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。     

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。     

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。     

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...     

ALOS PALSAR全极化图像分类研究

极化干涉相干矩阵服从复Wishart分布,通过对相关系数的分析可以获得不同的地物类别。在总结极化干涉非监督Wishart ML分类流程的基础上,基于该方法对塔河地区全极化PALSAR数据进行了分类,研究结果表明:基于极化干涉的分类方法能够有效区分不同散射机制对应的地物,该分类方法具有较强的适应性,并且类间边界比较明显,这些分类信息为森林资源的开发和利用提供了参考。     

改进最大似然遥感影像分类方法——以SAR影像为例

针对常规最大似然分类算法中类别先验概率获取困难及遥感影像分类问题,提出了一种有效的改进最大似然遥感影像分类方法.该方法能使用类别样本的统计信息,实现类别先验概率的自动和最优提取,从而很好地解决了基于统计监督分类方法中无法直接获取类别先验概率的问题.以6景Radarsat-1 精细模式SAR影像数据为例进行的分类实验证明,该算法分类效果较好,针对单波段、单极化的SAR影像,其精度可望达到80%.     

RADARSAT-2全极化SAR数据地表覆盖分类

全极化合成孔径雷达(SAR)能够测量每一观测目标的全散射矩阵,但地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征,因而增加了地物信息提取的难度。文中基于北京地区的RADARSAT-2全极化雷达数据,在图像处理的特征分解的基础上,利用PolSARPro软件提取包含地物散射机理信息的各种极化参数,按H-α、A-α、H-A对全极化SAR影像进行基于散射机理的分类,继而将分类结果作为Wishart H/A/α、Wishart H/α的初始类别划分。最后,采用决策树分类算法对基于Wishart分布的监督分类及以上两种分类算法进行融合处理,从而实现地物的分类,并将分类结果与经典的分类算法进行对比分析,验证了文中方法的有效性。     

多类别遥感图像的复合分类方法

多类别识别对于遥感图像分类的实用化具有重大意义。本文提出一种由多层神经网络与无监督分类相结合的复合分类方法。第一步用多层网络对几个大类进行有监督分类，第二步将网络输出作为无监督分类的输入，对遥感图像进行细分，使得可识别的类别数从原来的１０类提高到３０类。对ＳＰＯＴ遥感图像识别的结果表明，该算法能适应多类别识别任务的要求。     

主动学习与图的半监督相结合的高光谱影像分类

针对当前高光谱影像分类时,人工标注样本费时费力以及大量未标记样本未有效利用等问题,提出了一种主动学习与图的半监督相结合的高光谱影像分类方法。首先,将像素的光谱信息与其邻域内的空间信息相结合,利用重排序机制得到一种旋转不变的空谱特征表达。在此基础上,利用主动学习算法选择最不确定性样本(即分类模糊度最大的样本),提交操作者标注得到标记样本集。最后将该标记样本与未标记样本组合,用于图的半监督分类。该算法可保证类别边界样本的选择,利于分类器的边界构造,同时,在较少标记样本情况下,通过引入大量的未标记样本,可以达到较好的分类效果。在3幅真实高光谱影像上的试验表明,该方法可以取得精度较高的分类结果。     

散射模型的多时相极化SAR斑点噪声滤波算法

本文提出了一种基于散射模型的多时相极化SAR数据斑点噪声滤波算法,该方法是利用多时相极化SAR数据,在保持像元主散射特性基础上实现斑点噪声抑制。其基本原理是对多时相极化SAR数据的主辅影像进行分类,并通过统计主辅影像中待滤波像元邻域窗口内类别分布情况自适应地选取参与滤波的像素进行滤波。实测数据的实验结果表明,该方法既能够有效地抑制斑点噪声,又能够良好地保持地物散射特性和边缘纹理特征。     

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。     

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。     

基于最优极化相干系数的倾斜建筑物解译研究

基于Freeman_Durden分解的全极化SAR影像分类方法能够较好地保持地物极化散射特性,但在分类的过程中,不能改变初始散射机制,导致分解结果对分类精度影响很大。在Freeman_Durden分解中,排列方向相对雷达飞行方向不平行的建筑物(简称为倾斜建筑物)常被分为体散射类型,使得该类建筑物往往被误分为植被。通过分析建筑物在SAR影像中的后向散射特性,利用建筑物具有较高相干性的特点,引入最优极化相干系数,在目标分解的基础上通过阈值分割将两者区分开来,进而提高反射非对称性人工目标的分类效果。通过使用E-SAR系统在德国DLR附近Oberp-faffenhofen地区获取的L波段PolInSAR影像和国内X-SAR系统在海南陵水地区获取的X波段PolInSAR影像进行试验,证明该方法能够有效地将与雷达飞行方向不平行的建筑物与森林区分开。     

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。     

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。     

一种地物点云数据栅格化分类新方法

激光技术的不断发展对利用点云数据进行地物分类的方法提出了更高的要求。基于此提出了一种结合遥感领域地物分类特点,利用地物反射率的不同来实现地物分类的方法。该方法首先提取数据的反射率信息,然后将其作为栅格化后的属性值,最后利用监督分类、非监督分类和支持向量机分类方法对栅格化后的栅格影像进行地物分类。通过实验表明,支持向量机方法在保持较高训练和分类速度的同时还具有较高的分类精度,总精度和Kappa系数达到了88.69%和0.86,为点云数据分类提供了一种新的途径。     

The potential of linear discriminative Laplacian eigenmaps dimensionality reduction in polarimetric SAR classification for agricultural areas

In this paper, the linear discriminative Laplacian eigenmaps (LDLE) dimensionality reduction (DR) algorithm is introduced to C-band polarimetric synthetic aperture radar (PolSAR) agricultural classification. A collection of homogenous areas of the same crop class usually presents physical parameter variation, such as the biomass and soil moisture. Furthermore, the local incidence angle also impacts a lot on the same crop category when the vegetation layer is penetrable with C-band radar. We name this phenomenon as the “observed variation of the same category” (OVSC). The most common PolSAR features, e.g., the Freeman–Durden and Cloude–Pottier decompositions, show an inadequate performance with OVSC. In our research, more than 40 coherent and incoherent PolSAR decomposition models are stacked into the high-dimensionality feature cube to describe the various physical parameters. The LDLE algorithm is then performed on the observed feature cube, with the aim of simultaneously pushing the local samples of the same category closer to each other, as well as maximizing the distance between local samples of different categories in the learnt subspace. Finally, the classification result is obtained by nearest neighbor (NN) or Wishart classification in the reduced feature space. In the simulation experiment, eight crop blocks are picked to generate a test patch from the 1991 Airborne Synthetic Aperture Radar (AIRSAR) C-band fully polarimetric data from of Flevoland test site. Locality preserving projections (LPP) and principal component analysis (PCA) are then utilized to evaluate the DR results of the proposed method. The classification results show that LDLE can distinguish the influence of the physical parameters and achieve a 99% overall accuracy, which is better than LPP (97%), PCA (88%), NN (89%), and Wishart (88%). In the real data experiment, the Chinese Hailaer nationalized farm RadarSat2 PolSAR test set is used, and the classification accuracy is around 94%, which is again better than LPP (90%), PCA (88%), NN (89%), and Wishart (85%). Both experiments suggest that the LDLE algorithm is an effective way of relieving the OVSC phenomenon.