极化合成孔径雷达图像目标去定向性质及应用

定向角是极化合成孔径雷达(SAR)图像的一个重要参数。去定向在一定程度上可以降低目标随机取向的影响。目标去定向后,有些极化参数会改变,有些保持不变。本文对去定向理论进行了小结,讨论了极化SAR图像目标去定向的性质,分析了去定向前、后二次散射系数的变化趋势。分别以这2个指标对极化SAR数据进行分类比较,结果表明后者能较好地区分3种常见的散射目标。

一种改进的极化SAR图像四成分分解方法

目标分解是极化合成孔径雷达(SAR)应用的重要基础,其中四成分分解算法在对城市等复杂地物的分析中有很好的应用。原四成分分解得到的体散射分量通常较大,这是由于所应用的体散射模型不能完全描述实际复杂地物的随机散射过程造成的。为了更好分析地物的实际物理散射特性,结合新的体散射模型,提出了一种改进的全极化SAR图像四成分分解算法。对目标散射相干矩阵进行定向角旋转,利用新的体散射模型对目标矩阵进行分解,在分解过程中加入功率限制以防止分解中负功率的出现。最后对NASA/JPL实验室AIRSAR-L波段的旧金山数据,以及ALOS/PALSAR的北京地区极化数据进行了分析,实验结果验证了该方法的有效性。

基于改进三分量模型的全极化SAR图像分类

基于改进三分量散射模型提出一种全极化合成孔径雷达(SAR)图像非监督分类方法。运用改进三分量分解模型解决体散射过高估计和负功率像素问题,提出类别重估步骤解决Wishart迭代聚类使聚类中心发生迁移的问题。首先对极化相干矩阵进行去定向操作,将各个像素的定向角旋转为0°;然后利用改进三分量分解模型将目标分解为平面散射、二次散射和体散射3种成分;接着利用3种散射功率计算功率散射熵,根据散射熵和3种散射成分的功率进行初步分类,利用Wishart迭代聚类优化分类结果;最后对Wishart聚类的结果进行类别重估,实现极化SAR图像的非监督分类。结果表明,本文算法的物理意义明确,分类结果易与实际地物相结合,测试区域的总体分类精度为98.6%,Kappa系数为0.973。