基于极化SAR梯度和复Wishart分类器的舰船检测

舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。

一种改进的全极化SAR图像MCSM-Wishart非监督分类方法

针对H/Alpha/A-Wishart非监督分类算法存在的未充分提取SAR图像极化信息和分类精度低等问题,引入多分量散射模型(multiple-component scattering model,MCSM)分解,提出了一个适用于全极化SAR图像非监督分类的MCSM-Wishart算法。首先对全极化SAR图像进行MCSM分解,提取体散射、二次散射、螺旋体散射、表面散射和线散射极化信息,采用迭代自组织数据分析技术(iterative self-organizing data analysis technique,ISODATA)的非监督分类算法进行聚类;然后通过基于描述多视协方差矩阵的复Wishart分布的迭代分类得到分类结果。以南京溧水和盐城滨海湿地的ALOS PALSAR图像为研究数据,比较了H/Alpha-Wishart算法、H/Alpha/A-Wishart算法、MCSM-Wishart算法和监督-Wishart算法4种分类方法。研究结果表明,MCSM-Wishart分类算法在效率、总体准确率和Kappa系数等指标上均较原始分类器有一定的提高;将ISODATA聚类算法应用于复Wishart分布的迭代分类器中,可有效提高分类的精度。

散射模型与Wishart分类相结合的极化SAR图像分类

给出了一种散射模型与Wishart分类相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像非监督分类方法。首先利用去取向三分量散射模型进行粗分类,将像素划分为三种基本散射类型和混合散射类型;然后,在基本散射类型内根据占优散射机制的功率进行细分类,并根据Wishart距离对细分类的结果进行类别合并,合并到指定的类别数;最后对四种散射类型的像素分别重新进行Wishart迭代,从而实现极化SAR数据的非监督分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并且同已有分类方法进行比较,结果表明本文方法改善了分类效果,且降低了体散射过估计。

基于正态—逆Wishart先验分布的贝叶斯分类识别方法研究

研究了各总体服从正态分布、分布参数的先验分布均为正态—逆Wishart共轭先验时 ,如何利用待判样品的预报密度函数 ,构造后验概率比和分类判别规则 ,并据此对样品进行分类识别 ;该方法的特点是充分利用了参数分布的信息 ,结论简单、直观 。

极化SAR图像Pauli-Wishart非监督分类算法

针对全极化SAR影像经典非监督分类方法中H/α初始划分适应性有限及武断僵硬的问题,结合极化总功率提出一种结合Pauli分解与Wishart距离的极化SAR影像非监督分类方法。利用极化总功率Span对数据进行基于散射强度的初始划分;结合初分类结果与Pauli分解得到的HH,HV,VV 3个波段进行迭代分类;基于Wishart距离进行聚类得到分类结果。实验采用NASA-JPL实验室的2组L波段全极化SAR数据验证了基于Pauli基迭代改进分类方法的有效性,分类结果与传统的H/α-Wishart分类方法对比,分类精度和合理性都有提高。

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。

H.264中全零块检测的线性分类器算法

针对H.264视频编码中传统全零块检测方法检测率较低的问题,提出了一种全零块检测的线性分类器算法.根据编码特性选择5个变量作为全零块检测的特征,基于参考块的全零块情况,设计了2个不同的线性分类器来区分全零块和非全零块,然后选取代表不同运动程度的视频样本,利用Fisher准则训练得到2个分类器的权系数和不同量化参数下全零块检测的阈值,最后用最小二乘原理将各个量化参数下的阈值拟合成量化参数的二次多项式,从而得到最终的全零块检测的线性分类器.实验结果表明,新算法在基本不降低视频质量的同时,能获得比其他现有算法更好的检测率,并且有效地缩短了编码时间.

极化SAR K-Wishart分类器及其性能评价

K-Wishart分布旨在通过统计方法更精确地描述极化SAR多视协方差矩阵或相干矩阵数据,揭示极化SAR影像在异质场景下的非高斯统计特性。以内蒙古自治区依根实验区和河北省遵化实验区的国内机载数据为例,分别进行了Wishart和K-Wishart非监督分类实验。研究结果表明,K-Wishart分类器适用于提取林地、园地、农村居民点等较不均匀区域。同时,本文通过分类准确性和稳定性两个方面对K-Wishart分类器的性能进行了评价。

粒子群优化算法在全极化SAR影像非监督分类中的应用

极化SAR影像高维数以及高分辨率带来的大数据量特点使得影像分类的复杂度不断增加。粒子群优化(PSO)算法作为新型进化计算技术,具有强大的全局寻优能力。本文研究了一种基于PSO算法的极化SAR影像的分类方法。该方法首先利用H/α方法对数据进行基于散射机理的初分类;然后利用分类结果对PSO算法进行初始化;最后采用PSO对极化SAR数据迭代分类。实验采用NASA-JPL实验室的极化SAR数据以及中国电子科技集团X波段原型样机的高分辨率数据。结果表明,H/α-PSO分类方法较H/α-Wishart分类精度及目视效果均有所提高。

基于极化相干最优与极化总功率的Wishart-H/Alpha分类

Wishart-H/Alpha法进行聚类可以实现复杂场景的高精度分类。然而在聚类的过程中,由于各类中心所对应的散射机理发生了混淆,使得不透水层代表之一的水泥路面与裸露土壤发生了混淆,这对实际应用不利。提出了利用最优相干系数与极化总功率系数构成的二维直方图空间进行阈值分割,将Wishart-H/Al-pha分类方法中混淆的水泥道路与裸露土壤重新分离出来,并通过国内机载X波段双天线极化干涉实验,验证了本方法的有效性。

抗艾滋病药物环尿素类化合物的结构表征及其生物活性的定量预测

提出一种新的结构描述子———按氢分类的电距矢量 (H MEDV) ,并用于环尿素类化合物抗人类免疫缺陷病毒(humanimmuno deficiencyvirus,简称HIV)活性预测 ,籍以多元线性回归 (MLR)建立了H MEDV与活性之间的相关模型 ,取得了良好的结果 ,相关系数达R =0 .971.另外采用逐步回归 (SMR)从原模型参数中选取了 5个参数建立一新模型 ,其模型相关系数为R =0 .938;继以留一法 (Leave one out,LOO)进行交互检验 ,相关系数与之接近 ,R =0 .90 8;说明了定量结构活性相关模型具有很好的稳定性和预测能力 .

一种新的贝叶斯调制分类算法

提出了一种基于马尔可夫链蒙特卡罗(MCMC)的数字调制分类方法。针对存在未知残留载波相位和频率时贝叶斯分类难以实现的问题,采用Metropolis-Hastings(M-H)算法估计边缘似然概率密度,从而在分类性能上保持了贝叶斯分类的理论最优性和稳健性。利用对比实验验证了方法的性能。

基于时变散射特征与CNN的双极化SAR作物分类

作物类型分类是极化合成孔径雷达(PolSAR)图像中最重要的应用之一。然而,由于成本和系统限制,越来越多的双极化SAR系统已经投入使用。由于双极化模式的限制,双极化SAR数据集存在严重的贴现特性,使得双极化SAR图像难以获得令人满意的分类精度,因此有必要提取更适合于双极化SAR数据集的散射特征。基于H/α分解的基本理论,引入了一个新的参数来测量农作物的时变散射特性,并针对双极化SAR图像提出了时变散射特征驱动的卷积神经网络(CNN)。实验结果表明:提出的CNN分类方法达到了最高的分类精度。与不同的特征组合输入相比,提出的新参数能稳定地提高分类器的分类性能,H、α、θ和强度特征的组合也能达到最佳的分类性能。

一种基于Freeman分解与散射熵的极化SAR图像迭代分类方法

该文提出了一种基于Freeman分解与散射熵的极化SAR图像迭代分类新方法。该方法首先通过Freeman分解提取3种散射机理成分的功率,同时通过H/α分解提取地物的散射熵;再利用这4个表征地物特性的参数将极化SAR图像中的地物划分为9个初始类,最后使用Wishart分类器对初始类进行迭代分类得到最终的结果。该方法合理利用了地物的极化散射信息,能够取得较好的分类效果,同时运算量也比较小。实测极化SAR数据的实验结果验证了该方法的有效性。

极化串扰对基于Cloude分解的地物散射机制特征量影响分析

串扰是极化SAR系统的主要误差源之一,也是用于衡量极化定标质量的参考指标。为研究系统串扰在具体地物分类应用中的影响,该文首先推导了串扰量作用于由Cloude分解获得的地物散射机制特征量的数学表达,并利用不同类型的实际Radarsat-2数据通过半物理仿真,验证理论分析结果。最后在实验数据上进行基于Cloude分解的H/a/Wishart非监督分类,从各类图像分类偏差比率随串扰的变化曲线中,获得满足应用需求的串扰量指标。

自适应堆栈滤波在极化SAR图像分类预处理中的应用

堆栈滤波器属于非线性滤波器的一种,它在滤波后图像的边缘和细节保持方面有很好的效果。研究将自适应堆栈滤波器引入到对极化合成孔径雷达(pol-SAR)图像分类的预处理,即滤除极化SAR图像相干斑噪声。而递归过程在平均绝对误差(MAE)准则下对堆栈滤波器的优化也在缩短滤波程序执行时间和强化输出图像质量方面都有不错的效果。滤波后的图像将会首先进行相干数据分解(H/A/α分解),基于分解后的数据使用H-α/Wishart分类方法来进行极化SAR图像分类,分类效果将会与基于其他滤波预处理后的分类图像进行比较并得出最后结论。

一种优化的极化SAR图像海面目标检测方法

提出一种优化的极化SAR图像海面目标检测方法,结合改进的极化SAR四分量分解中的螺旋散射分量与Wishart分类器,充分利用极化散射特性、结构特征、统计特性来进行目标的自动检测。同时通过纹理特征相似性克服了Wishart分类器在无目标海域检测时容易将强度值较高的海杂波误认为目标的缺陷。采用美国无人机UAVSAR在Mexico海域和巴拿马Barro Colorado Island海域获取的两组L波段全极化数据进行实验验证。实验结果表明:文中的优化方法能够较准确检测海面目标,很好地降低虚警率;同时解决了Wishart分类器在无目标海域发生错检的问题。

基于SERD与SPAN的全极化SAR数据海岸线分类

基于Wishart分类器的全极化SAR图像H/α分类方法应用于海岸线分类,可区分不同海岸线类型。在聚类过程中,传统H/α-Wishart方法时常将各类聚类中心对应的散射机理混淆,使得同为单次面散射的淤泥质与砂质海岸线类别难以区分。针对此问题,提出了改进型的辅助分层分类方法。算法运用单次反射特征值相对差异度与极化总功率系数构成的二维特征空间,结合支持向量机得到最优分界判据,以分离初始分类结果中混淆的淤泥质与砂质海岸线。实验表明,改进方法能够有效区分淤泥质与砂质岸线,分类混淆矩阵对应kappa系数由0.794提升至0.853,分类识别率得到显著提高。

融合极化SAR图像色彩信息的地物分类新方法

地物分类是极化合成孔径雷达(PolSAR)图像理解和解译的重要应用方向之一。多种极化特征都被应用于极化SAR地物分类,例如散射矩阵、相干矩阵、极化分解结果、纹理和空间信息等,然而最能代表极化特征的色彩信息却常常被人们忽视。通过融合色彩信息对极化SAR图像进行预处理,优化了传统的极化SAR地物分类方法。通过极化分解提取极化SAR图像的色彩信息,利用基于色彩信息和空间位置作为距离度量的简单线性迭代聚类算法(SLIC)生成超像素,并将超像素作为一个整体,使用Wishart分类器对超像素进行分类。采用AIRSAR的L波段荷兰Flevoland地区数据集中的8类地物类型进行验证,该方法的总体分类精度达到97.81%,相比于传统的基于像素的分类方法提升了约7%。结果表明该方法对于匀质地物类型的分类,在分类准确性和稳健性上都具有极好的性能。

基于极化目标分解地物类型识别方法研究

全极化SAR图像分辨率高,表达地物细节能力强,能够提供丰富的地物特征信息,从而能识别出不同地物类型。基于Cloude-Pottier目标分解方法,以GAMMA软件作为平台,对云南省宜良县北古城镇进行地物类型识别。结果表明:基于Cloude-Pottier目标分解以及H/A/α/Wishart分类方法可以识别出建筑用地、农用地、水体以及林地等地物类型。