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。     

基于四分量散射模型的多极化SAR图像分类

基于四分量散射模型提出了一种多极化SAR(synthetic aperture radar)图像非监督分类算法。与Freeman三分量散射模型不同,四分量散射模型在Freeman三分量的基础上增加了螺旋散射分量(helix),该分量反映了复杂地貌和不规则城市建筑的散射机理,可以用来处理复杂的场景图像。算法强调了初始分类的重要性,在初始分类中考虑了混合散射机制像素的存在,从而提高了分类结果的精确度。聚类过程中,采用由四个散射分量组成的特征向量进行迭代聚类。为了实现算法的完全非监督,利用特征向量给出了一种新的聚类终止准则。NASA/JPL实验室AIRSAR全极化数据分类实验结果表明,该算法具有较好的分类效果,并获得了较高的分类精度。     

SVM后验概率结合改进多尺度MRF的遥感影像分割方法

采用SVM方法估计似然概率,克服了混合高斯模型对观测场建模不准确的问题;通过改进的多尺度MRF模型,在标记场建模时充分考虑了各尺度之间和同一尺度内的相关性,进一步准确描述了标记场的统计特性.最后利用改进的建模方法,在序贯最大后验概率估计算法框架下进行影像分割.通过对人工合成影像和实际遥感影像的分割实验结果分析,证明了本文方法能够有效提高分割效果.     

归一化法消除全极化SAR影像Freeman分解中的不一致

分析了Freeman分解中的不一致性问题,提出了解决这种不一致性的归一化消除方法,并使用德国普拉特灵地区的全极化星载TerraSAR-X数据进行了验证.实验结果表明,Freeman分解中存在分解不一致的现象,本文提出的归一化方法能够完全去除Freeman分解的不一致性,即负功率现象.     

一种基于Bayesian准则和MRF模型的SAR图像滤波方法

提出了一种新的斑点噪声的滤波方法,该方法基于小波分解的框架,采用小波域隐MRF模型,计算图像中表征像素纹理特征的隐状态参数的后验概率,以此后验概率作为权重因子对传统GammaMAP滤波算法进行改进。该算法被用于模拟SAR图像和真实ERS 1图像的Speckle抑制。试验结果表明,与传统Gam maMAP算法相比,本文提出的方法能更好地抑制Speckle,并保持图像细节。     

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。     

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。     

基于多尺度图分解的极化SAR图像分割算法

本文提出了一种基于多尺度图分解的极化SAR图像分割算法。该算法首先构造亲和矩阵,得到无向连接图,然后通过对数据进行多尺度采样,构造多尺度连接图,最后结合规范切准则,引入并行处理思想,实现数据的快速有效分割。其中在构造亲和矩阵时除了利用强度和轮廓参数,还兼顾极化SAR数据的特性,引入了反Wishart距离。最后分别利用星载和机载极化SAR数据进行对比实验,验证了算法的可行性和有效性。     

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。     

极化SAR自适应三分量分解方法

介绍了原始极化SAR三分量分解中存在的问题,如负功率和散射机制模糊,并深入分析了其改进方法中仍然存在的缺陷,提出了一种自适应的三分量分解。该分解采用了更一般化的散射模型,并首次考虑了像素中存在不同旋转角的两个面或偶次散射目标,然后利用散射Alpha角确定除体散射之外的剩余主导散射机制,使面或偶次散射得到了更充分的保持。最后,从散射模型与极化相干矩阵自适应匹配的角度出发,提出了一种对负功率进行自适应优化的措施,使得负功率像素个数大大减少,从而分解更加准确有效。试验结果表明,该分解所得结果更符合实际地物散射过程,能更好地解决基于模型的分解方法中存在的缺陷。     

基于MPM准则的无监督SAR图像分割

提出了一种基于MPM(maximization of the posterior marginals)准则的SAR图像无监督分割方法,并给出了对模拟和真实SAR图像的分割结果。     

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。     

利用自适应最优极化对比增强检测SAR影像边缘

针对边缘检测中极化信息利用率不高的问题,提出了一种结合自适应最优对比增强与均值比的合成孔径雷达边缘检测新方法,并分析新算法特性后,推导了其快速版本。实验结果表明,新方法具有更好的检测性能。     

Yamaguchi分解Notch滤波的全极化SAR图像舰船目标检测

极化合成孔径雷达数据蕴含了丰富的地物极化散射信息,已广泛应用于海上舰船目标检测研究。针对极化相干矩阵无法直接用于分析特定散射体物理特性的缺陷,利用Yamaguchi极化分解改进了极化Notch滤波器。将基于模型的极化分解方法引入Notch滤波器,利用表面散射、二次散射、体散射和螺旋体散射等散射机制的能量构造散射矢量代替极化相干散射矢量,并加入功率能量因子,构造新的极化SAR图像Notch滤波器。Radarsat-2全极化SAR图像实验结果表明,改进算法有效增强了舰船目标与海杂波背景间的对比度,检测性能优越。     

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。     

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。