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。     

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。     

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。     

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。     

结合BRF神经网络的全极化SAR影像分类方法研究

为了解决模糊支持向量机(FSVM)算法应用于全极化SAR影像分类而产生的聚类中心陷入局部过适应问题,本文提出了一种基于模糊分割理论结合RBF神经网络的全极化SAR影像分类方法。主要利用模糊聚类分割、极化分解、纹理特征提取等,构建待分类地物特征集,并通过SGE进行监督降维,采用降维后的待分类地物极化表征完成RBF分类器训练,实现全极化SAR影像监督分类。最终通过C波段Randsat-2全极化SAR数据进行实测检验,结果表明,该方法使得分类结果区域一致性增强,充分地保存了待分类地物细节信息。     

基于Freeman散射熵和各向异性度的极化SAR影像分类算法研究

极化SAR影像中阴影、水体和裸露的耕地3种地物类型有非常相似的极化散射特性,常规基于非相干分解的分类方法难以将其有效地区分。对此,本文引入基于Freeman分解的散射熵Hf和各向异性度Af两个特征参数,并将其用于极化SAR影像分类。首先利用Hf和Af参数将阴影和水体提取出来,然后将其他地物按散射机制分为3大类,并对每一类再次利用Hf和Af参数进行细分,最后通过基于Wishart分布的聚类和迭代分类,得到最终的分类结果。通过利用Radarsat-2在河南登封获取的全极化SAR数据进行试验,表明该算法执行效率高,能够有效地区分阴影、水体和裸露的耕地,并且对其他地物类型也有很好的分类效果。     

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。     

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。     

极化SAR影像分类方法研究

采用不同的分类方法对荷兰Flevoland地区全极化数据进行分类,讨论了各分类方法存在的问题,通过比较得出基于复Wishart分布的最大似然监督分类的效果较好。