基于Sentinel-1A数据的临高县早稻面积提取

为了探讨双极化Sentinel-1A雷达影像数据识别提取早稻面积分布信息的能力,在分析典型地物后向散射系数的基础上,沿用极化差分合成孔径雷达(synthetic aperture Radar,SAR)图像和极化比值SAR图像对典型地物分类有着重要作用的思路,提出水体归一化参数,随后采用支持向量机(support vector machine,SVM)分类方法和阈值分类方法选取单时相、多时相水体归一化极化SAR数据(2017年3月10日、3月22日、4月3日、4月15日、4月27日)提取早稻面积。结果表明,阈值分类方法优于SVM分类方法,其总体精度为89.01%,Kappa系数为0.823 1,早稻的制图精度和用户精度分别为92.68%和82.26%;种植面积为1.29万hm~2,与临高县主要的早稻生产基地在空间分布上基本一致。由此可得,多参数的极化SAR数据可以提高识别提取地物的精度,提取早稻面积的最佳监测数据为多时相水体归一化VH极化SAR数据。     

极化SAR参数优化与光学波谱相结合的面向对象土地覆盖分类

提出一种基于极化参数优化的面向对象分类方法。该方法结合光学和SAR数据,有效提高了对地物的识别能力。本文方法的关键在于:在■分解中,使用光学影像指导SAR影像选择同质点,使其更精确地估计极化参数并结合光学波谱信息作为输入特征;使用面向对象的分类方法,仅将光学影像作为分割输入,避免SAR噪声引起的分割错误。以美国Bakersfield地区的Sentinel-1/2数据为例,确定7种地物类型,对比分析不同输入与不同分类器对分类结果的影响。研究表明,优化输入参数在纹理丰富区域能够有效提高分类精度;面向对象的分类结果更加稳定并较好地维持地表几何特征;改进分类方法较传统分类方法总体精度提高了近10%,达到92.6%。     

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。     

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。     

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。     

深度神经网络的高分三号全极化SAR图像分类方法

针对传统极化SAR地物分类方法和基于像素的神经网络分类方法容易受到SAR图像固有斑点噪声影响而出现的破碎孤立点和精度下降问题,该文在考虑了极化SAR图像的基本特征的基础上结合深度卷积神经网络的方法对地表覆盖类型进行了分类研究,利用不同尺度的全极化SAR特征融合RGB图像对GoogLeNet模型进行迭代训练,结合对实验区的多尺度分割结果,对SAR图像做不同尺度下的样本分类,并最终获得整体图像的分类结果。实验证明,此方法能够获得较高的分类精度。     

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.     

一种结合颜色特征的PolSAR图像分类方法

为了提出一种颜色特征与极化特征相结合的极化SAR图像分类方法,首先,通过极化目标分解得到极化特征向量;然后,采用最佳指数模型方法生成极化SAR的假彩色合成图像,并提取颜色特征向量;最后,将这2种特征组成综合特征向量,利用SVM方法进行分类。利用Radar Sat-2的Pol SAR数据进行了SAR图像分类实验,并对分类结果进行定性和定量比较分析。实验结果表明,颜色特征的加入能有效提高极化SAR图像的分类精度。     

引入规范化圆极化相关系数的保持极化散射特性的分类算法

极化SAR三分量分解中,和SAR视线不垂直的人工建筑物常被分为体散射类型,进而引起建筑物和森林的误分类。针对此不足,利用此类建筑物的反射非对称性,提出了一种引入规范化圆极化相关系数(NC-CC)的保持极化散射特性的分类算法。实验结果表明,本文提出的方法能够将与SAR视线不垂直的人工建筑物从体散射类型中分离出来。     

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%。     

全极化SAR图像的建筑物提取研究

针对建筑物结构复杂、形式多样,产生的交叉极化散射现象使得其在极化SAR图像上易与植被混淆,提取困难的问题,该文结合极化散射信息和空间信息进行建筑物的提取研究,主要以AIRSAR全极化数据进行实验。①进行基于极化补偿的Yamaguchi四分量分解,根据偶次散射能量提取出建筑物;②提取总功率Span图像的纹理特征利用支持向量机进行分类;③融合前两步的提取结果得到最终结果。结果表明:方法优于基于极化补偿的Yamaguchi四分量分解的提取方法和SVM方法,对于平行建筑物、小方位角建筑物、大方位角建筑物的提取精度分别达到了99%、94%和56%,有效区分了建筑物与植被。     

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。     

全极化SAR数据的最大后验概率分类

结合后验概率对分类的影响和全极化SAR数据特点,提出了一种全极化SAR数据分类方法。首先将全极化SAR数据的协方差矩阵转换为9个服从正态分布的强度量;然后通过迭代分类计算类别出现的概率,对9个强度量进行基于最大后验概率的分类。以黑龙江省逊克县境内的一景ALOS PALSAR全极化数据为例,用该方法进行分类,总体精度和Kappa系数分别达到81.34%和0.84,优于传统的最大似然分类方法。     

地震损毁建筑物的高分辨率SAR图像模拟与分析

为了分析汶川地震震后高分辨率合成孔径(SAR)图像的城区建筑物特征,基于实际获取的机载X波段SAR图像,采用电磁模拟方法进行分析和研究.通过对城区的完整建筑和毁损建筑进行三维建模,采用射线跟踪的电磁计算方法和图像域积分的成像模拟方法得到不同受灾程度的建筑物SAR模拟图像.与真实SAR图像对比分析,提出的算法能够分析建筑物结构变化对SAR图像的影响,模拟主要的强散射点,能有效辅助SAR图像进行城区特征分析.     

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。     

玉米作物极化SAR数据模拟

通过重点研究玉米叶子的空间位置、指向角分布,分析玉米作物的结构特点,建立玉米的三维结构模型和场景,发展针对玉米作物的极化合成孔径雷达(synthetic apertureradar,SAR)数据模拟方法。利用该模拟方法和实地获取的玉米参数模拟极化SAR数据,通过与散射计实地测量的多极化、多角度后向散射系数进行对比,表明该模拟方法能够有效的模拟玉米作物的后向散射系数;通过分析模拟极化SAR数据获得的HH-VV、HH-HV、VH-VV之间的相位差,表明该模拟方法能够有效的模拟玉米作物散射的相位信息;通过分析模拟数据的极化响应图和Cloude H-α分类图,从散射类型角度验证了模拟极化SAR数据的有效性。     

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。     

Envisat ASAR的区域森林-非森林制图

Envisat卫星ASAR传感器的双极化数据对区域森林监测十分有效。通过分别采用SRTM DEM和Landsat TM图像对地形起伏区域和平坦区域的SAR图像进行地理编码,发展了一种SAR图像自动预处理方法。基于冬季单时相ASAR数据的HH(水平发射,水平接收)、HV(水平发射,垂直接收)极化比值和HV极化图像,提出了一种面向对象的森林-非森林分类方法。将之应用于中国东北森林/非森林制图,分类总体精度、森林用户精度和生产者精度分别为83.7%,85.6%和75.7%。结果表明,本文提出的方法十分适合区域森林-非森林制图的业务化运行。