POLSAR多视复图像的特征提取和分类方法

Pauli分解和Krogager分解通常用于对极化合成孔径雷达(POLSAR)单视复图像中的相干复散射矩阵进行分解.基于Pauli分解和Krogager分解提出一种改进的极化特征分解方法,用于POLSAR多视复图像极化特征提取.首先利用Pauli分解分离出多视复图像数据的对称部分和非对称部分,然后利用Krogager分解提取出对称部分的极化特征,最后利用AdaBoost算法对所提取的极化特征进行分类.使用SIR-C的数据验证了方法的有效性.     

极化SAR图像中的弱小舰船目标检测

结合最新的子空间数据分析方法--非负矩阵分解(nonnegative matrix factorization, NMF),对极化合成孔径雷达(synthetic aperture radar, SAR)图像中的弱小舰船目标提出一种全新的有效检测方法。该方法利用极化协方差矩阵分解,得到包含极化图像能量的特征值组,组成满足NMF要求的非负矩阵;然后采用稀疏限制的NMF来提取其中的主要特征,以此将舰船目标检测出来。采用国内全极化和双极化实测海洋数据进行实验,验证了本文方法的有效性。     

基于超分辨极化SAR图像的舰船检测算法

极化合成孔径雷达(synthetic aperture radar, SAR)图像超分辨处理具有聚集目标能量,提高图像分辨率,抑制相干斑噪声的能力。扩展了多通道幅度和相位估计(amplitude and phase estimation, APES)谱估计算法,并以此实现了极化SAR图像的超分辨处理。运用基于K分布的单极化检测器和基于SPAN、PWF的全极化检测器对实测SAR图像进行了舰船检测。通过分析超分辨极化SAR图像杂波统计分布、弱小目标检测性能、目标区域区分精度、目标轮廓及拓扑结构提取效果等,验证了基于多通道APES谱估计的超分辨极化SAR图像的舰船检测性能。     

面向高分辨率极化SAR四分量分解的相干矩阵自适应估计

提出了一种相干矩阵的自适应估计方法,基于估计结果矩阵进行传统四分量分解,以提高高分辨率极化合成孔径雷达(synthetic aperture radar, SAR)四分量分解的准确性。该方法根据像元主要散射类型对估计样本做自适应选取,消除异质像元对估计结果的影响;并通过对地物异质度的判别实现窗口平均估计和不动点迭代估计的自适应选择,以适应不同异质程度的地物分布情况。实验采用ESAR以及UAVSAR数据进行验证,结果表明,采用自适应矩阵估计的四分量分解结果更接近地物的实际散射机理。     

一种基于Weibull分布的SAR图像分割方法

分析了合成孔径雷达(SAR)图像的统计分布特性,推导了SAR目标及阴影的分割阈值与虚警概率之间的关系,给出了一种基于Weibull分布的SAR图像目标及目标阴影的分割方法,首先根据推导出的分割阈值公式对SAR目标图像及阴影图像进行粗分割,然后利用形态学滤波和计数滤波器进行细分割。基于MSTARSAR实测数据进行的大量实验表明,该方法是有效的,优于传统的双参数恒虚警分割方法。     

基于混合Wishart分布MRF分割的极化SAR图像海岸线检测

针对基于Wishart分布马尔可夫场(Markov random field, MRF)海陆分割存在海面和陆地整体区域无法使用单一Wishart分布描述的问题,提出了一种基于混合Wishart分布的极化合成孔径雷达(synthetic aperture radar, SAR)图像海岸线检测方法。该方法首先对极化SAR总功率边缘能量采用两区域Ostu阈值分割得到初始海陆分割结果,然后采用混合Wishart分布描述陆地和海面区域,通过基于混合Wishart分布MRF两区域分割迭代计算实现海陆精确分割。最后对经过水域合并处理的海陆分割结果进行边界跟踪实现海岸线检测。分别使用了RADARSAT2中国海南陵水地区和新加坡部分地区极化SAR数据进行实验,实验结果证明提出方法比基于Wishart分布MRF分割方法更加精确和鲁棒。     

基于SNIC的双时相SAR图像超像素协同分割算法

针对面向区域的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题, 提出了一种基于简单非迭代聚类(simple non-iterative clustering, SNIC)的双时相SAR图像超像素协同分割算法。首先, 构造一幅包含双时相SAR图像特征的融合图像, 计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次, 采用一种高效的多尺度弱边缘检测算法, 对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后, 将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度, 实现对SAR融合图像的超像素分割, 得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明, 该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。     

基于相似度网络融合的极化SAR图像地物分类

从极化合成孔径雷达(synthetic aperture radar, SAR)图像中提取多种特征向量堆叠成一个高维特征向量用于地物分类,将导致部分特征向量的分类能力减弱或丧失。针对此问题,将每种特征向量看作为不同视角数据,提出了一种基于一致相似度网络融合的极化SAR图像非监督地物分类方法。首先,将极化SAR图像进行过分割,基于超像素提取5种特征向量以构建5个相似度矩阵;其次,采用一致相似度网络融合多视学习算法生成融合的相似度矩阵;然后,基于该矩阵进行谱聚类;最后,提出一种分类后处理策略修正错分像素。仿真和实测极化SAR图像地物分类结果表明,该方法性能优于其他5种经典方法。     

基于区域Bhattacharyya相似度的SAR图像地物分类方法

传统的基于像素的合成孔径雷达(synthetic aperture radar, SAR)图像地物分类方法难以有效区分起伏变化大的地物。针对该问题,提出了一种基于区域Bhattacharyya相似度的SAR图像地物分类方法。方法首先利用适当的图像分割技术获取均匀的SAR图像区域。接着定义Bhattacharyya相似度来描述区域之间的统计相似程度,并推导了其对应Gamma分布的解析表达式。最后,以图像区域为分类单元,基于最大区域Bhattacharyya相似度准则实现SAR图像地物分类。利用实测SAR图像的地物分类结果表明,该方法性能优于经典的基于像素的最大似然分类方法和支持矢量机方法,且优于基于区域的最小距离法。     

极化SAR数据的细节保持分割

提出一种保持场景局部细节的极化合成孔径雷达数据非监督分割方法.该方法将传统的基于极化目标分解的极化SAR分类方法与基于马尔可夫随机场的分类方法相结合,利用迭代条件模型方法得到分割结果.为保持细节特征,同时又能对各向同性区域进行平滑,利用总功率(span)图像的场景均匀性对分类结果进行修正.实验结果表明,与已有方法相比,该方法在细节保持方面有一定改进.     

基于Wishart距离和超像素的极化SAR图像车辆检测

针对极化合成孔径雷达(synthetic aperture radar, SAR)在城市区域复杂地物条件下的密集车辆目标检测问题, 提出了一种结合超像素分割和Wishart分类器的非监督目标检测方法。首先，根据不同地物的极化散射特征检测出建筑物。然后，利用不包含建筑物的Wishart分类器和超像素分割获得目标的形态信息。接着，利用包含建筑物的Wishart分类器获得目标中心点。最后，通过区域生长对二者进行信息融合并完成目标检测任务。基于X波段的机载极化SAR数据表明, 所提算法不仅可以对密集目标进行区分和定位, 并且目标形态保持完整; 相比于传统方法, 目标检测与虚警鉴别性能得到较大提升。     

基于加权稀疏子空间聚类多特征融合图像分割

提出一种图像分割的多特征融合加权稀疏子空间聚类方法。采用多种属性的特征能够更可靠地描述图像中不同物体的特性,提高分割的准确性和可靠性。定义了加权稀疏度量,即在1 范数中引入权重,权重与数据的相似度成反比,有利于迫使相似的数据尽可能参与到数据的自表示中,从而改善稀疏表示过稀疏并且不稳定的局限性。实验结果和客观指标表明,所提方法能有效地分割自然图像, 获得的结果更加符合人类视觉感知。     

基于数值仿真的X波段极化SAR海杂波统计建模与特性分析

针对3~5级海况下X波段极化合成孔径雷达(synthetic aperture radar, SAR)海杂波的仿真和统计建模, 首先利用Apel海浪谱模型和Monte Carlo方法仿真不同风速下的大尺寸二维粗糙海面, 进而分别利用物理光学模型和弹跳射线法两种高频电磁散射模型考虑海面的单次散射和多次散射, 实现大尺寸海面的极化SAR海杂波仿真, 并利用X波段地球物理模式函数和岸基实测海杂波对仿真海杂波的精度和统计分布进行验证。基于仿真海杂波数据, 利用典型的乘积模型和Mellin类统计量开展海杂波统计建模和特性分析。仿真结果表明, 在2 m×2 m的高分辨率条件下, X波段同极化海杂波并不服从适用于中低分辨率海杂波的K分布, 且在不同风速风向下呈现出不同的纹理特征; X波段交叉极化海杂波表现出较弱的纹理特征, 服从Wishart分布; 随着入射角和雷达视数的增大, 海杂波的纹理特征逐渐减弱。     

Polarimetric whitening filter for POLSAR image based on subspace decomposition

Speckle filtering is an indispensable pre-processing step for applications of polarimetric synthetic aperture radar （POLSAR）, such as terrain classification, target detection, etc. As one of the most typical methods, the polarimetric whitening filter （PWF） can be used to produce a minimum-speckle image by combining the complex elements of the scattering matrix, but polarimetric information is lost after the filtering process. A polarimetric filter based on subspaze decomposition which was proposed by Cu et al specializes in retrieving principle scattering characteristics, but the corresponding mean value of an image after filtering is not kept well. A new filter is proposed for improving the disadvantage based on subspace decomposition. Under the constraint that a weighted combination of the polarimetric SAR images equals to the output of the PWF, the Euclidean distance between an unfiltered parameter vector and a signal space vector is minimized so that noises can be reduced. It is also shown that the proposed method is equivalent to the subspace filter in the case of no constraint. Experimental results with the NASA/JPL airborne polarimetric SAR data demonstrate the effectiveness of the proposed method.     

基于多方向突堤扫描的极化SAR图像人工港口检测

针对现有合成孔径雷达(synthetic aperture radar, SAR)图像中基于海陆两区域分割和单方向突堤扫描港口检测方法存在虚警率高的问题,提出一种基于多区域分割和多方向突堤扫描的人工港口检测方法。该方法首先使用基于极化SAR相干矩阵统计特性的多区域水平集分割方法将地物分割为水域、强散射建筑和其他陆地3类;然后在水陆分割结果上从多对正交方向对沿岸突堤进行扫描,从而确定出港口感兴趣区域;最后利用强散射建筑分割结果实现感兴趣区域中人工港口和虚警天然凸起地形的区分。基于RADARSAT-2对新加坡和湛江地区实际观测的极化SAR数据进行实验,结果表明本文方法较好地实现了沿岸人工港口的正确检测。     

基于h/q分解和贝叶斯迭代分类的跑道检测算法

提出一种无监督分类的机场跑道检测方法。首先利用h/q分解对原图像中所有像素点进行粗分类,建立初始样本模板;利用初始样本模板对原图像进行贝叶斯迭代分类,得到分类图;结合跑道的极化散射特性、弱回波特性及形态学处理方法,从分类图中提取出疑似跑道区域;最终应用跑道的结构特征进一步辨识疑似跑道区域,检测出真实机场跑道目标。通过美国UAVSAR系统采集的多组全极化合成孔径雷达(synthetic aperture radar,SAR)实测数据验证本文算法的有效性,实验结果说明,所提算法能有效、正确地检测出复杂场景下极化SAR图像中的机场跑道区域,且结构完整清晰,虚警率低。