一种改进的MCSM/H-PSO全极化SAR影像分类方法

粒子群算法由于其优秀的随机全局寻优能力,在遥感图像分类领域应用广泛。为进一步提高粒子优劣判别能力,使得最终聚类中心更具合理性,本文在应用PSO算法进行全极化SAR影像分类时,考虑影像相邻像素间具有空间相关性,提出了加权PSO算法,以提高分类精度。同时,在进行全极化SAR影像分类时,为了更充分地利用全极化SAR影像极化特征,采用多成分散射模型分解(MCSM)方法结合散射熵提取影像6种极化特征。改进的MCSM/H-PSO全极化SAR影像分类方法,首先通过MCSM分解和散射熵对全极化SAR影像进行基于散射机理的初分类,再将分类结果作为加权PSO算法的初始类别划分,并通过迭代实现地物分类。采用北京市Radarsat 2全极化SAR数据和美国旧金山AIRSAR全极化SAR数据分别进行试验,本文方法分类总体精度分别可达90.57%和93.25%。

基于目标分解及纹理信息的全极化SAR影像分类

全极化SAR影像含有丰富的特征信息,针对单一特征用于分类难以达到满意精度的问题,提出一种基于不同目标分解方法及纹理信息的SVM(Support Vector Machine,SVM)全极化SAR影像监督分类方法。结果表明,Cloude分解和Yamaguchi分解在极化特征信息提取时各有优势,且都优于Freeman分解效果;Cloude分解和Yamaguchi分解结合作为极化特征信息时,分类总体精度相对较高;纹理信息与极化特征信息在表现地物特性方面具有互补性,结合纹理信息后,分类总体精度提高了4.92%,为90.86%,Kappa系数为0.8754。

结合BRF神经网络的全极化SAR影像分类方法研究

为了解决模糊支持向量机(FSVM)算法应用于全极化SAR影像分类而产生的聚类中心陷入局部过适应问题,本文提出了一种基于模糊分割理论结合RBF神经网络的全极化SAR影像分类方法。主要利用模糊聚类分割、极化分解、纹理特征提取等,构建待分类地物特征集,并通过SGE进行监督降维,采用降维后的待分类地物极化表征完成RBF分类器训练,实现全极化SAR影像监督分类。最终通过C波段Randsat-2全极化SAR数据进行实测检验,结果表明,该方法使得分类结果区域一致性增强,充分地保存了待分类地物细节信息。

基于GF-3全极化SAR指数特征的水体信息提取

单极化雷达影像在水体信息提取时,对与水体散射特征相似的地物区别能力不高。针对此问题,本文基于全极化高分三号卫星影像数据,分析不同极化方式散射特征,构建不同极化方式的水体指数特征,将得到的指数特征组合构建特征影像数据,利用特征影像结合面向对象的方法实现水体信息的快速、高精度提取,并选取全极化高分三号作为数据进行试验。结果表明,利用不同极化数据构建的水体指数特征影像数据,进行水体提取的效果较好、精度较高。

基于全极化SAR影像的双台河口湿地分类及其变化分析

为了研究辽东湾双台河口湿地变化原因,对该地区全极化SAR影像进行湿地分类.引入Freeman分解建模全极化SAR影像,得到二面角散射、体散射、表面散射的散射功率,利用SVM分类法对散射机制假彩色影像进行分类,进而确定该地区的湿地分布情况.通过对比分析2007年与2016年的湿地分布情况,同时考虑区域特性和数据的可获取性,选取盘锦市年降水量、年均气温、年径流量、海平面高度、城市建成面积、原油年产量、水产品年产量和逐年GDP等8个驱动因子,研究双台河口湿地变化的驱动机制.结果表明:(1)全极化SAR影像分类结果总精度达到80. 25%,较光学影像的分类精度提升7. 43%,并且可将芦苇湿地进一步细分为芦苇池塘和芦苇草甸;(2)2016年双台河口各湿地面积占比依次为草本沼泽(28. 54%)>浅海水域(22. 44%)>灌丛沼泽(16. 88%)>水产养殖厂(9. 54%)>河流(8. 91%)>稻田(7. 58%)>淤泥质沙滩(6. 11%);(3)不同湿地的变化原因有所差异,驱动因子也不尽相同,如水产品年产量增加是水产养殖厂转化为淤泥质沙滩的直接驱动因子,而气温上升等自然因素和城市建成区面积增长等社会因素是草本沼泽退化和变化的主要驱动因子.研究显示,全极化SAR影像较光学影像更适合湿地分类,而双台河口湿地自然湿地减少和人工湿地增加是自然和社会因素共同作用的结果.

全极化SAR影像多特征分类的海岸线提取方法

快速准确地提取海岸线对研究海岸带和海岸带演变具有重要的意义。针对目前利用SAR影像提取海岸线的精度和自动化程度不能达到一个平衡这一问题,提出了一种结合多特征选择和随机森林分类算法的海岸线提取方法。并以高分三号(GF-3)全极化影像为研究数据,以黄河三角洲地区为研究区,成功提取了黄河三角洲地区的海岸线。该方法结果与OTSU阈值分割方法所提取的海岸线做了对比。结果显示,在40 m分析精度下,该方法海岸线提取结果质量均在90%以上,其提取结果光滑连续且精度可靠,优于直接阈值法提取的结果。

MPOLSAR-1.0:多维度SAR多波段全极化精细分类数据集

地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。

全极化SAR影像多特征提取和分类算法对比研究

目前全极化SAR遥感影像有多种特征提取算法。提取的特征不同,以此为基础得到的分类精度也不一样。因此选择一种好的特征提取算法和好的分类算法将直接影响图像的分类精度。本文在综合多种特征提取算法和分类算法的基础上,对全极化SAR影像进行多特征提取和多分类算法分类实验。经研究发现,采用Pauli分解的特征提取算法得到的特征对分类精度提升作用最明显且分类精度较稳定;另一方面研究发现采用神经网络和支持向量机分类法在多种特征上均取得较好的分类精度。

特征选择的全极化SAR影像面向对象土地覆盖分类

全极化SAR数据信息丰富,仅利用单一的极化特征和基于像元的分类很难得到较好的分类效果。因此,提出了全极化数据特征优选结合面向对象方法进行土地覆盖分类。以云南西双版纳州勐腊县和普洱市思茅区的Terra SAR-X的X波段全极化雷达数据为信息源,首先对全极化SAR数据进行预处理,提取研究区Pauli RGB图像后,利用影像分割技术对Pauli RGB图像进行分割,作为分类的基本单元;然后对SAR影像提取极化分解特征和Span影像的纹理特征,选取最优特征集合;最后利用面向对象模糊分类方法进行土地覆盖分类,并采用实地调查数据对分类结果进行了精度评价。试验结果表明,面向对象方法可以很好地去除噪声的影响,最优组合的特征波段使得分类结果更加精确。西双版纳州勐腊县总体分类精度达到88.5%,普洱市思茅区总体分类精度达到86.8%,较之H/A/α-Wishart分类方法精度提高了40%以上。

基于全极化SAR影像土地覆盖分类研究

基于云南石林地区2009年4月23日的ALOS PALSAR的L波段全极化散射矩阵单视复数据,利用欧空局PolSARPro软件强大的极化处理功能,首先对数据进行极化分解,然后利用H/α/A—Wishart分类方法对该地区进行分类研究,利用2007年的森林资源二类调查数据作为真实样本数据进行精度检验。结果表明,全极化SAR数据可有效识别出建筑用地、林地、耕地、裸地和水域5种地物覆盖类型,总体分类精度达80.87%。

不同极化方式SAR与TM融合影像滨海湿地分类精度比较

以覆盖黄河口湿地区域的Radarsat-2SAR全极化影像和Landsat-5TM影像为例,将4种极化方式的SAR影像与TM影像分别进行融合,采用支持向量机对融合结果进行滨海湿地典型地物土地覆盖分类,并对分类结果进行比较评价,分析不同极化方式的SAR影像与TM影像融合结果在滨海湿地地区的分类能力。实验结果表明:采用与SAR影像融合的方法能够提高TM影像的分类精度,其中HV极化方式的SAR影像与TM影像的融合结果分类精度最高,最适用于滨海湿地土地覆盖分类研究。

一种全极化高分SAR与中分光学影像融合方法

针对全极化SAR(synthetic aperture radar,合成孔径雷达)与中分光学影像的融合问题,提出基于主成分分析(PCA)与HSV(hue,saturation,value,色调、饱和度、明度)色彩空间变换的遥感影像融合方法。对全极化SAR四个极化波段进行主成分分析,提取第一主成分,将中分光学影像变换到HSV空间,第一主成分替换V分量,用新的V分量逆变换到RGB空间,得到全极化SAR与中分光学的融合影像。通过利用Radarsat-2全极化SAR与TM/ETM+中分光学影像开展融合实验,结果表明,该方法优于传统融合方法(PCA变换、HSV变换、小波变换等)的单极化SAR与光学影像融合结果,能够有效利用全极化SAR的纹理信息,提高影像解译能力。

基于目标分解理论的全极化SAR图像神经网络分类方法

由于全极化合成孔径雷达 (synthetic aperture radar)能够测量每一观测目标的全散射矩阵 ,即可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像 ,因此与常规的单极化和多极化 SAR相比 ,在雷达目标探测、识别 ,纹理特征和几何参数的提取等方面 ,全极化 SAR均具有很多优点 ,但是由于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 ,因而加大了地物信息提取的难度。同时由于这些极化合成图像具有较高的相关性 ,从而导致了图像分类精度的降低。为了提高全极化 SAR图像的分类精度 ,基于新疆和田地区的 SIR- C L波段全极化雷达数据 ,利用目标分解理论首先将地物回波的复杂散射过程分解为几种互不相关的单一的散射分量。由于这些单一的散射分量都对应于具有不同物理和几何特征以及分布特征的地物 ,从而提供了更加丰富的地表覆盖信息 ,这样就很大程度地改善了地物信息的分类精度 ;然后利用分解后单一散射分量数据结合传统的极化合成数据 ,可以得到更多的互不相关的数据源 ,再使用神经网络分类法对这些数据进行分类。分类结果表明 ,这种方法大幅度提高了全极化 SAR数据用于实验区土地覆盖分类的精度。这种分类方法也可以广泛地用于 SAR数据地表覆盖和土地利用动态监测和地表参数的提取。

基于全极化SAR非监督分类的迭代分类方法

本文在全极化合成孔径雷达 (SAR)特征分解和最大似然估计 (ML)分类的基础上 ,提出基于全极化SAR极化特征分解及最大似然估计的非监督分类迭代算法 .这种方法灵活性好、精度高 .本文提出了迭代分类方法的几种方案 .针对特征分解和ML分类的各自特点 ,进行了分析比较 ,可以根据实际需要选择适合的迭代方法 .并利用NASAJPL实验室的实测数据对该迭代分类算法进行了实验研究 ,得到了很好的实验结果 .

双波段全极化SAR图像非监督分类方法及实验研究

该文首先采用H/α分类对像素进行了初始猜测,然后进一步采用Bayes最大似然估计(ML)分类法对像素进行重新归类,不同波段电磁波对地物散射具有不同的属性,因而我们采用双波段全极化SAR数据结合的分类方法,得到了更好的分类结果。SAR图像的相干斑会影响图像的分类准确度和精度,在进行分类处理前,对双波段全极化SAR图像相干斑进行矢量滤波处理。该文使用NASA/JPL实验室在天山地区的实测数据对这些分类算法进行了实验研究,给出了单波段以及双波段全极化SAR分类结果的伪彩色图,其中双波段全极化SAR滤波后数据具有相对最优的分类结果。

地形信息辅助下的全极化SAR数据土地覆盖分类

提出了地形参数辅助全极化SAR数据土地覆盖分类的方法,基于规则判断的决策树分类法,建立了全极化SAR数据的H/α-Wishart初步分类结果和地形参数的相关规则,对初步分类结果进行后处理,获得了精度较高的土地覆盖分类结果。以淮北地区为研究区,对全极化SAR数据的H/α-Wishart初步分类结果进行了分析,选取易混淆的土地覆盖类型样本,通过样本统计量确定DEM高程、坡度2种地形参数的阈值,设计决策判断规则,对初步分类结果进行了处理。试验结果表明,该方法能有效地提取出研究区内的水体、山地、林地、建设用地、耕地、未利用地6种土地覆盖类型,水体与建设用地、建设用地与山地的阳面、林地与山地阳面的混淆程度得到很大程度的改善,区分度增大。

协同全极化SAR与光学遥感的潮沟精细提取方法

潮沟系统是粉砂淤泥质潮滩中最为活跃的地貌单元,受潮汐周期性冲刷、人类活动和海平面上升等因素的影响,大范围潮沟精细监测具有挑战性。本文提出了一种基于高分三号全极化合成孔径雷达(SAR)与PlanetScope多光谱遥感影像的潮沟探测和提取方法。通过融合光谱、指数、极化、纹理等特征,构建最优特征集,结合最大似然法、支持向量机及随机森林算法开展协同分类,获得了黄河口3 m分辨率的潮沟精细分布信息。结果表明,该方法的总体精度达到99%,F1值为0.98,提取结果优于单一数据源。本文方法有望为河口海岸带潮沟制图提供一种经济、有效的选择,有助于定量描述潮沟形态演变、稳定性及驱动因素。

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。

AdaBoost算法实现全极化SAR图像分类

文中提出了一种基于AdaBoost算法的全极化SAR(Synthetic Aperture Radar)图像分类方法。该方法将AdaBoost算法与HH、HV和VV三个极化通道数据结合起来,对全极化SAR图像进行分类,充分利用了极化信息和AdaBoost算法的快速收敛性。将该方法的仿真结果与H/α分类方法仿真结果进行比较,发现该方法分类模糊程度较低,在细节上分类更为准确,且在相同的情况下,该算法速度更快。

全极化SAR数据土地覆盖分类精度分析

鉴于全极化SAR数据进行土地覆盖分类时不同特征组合会对分类结果带来巨大的影响,该文以美国国家土地覆盖数据为参考分析全极化SAR数据不同特征组合的土地覆盖分类精度。文中以分类精度为准则选取适用的分类方法,对比分析了不同分解组合和波段组合对分类结果的影响,同时给出同一时期成像的TM数据分类结果做比较。结果表明,SAR数据通过有效的分解组合能提高总体分类精度。同时,SAR数据不同分解特征之间有信息冗余和信息互补的关系,波段组合分类时需考虑其对分类结果的影响。波段组合分类得到了最高的总体分类精度71.6%和Kappa系数0.6,表明全极化SAR数据土地覆盖分类,尤其对于一些如"有林湿地"等待定类别,可以达到很好的分类质量。