSTAR数据库中三类目标特征的空间聚类及分类情况,结果表明了该多尺度特征的有效性。     

影像融合技术应用于地表分类之探讨

本论文尝试讨论两个主题：主题一为利用主成分分析PCA方法应用于像元阶层资料融合技术的研究。主题二为应用Dempster-Shafer evidence theory方法于特征阶层数据融合技术的研究。在第一个主题中，由于合成孔径雷达的数据具有全偏极特性，在此选取了对植被较为敏感的HV极化合成孔径雷达数据，与具有光谱特性的光学SPOT数据做数据融合处理以利接下来的地物分类。首先，本研究利用小波转换技术来滤除合成孔径雷达斑驳噪声，在接下来融合步骤中，主成分分析出来的第一部分（PCI）是用做完滤除噪声后的合成孔径雷达取代，在数据融合后，进行地物分类是采用最大似然法来分类融合影像。在第二个主题中，利用全偏极雷达数据的极化特性结合SPOT数据的光谱特性，其主要目的是为了增加分类的精确度。首先使用李式滤波器滤除全偏极雷达数据噪声，接下来同样是使用采用最大似然法来分类融合影像，（不同的在于全偏极雷达影像使用Wishart几率分布，在光学影像采用multivariate Gaussian几率分布）将每个类别中每个像元属于某个类别的几率值计算出来，再利用Dempster-Shafer evidence theory来结合这些类别的机率值。最后产生出一张新的分类影像。实验的结果显示分类的精确度比较于未融合的资料都有明显提升的效果，也证明了此两个数据融合方法对于不同数据特性的融合都是很成功的。     

融和启发信息的蚁群特征选择方法

特征提取和选择是模式识别核心问题之一,它极大地影响着分类器的设计和性能,高维的特征选择更是一个NP难题。针对特征选择这一组合优化及多目标优化问题,本文提出了改进的融合启发信息ACO(Antcolony optimization)特征选择的新方法,该算法比不用启发信息的ACO方法能更好地找出代表问题空间的最优特征子集,降低分类系统的搜索空间,从而提高搜索效率。以航空纹理影像的特征选择和分类问题为例,利用原始蚂蚁算法和改进的蚂蚁算法选择的特征分别进行识别,结果证明该算法不仅能够比没有改进的蚂蚁找出有效特征集、降低图像特征空间维数、减少图像分类的工作量,而且提高了分类识别正确率。     

Fusion of TerraSAR-x and Landsat ETM+ data for protected area mapping in Uganda

TerraSAR-X satellite acquires very high spatial resolution data with potential for detailed land cover mapping. A known problem with synthetic aperture radar (SAR) data is the lack of spectral information. Fusion of SAR and multispectral data provides opportunities for better image interpretation and information extraction. The aim of this study was to investigate the fusion between TerraSAR-X and Landsat ETM+ for protected area mapping using high pass filtering (HPF), principal component analysis with band substitution (PCA) and principal component with wavelet transform (WPCA). A total of thirteen land cover classes were identified for classification using a non-parametric C 4.5 decision tree classifier. Overall classification accuracies of 74.99%, 83.12% and 85.38% and kappa indices of 0.7220, 0.8100 and 0.8369 were obtained for HPF, PCA and WPCA fusion approaches respectively. These results indicate a high potential for a combined use of TerraSAR-X and Landsat ETM+ data for protected area mapping in Uganda.     

小波变换在高光谱决策树分类中的应用研究

近几年来，离散小波变换在遥感图像压缩、消噪和融合中得到了广泛的应用。利用航空飞行的高光谱图像数据，先后进行了主成分分析及10种小波变换，并应用分类回归树对其进行分类处理。将小波变换的分类结果与主成分分析的结果及不同的小波变换方法之间进行了对比。结果表明，在样本数相同的条件下，小波变换的分类精度均高于主成分分析，其中Haar小波的分类精度最高；小波变换后的分类对样本数量的要求要小于主成分分析。在样本数足够的情况下，主成分分析数据压缩率要高于小波变换。但小波变换在压缩的情况下，仍保留了原光谱的大部分信息。而主成分分析只保留了原图像的方差而无法保留波形。     

基于独立分量分析的遥感图像分类技术

遥感图像的自动分类方法一般基于图像的统计信息。多光谱遥感图像之间有着一定的相关性 ,对遥感图像的自动分类有不利影响。一般用主成分分析去除波段之间的相关性。独立分量分析能利用相对主成分分析更高的统计分量 ,不但可以获得去相关的效果 ,而且可以得到相互独立的结果波段图像。本文首先讨论了独立分量分析的基本原理。在此基础上 ,介绍FastICA算法 ,并对其进行改进 ,得到M FastICA算法 ,并将其应用到遥感图像的分类上。实验结果表明 ,M FastICA算法较FastICA算法收敛性大为改善 ,提高了独立分量分析在遥感图像的分类上的有效性     

结合多尺度几何分析和KICA的遥感图像变化检测

为了进一步提高基于独立分量分析ICA(Independent Component Analysis)的遥感图像变化检测精确度,更好地实现地表覆盖的动态监测,将多尺度几何分析和核独立分量分析KICA(Kernel Independent Component Analysis)相结合应用于遥感图像的地表覆盖变化检测。首先利用Contourlet变换、复Contourlet变换CCT(Complex Contourlet Transform)、非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)等多尺度几何分析对土地遥感图像进行多尺度分解;然后对分解后的数据进行核独立分量分析,通过核函数将数据映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的分量;最后将分离后的地表变化分量转化为图像分量,再采用最大类间方差法对变化图像进行分割,实现地表覆盖的变化检测。给出了本文方法和近年来提出的基于ICA、基于KICA、基于小波变换和ICA等变化检测方法的实验结果,并进行了分析和定量比较。实验结果表明,基于多尺度几何分析和KICA的变化检测方法能更好地分离出遥感图像的变化信息,其中基于NSCT和KICA方法的错判和漏检误差最小,且在边缘细节方面处理得更好,而基于Contourlet变换和KICA方法的检测效率相对较高。     

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达（synthetic apertureradar,SAR）图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。     

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.