Cameron分解法在极化SAR图像分析中的应用

利用Cameron分解法对极化SAR图像进行分析,将目标的极化散射矩阵与8类具有特定散射机理的典型散射体匹配,根据匹配角度提出了一种分类算法,从而对地物目标进行分类;实验结果表明,该分类算法对于分类地物目标,进而分析其散射机理是十分有效的。     

基于目标分解的面向对象决策树PolSAR影像分类

为了解决极化合成孔径雷达(Polarization Synthetic Aperture Radar,PolSAR)影像单一分类方法不能充分利用其中的丰富信息问题,结合目标分解理论、面向对象思想和C5.0决策树算法,对PolSAR影像进行多种方式的极化分解,提取包含地物散射机理信息的各种极化参数,并将提取的参数分割为对象,最后,采用C5.0决策树算法进行分类.采用RADARSAT-2全极化SAR数据进行实验,并将分类结果与经典的分类方法进行了对比,证明了本文提出方法的有效性.该成果将在PolSAR影像分类中发挥更大的作用.     

基于散射成分一致性参数的极化SAR图像分类

散射熵能较好地反映目标散射的随机性,但忽略了相干矩阵特征分解后3个相干散射成分之间的关系。为了更充分地利用极化信息提取更有效的特征,该文提出一种描述目标散射成分一致性的新参数,并利用该参数进行图像分类。新参数融合了相干矩阵的特征值分布信息与各正交散射成分之间的相似性信息,反映了目标的整体散射机制接近于某种单一相干散射的程度。利用该新特征替代散射熵,先对AIRSAR的旧金山L波段数据进行初始分割,然后进行基于Wishart分类器的迭代调整。实验结果表明:利用该特征能够更准确地实现图像分类,展现地物细节,从而证实了该特征的有效性。     

一种结合极化分解和多尺度MRF的极化SAR数据分类方法

提出一种结合Pauli极化分解和多尺度马尔可夫随机场的极化SAR数据分类方法.该方法先将极化SAR数据进行Pauli极化分解来构造极化SAR特征数据,然后进行3层小波分解,最后进行尺度内和尺度间的迭代分类,获取极化SAR数据的分类结果.NASA/JPL数据的实验结果证明,无论是在地物轮廓保持性上还是地物细节描述性上,该方法效果都比较好.     

一种基于Pauli分解和SVM的全极化SAR监督分类算法

全极化SAR影像准确分类的一个重要前提是充分提取反映地物实际物理性质的特征。然而现有的全极化SAR特征提取算法和分类算法众多,却均存在各种各样的问题。无论极化特征提取方法还是分类算法,都会影响最终的分类精度。针对此问题,在多次实验的基础上,提出一种综合Pauli极化特征分解和SVM的分类策略,简称为Pauli-SVM算法。首先通过经典的Pauli分解法提取全极化SAR影像的奇次散射、偶次散射、体散射等极化特征,并将这些信息组合成一个特征向量,然后引入高精度的SVM分类算法,选择训练样本后对全极化SAR影像进行监督分类。在江苏溧水和南京横溪镇两个研究区,以ALOS卫星的PALSAR影像为研究数据,进行监督Wishart分类算法、Freeman特征提取法结合SVM的分类算法、Yamaguchi特征提取法结合SVM的分类算法、Pauli-SVM算法的分类对比实验。结果表明,新提出的Pauli-SVM算法可以有效的提高分类的准确性。     

一种基于Pauli分解和支持向量机的全极化合成孔径雷达监督分类算法

全极化合成孔径雷达(SAR)影像准确分类的一个重要前提是充分提取反映地物实际物理性质的特征。然而现有的全极化SAR特征提取算法和分类算法众多,却均存在各种各样的问题。无论极化特征提取方法还是分类算法,都会影响最终的分类精度。针对此问题,在多次实验的基础上,提出一种综合Pauli极化特征分解和支持向量机(SVM)的分类策略,简称为Pauli-SVM算法。首先通过经典的Pauli分解法提取全极化SAR影像的奇次散射、偶次散射、体散射等极化特征;并将这些信息组合成一个特征向量,然后引入高精度的SVM分类算法,选择训练样本后对全极化SAR影像进行监督分类。在江苏溧水和南京横溪镇两个研究区,以ALOS卫星的PALSAR影像为研究数据,进行监督Wishart分类算法、Freeman特征提取法结合SVM的分类算法、Yamaguchi特征提取法结合SVM的分类算法、Pauli-SVM算法的分类对比实验。结果表明,新提出的PauliSVM算法可以有效地提高分类的准确性。     

极化目标分解及其在图像分析中的应用

极化目标分解方法可以概括为三类:Huynen类型的分解理论、相干分解理论和基于特征值的分解理论,它们从不同的侧面刻画了目标的极化散射特性。本文分别对三种分解方法进行了较为详细的论述,并运用基于特征值的分解理论以及目标熵的概念,将其应用于极化雷达图像的分析中,结果表明目标分解法在极化雷达图像融合与增强、极化目标识别等领域有重要的作用。     

面向极化SAR图像配准的极化特征

不同波段的极化合成孔径雷达(SAR)图像间的配准,是多波段极化SAR数据融合中的一个重要问题。该文从地物的极化散射机理出发,提出了一种适用于尺度不变特征变换(SIFT)配准算法的极化特征。该特征包含了地物目标主要散射成分的信息,并反映了其他弱散射成分的强度分布,可在不同波段极化SAR图像中保持稳定。实验结果表明:与使用散射总功率(Span)实现多波段极化SAR图像配准的方法相比,该特征在不同波段下的差异较小;使用SIFT算法配准后,该特征图像可得到更多的关键点和正确配准点,且配准点的分布较分散,从而有效地提高了多波段极化SAR图像的配准性能。     

海面杂波与目标雷达回波的的数值模拟

提出了一种将广义前后向迭代方法与谱加速算法结合的快速迭代数值方法,计算了电场水平极化与电场垂直极化锥形波入射到有船目标存在的粗糙海面上时海面散射杂波与目标回波,研究了雷达散射回波与某些重要的物理参数如极化、视角(特别是低掠角)和海面风速等因素的关系,给出了相应的计算结果.     

基于PALSAR全极化数据的城市森林蓄积量估测

全极化雷达数据能够反映目标的全极化散射特征,在森林参数反演中具有较大的应用价值。笔者以南京紫金山国家森林公园为研究对象,以2011年的全极化雷达数据PALSAR和2012年120块野外调查样地为主要信息源,从Pauli和Cloude目标分解特征值、HH(horizontal-horizontal,水平)和HV(horizontal-vertical,水平垂直交互)两种极化状态的后向散射系数、比值植被指数、地形、人为干扰等方面,提取13个因子作为自变量,采用多元线性回归、人工神经网络、K最邻近分类算法、决策与回归树、装袋算法、随机森林6种方法建立遥感估测模型,进行森林蓄积量的估测。研究表明:①在6种遥感估测模型中,随机森林综合性能最高,装袋法次之,多元线性回归最低; ②海拔、坡向等地形因子,以及地物的雷达回波散射特征是影响研究区域森林蓄积量估测的重要变量; ③研究区单位面积蓄积量的空间分布呈现出由里向外逐渐降低的带状分布格局。     

基于极化定向角补偿的思茅松林地上生物量反演

目的 极化合成孔径雷达在森林遥感监测中得到了广泛的应用。由于法拉第旋转和地物结构特性,电磁波极化定向角发生偏移,导致散射特征在机理上存在模糊性。本研究主要分析极化定向角偏移对体散射分量和地上生物量反演的影响。方法 以ALOS PALSAR全极化星载合成孔径雷达(SAR)数据为数据源,基于L波段散射特征,考虑地面与树干之间的二面角散射贡献,研究提出了一种扩展极化水云模型;基于Yamaguchi四分量分解参数和扩展极化水云模型估测思茅松林地上生物量。结果 通过酉变换来补偿极化定向角偏移后,体散射分量高估得到修正,极化定向角补偿后的体散射与实测地上生物量的回归模型较未补偿前效果更好(决定系数R²从0.214提升到0.332)。采用Yamaguchi四分量和扩展极化水云模型的地上生物量估测值和实测值有较强的相关性(R²= 0.644)和较低的均方根误差(23.11 t/hm²)。结论 SAR数据在极化分解前应进行极化定向角补偿,以减少体散射高估和二面角散射低估的问题,提高地上生物量反演精度。半经验极化扩展水云模型具有很好的估测森林地上生物量的潜力。     

极化目标分解在目标分类中的应用

极化目标分解是从极化SAR数据中提取目标特征的重要方法,可以将其概括为两大类:基于S inc lair矩阵的相干目标分解和基于Mueller矩阵、相干矩阵、协方差矩阵的部分相干目标分解.利用相干目标分解中的基于Pau li矩阵分解法、Krogager分解法和Cam eron分解法,对实测极化SAR数据进行分类实验,结果表明极化目标分解对于从极化SAR数据中提取目标特征,进而对其进行分类是可行和有效的.     

极化雷达与光学遥感森林雪灾破坏协同监测

以贵州省扎佐林场为例,利用全极化雷达与光学遥感数据进行森林雪灾破坏状况协同监测,分析了倒伏森林与健康森林的后向散射特性及其差异,重点分析了倒伏森林与健康森林的极化响应特征、散射机制及其差异。基于雪灾破坏前后森林的散射机制变化,利用Freeman-Durden分解方法对倒伏森林进行了识别。为了进一步优化识别效果,引入了高分辨率光学数据,采用优选的融合方法, 将雷达与光学遥感数据融合,得到了较好的倒伏森林识别效果。研究结果表明,利用雷达与光学遥感数据协同监测森林雪灾破坏是可行的,而全极化雷达遥感数据在森林类型识别和森林破坏监测方面具有独特的优势,在我国西南地区的森林资源调查和灾害监测中具有广阔的应用前景。     

Detection of weak ship signals with the optimization of polarimetric contrast enhancement

An optimization of polarimetric contrast enhancement method is proposed to detect ships with low ship-to-clutter power ratio. The received power is calculated with Kennaugh matrix and an iterative algorithm is adopted to get the optimal polarimetric states. The optimization method depresses the power of ocean clutter and increases the power of ship signal. With the double effects, the contrast of ship to ocean is dramatically increased. Thus small ship or weak signals of low ship-to-ocean power ratio can easily be detected. Ship signals can be distinguished from speckle noise using the different variation trend after optimization, and thus the threshold problem can be avoided. Moreover, the analyses of different ship's Kennaugh matrices give two implications. One is that the results are affected little by choosing different Kennaugh matrices of ships with strong intensity from Synthetic Aperture Radar (SAR) images. The other is that ship's Kennaugh matrix chosen from real SAR images is more favorable than that of ideal scattering. Finally, the optimization results are confirmed by polarimetric scattering angle and co-polarization phase difference.     

高分辨率极化SAR影像KummerU分布非监督分类方法

针对高分辨率极化SAR数据特征分布不再符合同质区域假设, 进而导致基于统计分布的极化SAR影像非监督分类方法精度下降的问题, 将具有广泛适用性的KummerU分布嵌入粒子群寻优聚类算法, 提出了新的极化SAR影像非监督分类算法(PSO-KummerU方法):首先基于极化SAR统计特征对数据进行初分类, 然后采用极化SAR统计特征与粒子群优化算法进一步进行聚类中心求解, 分类准则部分采用KummerU距离改进代替传统的Wishart距离度量准则; 采用3种非监督分类方法(H/α-Wishart、PSO-Wishart、PSO-KummerU方法)进行分类对比实验.实验结果表明:基于KummerU分布的PSO-KummerU方法与采用Wishart距离的聚类方法相比, 目视效果明显改进, 整体分类精度提高14%以上.     

基于模型微调与AM Softmax的极化SAR图像分类

针对极化SAR图像分类中卷积神经网络（CNN）方法训练时间长、收敛速度慢,原始Softmax函数无法对极化SAR图像的类内差异有效应对的问题,提出一种基于模型微调与加性边际Softmax（AM-Softmax）的极化SAR图像分类方法。该方法通过预训练网络的整体微调,来改进CNN模型的效率和分类准确率,然后以AM-Softmax替代Softmax,以解决SAR图像中类内变化较大的问题,进一步提升分类精度。实验表明该方法具有快收敛的优势并且能够较好解决极化SAR图像类内差异较大的问题,模型的分类总体精度达到96%以上。     

拉布拉多海一年平整冰厚度SAR反演算法

在利用实测一年平整冰厚数据和同步全极化RADARSAT-2 SAR影像、全面分析不同SAR极化参数对海冰厚度敏感度的基础上,发现Alpha角最高;从理论上证实利用两者相关性反演冰厚的可行性,将所得经验方程用于冰厚反演,其结果与实测数据吻合较好;与现有常用方法的反演结果进行对比表明,新方法误差较小;Alpha角可以用于一年平整冰厚度反演,证明全极化SAR海冰信息反演冰厚确有优势。     

极化散射的各向异性分析及应用

分析典型极化散射机制随着视角等参数变化时产生的各向异性对从物理角度解译遥感图像具有重要意义.为了更好地从散射矩阵中提取出具有一定物理含义的极化信息,分析极化参数的各向异性特征,建立了任意取向散射体的电磁散射模型,模拟其在Cameron极化空间中的变化轨迹分布.其次,基于子孔径的方法,用无人机合成孔径雷达(UAVSAR)数据进行实验验证,计算出了取向角、z参数与视角的关系,与桥体的微扰法(Small Perturbation Method,SPM)二次散射仿真模型的计算结果吻合.     

基于Meanshift和图割的极化特征图像分类

图割法对极化SAR图像能达到很好的分类效果,但由于极化SAR数据比较庞大,直接用图割法进行分类,计算量太大,所以本文提出一种改进图割模型的分类方法．首先利用自适应的Meanshift算法结合多个极化特征把图像分成若干个同质区域,以这些同质区域的加权平均值作为超像素构建图模型,最后用图割法修正Meanshift过分割来得到最终的分类．实验证明该算法不仅在分类精度上有所提高,而且在速度上更能达到实时性的要求．