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。     

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。     

基于模糊算法的极化SAR影像分类

极化合成孔径雷达（POLSAR）由于其能对目标进行更为全面的极化信息的描述,已经成为SAR领域中最先进的传感器之一。本文对模糊集理论中的三种模糊聚类算法进行了系统全面的阐述,并重点研究了基于模糊可能性C均值算法（FPCM）的极化SAR非监督分类方法。     

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。     

极化SAR影像弱散射地物统计分类

针对Wishart分类器对功率具有较强的依赖性, 不易区分极化SAR影像上水体、道路、裸土、阴影等弱后向散射地物的问题, 提出一种利用极化目标分解和假设检验的弱散射地物统计分类方法。即在H-α初始化的基础上, 使用似然比检验得出像元与每个类中心的相似性, 并将其作为像元与类中心的距离测度。根据第一类错误概率和统计量的概率分布, 将相似性很小的强散射点归为拒绝类, 减少对分类的影响;对不能显著拒绝的像元归入具有最小统计量的类别中。通过使用E-SAR L波段和Radarsat-2 C波段全极化数据进行实验, 结果表明本文方法有利于弱散射地物极化信息的利用, 能够实现水体、道路、裸露的土壤和阴影等的精确分类。     

基于散射分量系数的极化SAR数据分类

分析了传统的基于散射功率大小的极化SAR数据分类算法,提出了一种基于散射分量系数的改进算法,实现了全极化SAR数据的有效性分类。     

极化SAR影像分类方法研究

极化SAR图像分类是SAR图像解译的重要内容,快速、准确的SAR图像分类是实现各种实际应用的前提.现基于极化SAR图像的特点,用H-α、Wishart分布及H-α-FCM三种方法对机载全极化SAR数据和星载全极化SAR数据做了分类实验研究.结果表明,由于H-α平面的划分过于简单,这不可避免的会导致分类结果的不稳定性;Wishart分类方法能够清楚地区分开自然地物的主要类型,更符合散射机制的自然分布,并考虑与后向散射强度有关的信息,以一种自适应的方式改变了H-α平面中的决策边界,改善了H-α分类结果;H-α-FCM分类方法能较好的克服H-α分类结果中地物类别的模糊问题.     

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。     

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。     

应用分水岭变换与支持向量机的极化SAR图像分类

结合分水岭变换与支持向量机的特性,提出一种新的极化SAR图像分类算法。其基本思想是先通过分水岭变换及区域合并处理,将极化SAR图像分割成一系列同质区;再以同质区为基本单元,进行特征提取及样本选择后采用支持向量机分类。实验结果表明,该算法可有效降低相干斑对分类的影响,与传统基于像素的SVM算法相比,其分类精度有显著的提高,且结果也更易于理解。     

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。     

全极化干涉SAR散射功率的非监督分类方法

本文首先通过分析全极化干涉SAR条件下的散射机理,分别计算出来自地表层和植被层的散射功率,并进一步通过确定像素在功率平面上的位置来区分目标,实现对地物的分类。在此基础上,为了充分利用H/α非监督分类结果的有用信息,对基于H/α分类和基于散射功率分类得到的分类集进行组合,并通过复Wishart迭代分类方法进行聚类,得到最终的SAR图像分类结果。本文详细阐述了该方法的原理和实施步骤,并对SIR-C/X-SAR的L波段实际全极化干涉数据进行分类实验,可知该算法无论在分类精确度上还是在迭代速度上,都有较高的性能。     

地形辐射校正在极化SAR影像分类中的应用

由于SAR斜距成像几何方式及地形起伏的影响,原始SAR影像存在透视收缩、叠掩、阴影等严重的几何畸变和辐射畸变。其中,叠掩区具有强烈的后向散射回波,在极化SAR影像的分类研究中容易造成林地与居民地等地物混分,降低分类的精度。针对该问题,本文研究一种地形辐射校正方法,引入投影角计算后向散射系数γ0,有效地解决了地形起伏造成的辐射畸变问题。选取一景全极化Radarsat-2影像进行实验验证,分别对地形辐射校正前后的极化SAR影像进行了复Wishart监督分类。通过对分类结果的比较,表明经本文地形辐射校正方法处理后,极化SAR影像的分类精度得到了改善。     

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。     

极化散射特性保持的改进迭代Wishart分类算法

为克服基于极化散射特性保持的迭代Wishart分类算法不适用于城区及对混合散射像素分类欠理想等不足,本文提出一种改进方法.其基本思想是先应用四分量分解算法将像素分成4种基本散射类型和混合散射类型,接着以平均合并度为指导对基本散射类型中的像素自适应聚类,最后对所有像素进行散射特性保持的迭代Wishart分类.试验结果表明...     

基于SVM的极化SAR沿海滩涂分类

采用全极化SAR影像对江苏沿海滩涂进行了基于SVM的分类研究。首先在极化特征的基础上,引入影像的纹理特征,然后将这些特征进行不同的组合并进行归一化,最后利用SVM对江苏沿海滩涂进行分类和精度评估。结果表明,各向异性度参数与平均散射强度结合可以提高地物分类精度,纹理特征也会对养殖塘和水田的区分起到一定的作用。相干矩阵元素可以提供Cloude-Pottier分解所不包含的信息,将它们加入特征空间分类时,分类效果显著提高。另外,实验也表明,当过多的特征参与分类时,会影响最终的分类效果。     

引入纹理特征的SSVM算法在极化SAR影像分类中的应用

在极化SAR影像极化特征的基础上,引入影像的纹理信息,利用带核函数的SSVM算法对极化SAR影像进行分类研究。该方法首先利用精致LEE滤波器对极化SAR影像进行去噪处理;然后采用小波变换对去噪后的总功率影像Span进行纹理特征提取;最后将纹理信息和极化信息结合,并采用SSVM方法对极化SAR影像进行分类。利用NASA/JPL AIRSAR获取的L波段SanFrancisco海湾和荷兰中部Flevoland地区的影像对该方法进行验证,结果表明,SSVM算法可有效地用于极化SAR影像分类,且分类精度和分类效率都优于SVM算法。同时纹理信息的引入使SSVM算法的分类精度得到了进一步提高。     

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。     

四分量散射模型在极化SAR相干斑滤波中的应用

在分析四分量极化散射理论基础上,提出了一种新的极化SAR数据相干斑滤波算法。该算法首先应用四分量散射模型对原始极化SAR数据进行分解,以获得像素的散射类型和总功率值;然后采用极化特征和空间特征的相似性度量,在滤波窗口内选取中心像素的同质区;最后根据同质区的局部统计特性,应用线性最小均方滤波器进行滤波处理。AIRSAR系统L波段极化SAR数据的实验结果表明,该算法不仅可有效抑制相干斑,而且对极化和边缘等细节信息也有较好的保持。