LSSVM算法在极化SAR影像分类中的应用

最小二乘支持向量机(LSSVM)是针对标准支持向量机(SVM)算法训练时间长的问题而提出的一种改进算法。针对SVM算法在极化SAR影像分类时存在效率较低的问题,以目标分解理论为基础,对LSSVM算法应用于极化SAR影像分类的有效性进行了研究。结果表明,对于极化SAR影像分类,LSSVM算法与SVM算法的分类精度相当,但时间效率远优于SVM算法,并且对参数的调整也具有更好的稳定性,同时泛化能力良好。     

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。     

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.     

一种结合分水岭与决策树C5.0的极化SAR分类方法

提出了一种利用多种极化特征并结合分水岭算法与决策树C5.0分类器的极化SAR数据分类方法。首先对极化SAR数据进行极化精致Lee滤波,接着对其进行极化分解得到多个极化通道与Pauli RGB图像,改进梯度图生成法并进行形态学分水岭分割与区域合并,最后选择样本构建决策树C5.0分类器并进行分类。实验结果表明,该方法与传统基于像素的分类方法相比精度有显著提高,同时由于使用了较多的极化特征,也使分类精度在一定程度上得到了提高。     

超像素在多极化SAR数据分类中的应用——以ALOS PALSAR为例

针对已提出的极化合成孔径雷达数据地物分类方法较难同时获得地物边界及相邻信息的问题，并为了减少图像处理的消耗时间，本文引入一种超像素生成算法——线性迭代聚类方法，对日本先进对地观测卫星多极化SAR数据进行地物分类研究。本文以四川省彭州市与什邡市交界地区为研究区，先采用Pauli分解生成RGB假彩色图像并进行滤波，再以此为基础使用线性迭代聚类方法生成超像素，最后用支持向量机分类方法，合理选取极化熵、各向异性度及平均散射角等极化特征组合在一起作为分类参数，对基于像素超像素的极化SAR图像的分类结果进行对比分析。使用超像素比其他基于像素的分类方法能够获得更好的结果，基于超像素分类的总体精度为95.23%，Kappa系数为92.58%。     

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。     

特征选择双层SVM的融合算法用于极化SAR图像分类

为了充分利用极化合成孔径雷达(synthetic apeture radar,SAR)图像丰富的地物信息并解决单一特征在图像分类中的局限性问题,提出了一种基于特征选择双层支持向量机(support vector machine,SVM)的特征融合算法,充分利用特征间的完备性和互异性,以形成更有效的特征组合,并用于SAR图像的分类。首先,对SAR图像进行多种类型特征矢量的提取以能完整地描述全极化SAR图像;其次,进行特征归一化处理,以保证不同的特征向量在同一准则下进行选择,以期在进行分类时具有相同的作用;再次,引入空间金字塔(spatial pyramid,SP)分块提取不同尺度的特征矢量;然后,利用最小冗余最大关联(minimum redundancy and maximum relevance,mRMR)特征选择方法获取每种类别的最优特征子集,避免各类特征的简单组合导致的特征冗余和过度拟合现象;最后,引入多层的思想,构造双层SVM模型,实现单层目标类别概率的优化和再处理。实验结果验证了该算法对于极化SAR图像分类的有效性。     

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。     

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。     

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。     

顾及分类器参数的全极化SAR图像特征选择与分类

全极化SAR获取的信息量远多于传统SAR,但信息量的增加并不能确保分类精度的提高,如何有效进行特征选择至关重要。针对自适应特征选择问题,提出一种顾及分类器参数的特征选择和分类方法。该方法以支持向量数为评估依据,结合遗传算法进行特征选择,并同时对分类器参数进行寻优;最后利用优选的特征集和模型参数进行分类。为验证算法的有效性,利用两组全极化数据进行了监督分类实验。实验结果表明,提出方法降低了SVM分类器对自身参数的敏感性,而且能在较少特征个数下具备良好的泛化性能,分类精度优于未经过特征选择和参数优化的方法。     

顾及特征优化的全极化SAR图像SVM分类

以支持向量数和相关性分析为评估依据,结合序列前进搜寻策略,本文提出一种顾及特征优化的改进SVM分类方法,并将其应用于全极化SAR图像监督分类。真实数据的实验结果表明,该方法不仅具有小样本情况下的良好泛化性能,而且能以更少的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。     

Fusion of PolSAR and PolInSAR data for land cover classification

The main research goal of this study is to investigate the complementarity and fusion of different frequencies (L- and P-band), polarimetric SAR (PolSAR) and polarimetric interferometric (PolInSAR) data for land cover classification. A large feature set was derived from each of these four modalities and a two-level fusion method was developed: Logistic regression (LR) as ‘feature-level fusion’ and the neural-network (NN) method for higher level fusion. For comparison, a support vector machine (SVM) was also applied. NN and SVM were applied on various combinations of the feature sets.     

Water-Body types identification in urban areas from radarsat-2 fully polarimetric SAR data

This paper presents a novel method for supervised water-body extraction and water-body types identification from Radarsat-2 fully polarimetric (FP) synthetic aperture radar (SAR) data in complex urban areas. First, supervised water-body extraction using the Wishart classifier is performed, and the false alarms that are formed in built-up areas are removed using morphological processing methods and spatial contextual information. Then, the support vector machine (SVM), the classification and regression tree (CART), TreeBagger (TB), and random forest (RF) classifiers are introduced for water-body types (rivers, lakes, ponds) identification. In SAR images, certain other objects that are misclassified as water are also considered in water-body types identification. Several shape and polarimetric features of each candidate water-body are used for identification. Radarsat-2 PolSAR data that were acquired over Suzhou city and Dongguan city in China are used to validate the effectiveness of the proposed method, and the experimental results are evaluated at both the object and pixel levels. We compared the water-body types classification results using only shape features and the combination of shape and polarimetric features, the experimental results show that the polarimetric features can eliminate the misclassifications from certain other objects like roads to water areas, and the increasement of classification accuracy embodies at both the object and pixel levels. The experimental results show that the proposed methods can achieve satisfactory accuracies at the object level [89.4% (Suzhou), 95.53% (Dongguan)] and the pixel level [96.22% (Suzhou), 97.95% (Dongguan)] for water-body types classification, respectively.     

噪声抑制的多极化SAR海冰图像分割

合成孔径雷达(SAR)海冰图像分割对全球气候研究和保证船舶航行安全具有重要意义。现有的基于区域的马尔可夫随机场(MRF)多极化SAR分割方法,由于受相干斑噪声影响,其区域划分不尽合理,不能有效完成分割。因此,提出一种噪声抑制的多极化SAR海冰图像分割算法,首先在极化总功率图上引入降低噪声的滤波算法,合理划分初始区域,其次考虑区域之间的差异度,从而实现多极化SAR海冰图像的准确分割。以RADARSAT-2和SIR-C获得的全极化海冰图像为实验数据进行验证,结果表明:和其他较先进算法相比,本文算法优势明显,既能高效保持图像连通性,又能增强图像的细节信息,具有更高的分割精度。     

一种基于极化距离测度的SAR变化检测方法

本文在经典的极化分类Wishart距离基础上提出了一种对变化敏感的极化距离测度,发展了相应的多时相极化SAR变化检测方法。以北京地区的多时相全极化RADARSAT-2影像进行了实验,对比分析了提出的极化距离测度与各个极化通道后向散射系数对数比值对不同类型地物变化的区分能力,结果表明,提出的极化距离测度不仅对所有的变化类型均有良好的检测作用,而且对变化区域有更高的区分力。这说明本文提出的极化SAR变化检测方法具有广泛的应用价值。     

基于最小二乘平差的全极化SAR配准偏移量估计方法

全极化合成孔径雷达影像(PolSAR)相对单极化SAR影像有更加丰富的地表信息。为了提高SAR影像偏移量跟踪技术估算偏移量的精度,提出一种基于最小二乘平差法的全极化SAR数据偏移量估计方法。首先利用全极化SAR不同极化通道数据估算偏移量得到多个观测值,然后通过最小二乘平差法对多余观测值循环剔除粗差得到最优偏移量。文中选取美国科罗拉多州湖城(Lake city)区域的两景JPL无人机UAVSAR全极化SAR影像进行实验,结果表明,文中新方法具有良好的粗差探测和去除功能,相对于已有研究结果,在方位向和距离向的偏移量估算精度都有明显提高,达到15%~25%。新方法提高了偏移量跟踪估算偏移量的精度,这对利用偏移量跟踪技术监测滑坡、地震及冰川等有重要的意义。