散射特性引导的极化SAR图像多尺度分割

为满足不同地物分割的尺度需求,本文提出一种散射特性引导的极化SAR图像多尺度分割算法。该算法以分水岭初始分割为基础,通过迭代合并相邻区域获取极化SAR图像在不同尺度下的分割结果;以极化散射功率为特征,将地物按尺度相似性划分成表面散射、二次散射和体散射3种散射类型;以分割质量评价为指导,从多尺度分割结果中为每种散射类型地物选取适宜的分割尺度并进行叠置合成,形成最终分割结果。ESAR系统获取的L波段极化SAR数据验证了该算法的可行性。     

目标分解的极化SAR影像分割算法

针对斑点噪声严重的高分辨率SAR数据开展智能化影像分割方法研究的不足,该文基于面向对象的思想和极化SAR目标分解理论,提出基于目标分解的面向对象SAR影像分割算法,实现了Pauli基分解分割、Krogager基分解分割、Freeman基分解分割这3种典型的SAR目标分解下的影像分割方法。实验结果表明:所提出的不同极化基下的分割算法取得的结果较为理想、精度高,且整体上具有一致性;对于不同类型的特定目标,Pauli基分解分割算法对道路等表面散射体分割效果较好,Freeman基分解分割算法则更有利于植被等体散射体的分割。     

结合Freeman分解与子孔径散射特性的极化SAR图像分类

本文结合Freeman分解和子孔径分析,提出一种新的极化SAR图像分类算法。该方法首先利用子孔径分解,产生不同方位观察角度下的子孔径图像,再利用Freeman分解对各个子孔径图像提取三种散射机理成分的功率,平均后对类别进行细分,最后使用Wishart统计分类器对类别进行分类划分得到最终结果。该方法考虑了极化散射机理在不同方位观察角度下的变化,能够取得较好的分类效果,能够保存主要极化散射特性的纯度,同时还可以动态地设定分类类别数。最后利用EMISAR获取的极化SAR数据进行了仿真,验证了该方法的有效性。     

基于多尺度分割和径向基神经网络的极化SAR影像分类

针对目前常用的基于像素的深度神经网络极化SAR分类方法产生的椒盐现象,文中提出了一种联合自适应阈值多尺度分割方法和径向基神经网络的极化SAR地物分类方法。实验证明,该方法能够有效地保留SAR图像的结构特征并有效消除分类过程中产生的椒盐现象和破碎斑块,具有较高的分类精度。     

Neumann分解理论在极化SAR植被分类中的应用

利用Neumann分解理论中体散射模型的各向异性与方向角随机程度对植被的形态特征加以区分,建立各向异性-方向角随机程度平面进行初始分类。在此基础之上,利用Wishart距离进行迭代分类。选取德国Oberpfaffenhofen地区E-SARL波段、SIR-C/X-SARL和C波段三种极化数据进行实验,结果表明,本文方法在植被覆盖区分类效果优于Freeman-Duren和Yamaguchi模型分类结果,能较好地区分针叶林、阔叶林,且L波段分类结果优于C波段分类结果。     

利用Yamaguchi分解保持地物散射特性的极化SAR分类

本文提出一种利用Yamaguchi分解保持地物散射特性的极化SAR数据分类方法。该方法利用Yamaguchi分解获得4种散射机理:表面散射、体散射、偶次散射和螺旋体散射,根据4种散射机理的功率大小判断地物的主散射机理和类别之间的Wishart距离,合并到指定个数的初始类别;并结合Wishart距离分类器对初始类进行迭代修正,实现极化SAR图像的非监督分类。最后利用AIRSAR数据与已有分类方法进行对比实验,验证了本方法的优势及适用性。     

多尺度分割优化的SAR变化检测

基于SAR图像的变化检测和尺度有较强的相关性,提出了一种联合变化前后的两幅SAR图像进行多尺度分割的方法,在分割的图斑基础上采用了交叉熵计算图斑之间的差异程度。根据多个尺度分割的斑块计算系列差异指数,采用多尺度优化的方法得到最佳差异指数,最终实现变化区域的提取。通过对SAR图像的实验处理,说明了在多尺度联合分割的基础上进行变化检测可以得到较好的检测效果。     

一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法

K-Wishart分布旨在通过统计方法更精确地描述极化SAR多视协方差矩阵或相干矩阵数据,揭示极化SAR影像在异质场景下的非高斯统计特性。以内蒙古自治区依根实验区和河北省遵化实验区的国内机载数据为例,分别进行了Wishart和K-Wishart非监督分类实验。研究结果表明,K-Wishart分类器适用于提取林地、园地、农村居民点等较不均匀区域。同时,本文通过分类准确性和稳定性两个方面对K-Wishart分类器的性能进行了评价。     

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。     

基于Freeman分解的极化SAR数据相干斑滤波

本文在Freeman分解理论基础上,提出一种极化SAR数据相干斑滤波算法。该算法基于Freeman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;在滤波窗口内选取与中心像素散射类型相同,总功率值接近的像素构成滤波同质区;并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。试验表明,该算法在有效去除相干斑的同时,对极化和边缘等细节信息也有较好的保持效果。     

一种综合多特征的全极化SAR图像分割方法

提出了一种综合利用极化特征、统计特征和几何形状特征的全极化SAR图像分割方法。该方法采用分形网络演化算法思想,基于相干矩阵Pauli分解构建对象间的极化特征相似性准则,根据相干矩阵的Wishart分布假设构建对象间的统计特征相似性准则;制定对象合并过程中多特征的综合策略,通过极化特征增强及权重调整统一各类特征异质度的水平,最终建立全极化SAR图像多特征综合分割流程。实验结果表明,该方法能有效抑制斑点噪声,地物边界分割准确,特别是对具有均质纹理的农田、水体等分割效果较好。     

综合多特征的极化SAR图像随机森林分类算法

为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。     

基于特征值和Singh分解的全极化Radarsat-2图像分类

基于模型的分解发展较快,但存在负功率、体散射过估计、未充分利用相干矩阵等问题,考虑到基于模型分解的优点,采用Singh分解提取极化信息,同时用散射角、极化熵和极化总功率进行补充,再利用SVM对山东禹城地区全极化Radarsat-2数据进行分类。为验证该方法的有效性,将其与H/α/A-Wishart和Yamaguchi-SVM两种分类方法进行比较。结果表明,该方法分类效果较好,总体精度分别提高了6.4%和3.48%。     

基于目标分解及纹理信息的全极化SAR影像分类

全极化SAR影像含有丰富的特征信息,针对单一特征用于分类难以达到满意精度的问题,提出一种基于不同目标分解方法及纹理信息的SVM(Support Vector Machine,SVM)全极化SAR影像监督分类方法。结果表明,Cloude分解和Yamaguchi分解在极化特征信息提取时各有优势,且都优于Freeman分解效果;Cloude分解和Yamaguchi分解结合作为极化特征信息时,分类总体精度相对较高;纹理信息与极化特征信息在表现地物特性方面具有互补性,结合纹理信息后,分类总体精度提高了4.92%,为90.86%,Kappa系数为0.8754。     

极化分解后多纹理特征的建筑物损毁评估

准确地获知灾区的建筑物损毁程度能为抗震救灾和灾后重建提供决策依据。利用震后极化合成孔径雷达(SAR)数据,该文提出了一种综合利用极化分解后多纹理特征的震后建筑物损毁评估方法。首先,用Pauli分解的π/4偶次散射分量剔除非建筑区;其次,用Pauli分解的π/4偶次散射分量的方差特征、对比度特征和Pauli分解的奇次散射分量的对比度特征识别倒塌建筑物,并分别基于区块计算建筑物损毁指数;最后,综合3个纹理特征完成建筑物的损毁评估。采用玉树震后RADARSAT-2数据和东日本大地震后ALOS-1数据的实验验证了所提方法对建筑物损毁评估的有效性,该方法对玉树城区和日本石卷城区的重度、中度和轻度损毁建筑评估的总体精度分别为74.39%和80.26%。与其他方法的对比实验表明,该方法能减少取向角的影响,对存留有少数与方位向平行的完好建筑物的倒塌区、大取向角的完好建筑区的评估更为准确。     

利用目标分解特征的全极化SAR海冰分类

特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。     

一种综合多特征的全极化SAR建筑物分割模型

针对全极化SAR影像的特点以及传统分割方法存在的问题,提出了一种综合多特征(多种极化特征和形状特征)的全极化SAR建筑物分割模型。该模型采用分形网络演化算法及多元线性回归模型,构建综合多特征的建筑物分割模型。实验结果表明,该模型能够显著提高分割的精度,并且分割对象个数比较合理。     

一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法

提出了一种新的基于Cloude-Pottier分解和极化白化滤波(PWF)的全极化SAR数据分类算法。该算法利用PWF的结果来代替反熵A对复WishartH/α分类结果进行进一步细化,按PWF的值将复WishartH/α分类结果由8类分为16类,然后再次进行Wishart迭代分类。实验结果表明,该算法能有效地提高分类精度,分类结果明显优于常规的复WishartH/α分类结果和复WishartH/α/A分类结果。     

基于多波段全极化SAR影像的湿地分类

作为湿地类型较多、分布广泛的国家,中国的城市发展进程在一定程度上对我国丰富的湿地资源形成了很大的威胁,部分湿地遭到破坏。合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式微波遥感,其全天时全天候的特性十分适合湿地的监测工作。然而现在利用SAR进行湿地分类的研究尚未成熟,未能充分使用多个波段的信息分析,本文提出一种利用星载C波段以及机载p波段湿地分类的方法,有效地改善了分类的效果,提高了分类的精度。     

极化SAR图像自适应增强Lee滤波算法

精制极化Lee滤波算法以其简单、高效、健壮等优点在极化SAR图像处理解译中得到了广泛的应用。然而,此滤波算法存在明显的缺陷：扇贝效应和虚假细线。对此,本文提出增加一组均匀窗口及一组线性方向窗口,并采用大小自适应窗口机制,在同质度高的区域用大窗口滤波,在同质度低的区域用小窗口滤波,从而使得滤波窗口在形状和尺寸上都能自动适应实际场景。利用机载和星载全极化SAR数据进行的滤波实验结果表明,本文提出的自适应增强Lee滤波算法在同质区域的噪声抑制能力明显优于精制极化Lee滤波算法及改进的Sigma滤波算法,同时在保持点、线等细节信息方面也优于精制极化Lee滤波算法,并且能很好的保持图像中地物的极化散射信息。