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。     

利用改进三分量分解与Wishart分类的极化SAR图像建筑提取

本文针对基于Freeman分解的建筑提取方法存在的问题, 提出采用圆极化相关系数实现选择性去取向, 同时引入广义体散射模型, 构建面向建筑提取的改进三分量分解模型, 以准确分析地物的散射特性。在此基础上, 发展了一种综合利用改进三分量分解与Wishart迭代分类算法的极化SAR图像建筑提取方法。使用E-SAR全极化数据的试验结果表明, 本文方法能够有效减少建筑与植被的误分, 并提高建筑信息提取的准确性。     

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。     

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。     

针对倾斜建筑物的四分量分解方法

经典的Freeman-Durden三分量分解模型存在着体散射能量过度估计的现象,这种现象易导致倾斜建筑物(即建筑物的排列方向与雷达飞行方向不平行)被错误解译为森林.虽然存在多种分解方法来避免倾斜建筑物的错误解译,但从非反射对称散射的角度来应对体散射能量过度估计目前研究仍较少.因此,提出一种新的四分量分解方法,可有效抑制...     

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。     

基于极化分解的极化特征参数提取与应用

基于极化分解原理,获取了描述地物散射机制的特征参数,并组合成一些特征指数,如雷达植被指数等。这些特征指数具有反映体散射信息的能力,从而可间接获取植被长势、疏密程度及分布区域等信息。实验选择了鄱阳湖区Radarsat-2全极化数据,结合野外采集的样本数据,在分析该区植被特征的基础上,对不同特征参数进行了对比分析,对雷达植被指数与实地测量样本的生物量参数进行了相关分析。实验结果表明:文中给出的4种特征参数对植被引起的随机散射的描述总体趋势是一致的,但随着植被覆盖密度的增大,不同特征指数具有一定的差异,其中雷达植被指数最为准确,适用动态范围最大,并且与湿地植被生物量具有较高的线性相关性,可以定量地反映研究区的植被疏密及生物量差异信息。     

一种极化sar协方差矩阵综合四分量分解模型

基于多视协方差矩阵发展了一种综合选择性去取向和广义体散射的极化sar四分量分解模型 首先引入交叉极化相关系数进行螺旋体散射抑制和非反射对称地物去取向然后采用一种随hh和vv功率比值自适应变化的广义体散射模型来替代原体散射模型最后通过功率限制处理以完全消除分解负功率像素该处理不仅能够保持地物主导散射类型不变而且包含与krogager分解三分量对应的非相干分解 通过机载l波段esar和airsar极化数据实验并与其他分解模型的比较验证了该分解模型的有效性     

基于PolInSAR三分量分解的建筑物高度向信息提取方法

传统的基于InSAR提取建筑物高程的方法难以区分同一分辨单元内不同散射体的高度信息.文中提出一种基于PolInSAR Freeman三分量分解的城市建筑物高度向信息提取方法,可有效获取同一分辨单元内不同散射体的散射中心.首先对极化干涉互协方差矩阵进行Freeman三分量分解,分离不同散射机制对应的相位中心,然后根据相位信息重建建筑物三维模型.利用覆盖美国加州Richmond地区的两景高分辨率TerraSAR-X极化SAR数据进行实验,结果表明,PolInSAR三分量分解能够分离同一散射单元内不同散射体的相位中心,从而有效提取出建筑物高度向信息及其三维模型.     

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。     

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。     

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。     

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。     

一种结合Freeman分解和散射熵的MRF多极化SAR影像分割算法

针对多极化SAR图像,采用Freeman分解理论,将其分为表面散射、偶次散射、体散射、混合散射4种散射机制,并通过H/Alpha分解提取散射熵,将地物初始分为12类,并运用聚合的层次聚类算法对初始分类结果进行合并。利用Wishart分布对特征场进行建模,用模拟退火优化方法求取基于最大后验准则下的分割结果。     

极化雷达目标分解方法用于岩性分类

雷达遥感中地表不同岩石类别的后向散射一般判别不大,因此以散射幅度为主要探测因子常规雷达遥感数据不利于岩性分类。极化雷达以散射矩阵或Ｓｔｏｋｅｓ短阵的形式,记录了更多的地物回波信息。信息源的增多,有利于提高岩性分类的精度。但是,由于不同极化状态回波信号之间的关性,极化数据不可避免地产生数据冗余,反而增大了岩性分类的误差。     

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.     

基于边缘检测的自适应干涉SAR降噪方法

提出了一种新的相位滤波方法,基于干涉条纹方向的检测,完全自适应地对干涉相位进行滤波。本方法计算简单,十分适用于干涉条纹密集的区域进行滤波。通过SIR—C／X—SAR的X—SAR数据的处理验证,结果令人满意。