基于极化分类辅助的复杂场景多通道SARGMTI方法

在复杂场景下,人造建筑物受到系统噪声、通道误差等因素影响,容易造成大量虚警,影响动目标检测性能.提出一种基于极化分类辅助的多通道合成孔径雷达地面动目标检测方法,在传统相位中心偏置天线方法基础上,结合H/αWishat极化分类,判断图像中的人造建筑物,并在恒虚警检测结果中剔除由人造建筑物造成的虚警.与传统相位中心偏置天线方法相比,该方法能有效抑制复杂环境下由建筑物造成的虚警,提升了动目标检测性能.通过国内首批多通道全极化合成孔径雷达地面动目标检测实测数据验证了所提方法的有效性.

基于Yamaguchi分解模型的全极化SAR图像分类

针对利用Yamaguchi分解模型的四个散射分量直接进行类别归属判断精度不高并且所分类别有限的问题,结合模糊C均值的理论,提出了一种基于Yamaguchi分解模型的全极化SAR分类算法,把四个散射分量组成一组归一化的特征矢量,进行FCM聚类分析。并且用日本机载L波段PiSAR数据验证了该算法具有较高的分类精度和较好的视觉效果。

基于深度学习和层次语义模型的极化SAR分类

针对复杂场景的极化合成孔径雷达(Synthetic aperture radar,SAR)图像,堆叠自编码模型能够自动学习高层特性,有效表示城区、森林等复杂地物的结构,然而,却难以保持图像的边界和细节.为了克服该缺点,本文结合深度自编码器和极化层次语义模型(Polarimetric hierarchical semantic model,PHSM),提出了新的无监督的极化SAR图像分类算法.该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构三大区域.对聚集区域,采用堆叠自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位.实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果.

基于深度卷积神经网络的图上半监督极化SAR图像分类算法

为实现在只有少量标记数据情况下的高质量的图像分类,本文提出了一种基于深度卷积神经网络的图上半监督极化SAR图像分类算法.该算法将极化SAR图像建模为无向图,并基于该无向图,定义了包含半监督项,卷积神经网络项和类标光滑项的能量函数.算法所采用的卷积神经网络提取抽象的数据驱动的极化特征.半监督项约束了有标记像素的类标在分类过程中保持不变.类标光滑项约束了像素间类标的光滑性.基于对PauliRGB图像进行超像素分割而产生的初始化类标图,交替迭代优化所定义的能量函数直至其收敛.在两幅真实极化SAR图像上的实验结果表明,该算法达到了优异的分类效果,其性能优于当前已有算法.

基于聚类识别的极化SAR图像分类

该文提出一种基于判别式聚类框架的非监督极化SAR图像分类算法,利用判别式监督分类技术实现非监督聚类。为实现该算法,定义了一个结合softmax回归模型和马尔科夫随机场光滑性约束的能量函数。该模型中,像素类标和分类器均为需要优化的未知变量。该算法从基于目标极化分解和K-Wishart极化统计分布而产生的初始化类标开始,交替迭代优化分类器和类标的能量函数,从而实现对分类器和类标的求解。真实极化SAR数据上的实验结果证明了该算法的有效性和先进性。

基于KummerU和MRF的极化SAR分类算法研究

为了加入空间关系和抑制斑点噪声,本文提出了基于Kummer U模型和马尔科夫随机场(MRF)的极化SAR分类算法,该算法采用Kummer U分布来建模极化SAR数据,根据Kummer U的参数变化能够建模各种类型的地物。同时,MRF框架加入图像的上下文关系,能够获得区域一致的分类结果。

极化SAR影像分类方法研究

极化SAR图像分类是SAR图像解译的重要内容,快速、准确的SAR图像分类是实现各种实际应用的前提。现基于极化SAR图像的特点,用H-?、Wishart分布及H-?-FCM三种方法对机载全极化SAR数据和星载全极化SAR数据做了分类实验研究。结果表明,由于H-?平面的划分过于简单,这不可避免的会导致分类结果的不稳定性;Wishart分类方法能够清楚地区分开自然地物的主要类型,更符合散射机制的自然分布,并考虑与后向散射强度有关的信息,以一种自适应的方式改变了H-?平面中的决策边界,改善了H-?分类结果;H-?-FCM分类方法能较好的克服H-?分类结果中地物类别的模糊问题。

基于权重散射特征的FSVM算法在极化SAR影像分类中的应用

提出了一种基于权重散射特征的模糊支持向量机的极化SAR数据监督分类方法。首先,对极化SAR数据进行H/SPAN/A/α散射特征提取;其次,根据样本可分离度设置最佳散射特征权重参数C,得到最优分类输入数据(H/6SPAN/A/α);最后,利用FSVM算法对数据进行监督分类。实验结果证明,所提出的FSVMH/6SPAN/A/α分类结果优于FSVM-H/SPAN/A/α。

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DRCNN的PolSAR图像分类综合实验设计

为了让学生更好地了解和掌握深度学习TensorFlow框架和CNN网络,采用基于不同区域的多尺度卷积神经网络(DRCNN)设计了PolSAR图像分类综合设计实验,旨在实现遥感图像的自动化分类和理解。极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像能够提供更加丰富的极化信息,更好地刻画地物特征,对国防建设和国家发展具有重要意义。实验利用Python语言,在CNN基础上进行改进研究,设计了多区域的多尺度CNN模型,实现了极化SAR图像的数据处理、特征学习和分类一体化设计。该实验不仅可以帮助学生综合应用图像处理与深度学习知识,理解和利用CNN来进行极化SAR图像分类的基本原理和方法,还能使学生更加深入、熟练地掌握TensorFlow框架,提高学生的科研素质和动手实践能力。

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。

一种基于软阈值方法的改进A_1/A_2极化干涉分类算法

在分析了极化干涉技术的发展现状和发展趋势的基础上,从极化干涉的特殊性入手,分析了干涉相干系数在极化干涉分类中的作用,并且系统分析了基于相干最优优化后的相干系数进行极化干涉分类过程的原理,总结了现有极化干涉分类算法在阈值选择方面存在的不足,阐述了硬阈值方法和软阈值方法的基本原理和它们之间的区别,最后提出基于软阈值方法的改进A1/A2非监督极化干涉分类算法,解决了极化干涉分类现有的分类空间中的阈值问题。实验表明这种方法能够得到更好的分类结果,做出了改进。

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。

结合视觉特征的极化SAR图像分类

为充分提取极化合成孔径雷达(synthetic aperture Radar,SAR)图像中的信息,提高图像分类精度,提出结合视觉特征的极化SAR图像分类方法。首先,通过极化目标分解方法提取极化参数组成极化特征向量;然后,通过灰度共生矩阵和假彩色合成图像提取极化SAR图像中的纹理和颜色特征参数构成视觉特征向量;最后,将视觉特征向量与极化特征向量组合成新的特征向量,并利用支持向量机(support vector machine,SVM)方法进行分类。对RADARSAT-2的全极化SLC数据进行分类实验,结果表明,与仅使用极化特征向量相比,视觉特征的加入能有效提高极化SAR图像的分类精度。

基于特征值和Singh分解的全极化Radarsat-2图像分类

基于模型的分解发展较快,但存在负功率、体散射过估计、未充分利用相干矩阵等问题,考虑到基于模型分解的优点,采用Singh分解提取极化信息,同时用散射角、极化熵和极化总功率进行补充,再利用SVM对山东禹城地区全极化Radarsat-2数据进行分类。为验证该方法的有效性,将其与H/α/A-Wishart和Yamaguchi-SVM两种分类方法进行比较。结果表明,该方法分类效果较好,总体精度分别提高了6.4%和3.48%。

基于多尺度分割和径向基神经网络的极化SAR影像分类

针对目前常用的基于像素的深度神经网络极化SAR分类方法产生的椒盐现象,文中提出了一种联合自适应阈值多尺度分割方法和径向基神经网络的极化SAR地物分类方法。实验证明,该方法能够有效地保留SAR图像的结构特征并有效消除分类过程中产生的椒盐现象和破碎斑块,具有较高的分类精度。

基于可区分性字典学习模型的极化SAR图像分类

极化SAR图像分类是一个高维非线性映射问题,稀疏表示(CS)对于解决此类问题具有很大潜力。字典学习在基于CS的分类中起到重要作用。本文提出了一种新的字典学习模型,用于增强字典的区分能力,使其更适合极化SAR图像分类。提出的模型根据字典中两类子字典在分类中的作用对其相应的表达系数施加不同的稀疏约束。为使共同子字典能够抓住所有类共享的特征,对其相应系数施加稀疏约束,为使类专属子字典能够抓住类内独享的局部和全局结构特征,对其相应系数同时施加稀疏和低秩约束。由于共同子字典表达所有类共享的特征,我们以测试样本在类专属子字典上的重建误差作为准则进行分类。本文在AIRSAR的Flevoland数据集上对此算法进行验证,实验结果验证了算法的有效性。

基于半监督空间-通道选择性卷积核网络的极化SAR图像地物分类

针对极化合成孔径雷达(极化SAR)图像地物分类中标注样本数量少的问题,该文提出一种基于空间-通道选择性卷积核全卷积网络(SCSKFCN)和预选-联合优化半监督学习(SPUO)的极化SAR图像地物分类方法。SCSKFCN通过使用空间和通道注意力机制,对不同感受野的特征进行自适应加权融合,有效提升了模型的分类性能。SPUO能够高效地利用标注样本,挖掘无标注样本中蕴含的信息。它采用K-Wishart距离进行样本预选并生成伪标签,然后在联合优化阶段使用真实标注样本和伪标注样本同时对模型进行优化。在模型优化过程中,SPUO对伪标注样本进行两步验证并筛选可靠的伪标注样本参与优化。实验结果表明,该方法能够在只使用少量标注样本的条件下实现高精度、高效率的极化SAR图像地物分类。

基于极化敏感阵列抗有源干扰的测向算法

基于传统的极化敏感阵列多重信号分类(multiple signal classification,MUSIC)空间谱估计测向算法,提出了结合极化滤波与斜投影算子的极化域-空域二维联合空间谱估计超分辨测向算法。与传统极化MUSIC空间谱估计算法相比,所提算法根据接收到的混叠脉冲信号的时域、极化域特性,进行信号前沿段与叠加段的分段波达方向(direction of arrival,DOA)估计。在估计出前沿段信号极化域与空域参数后,以此对信号叠加段进行极化滤波与斜投影算子处理,更为准确地估计了目标雷达与诱饵的DOA。仿真实验结果表明,该算法可有效抑制诱饵信号的影响,提高目标雷达信号DOA估计的准确度,实现多目标分辨。

空间感知矩阵学习的极化SAR图像分类

为了解决最小二乘支撑矢量机无法高效地对大规模数据进行分类的问题,提出了一种空间感知矩阵学习的极化合成孔径雷达图像分类方法.感知矩阵由测量矩阵和字典的乘积构成,根据压缩感知理论,构造了空间感知矩阵.为了减小优化问题的规模,首先设计了与数据耦合的判别式测量矩阵;考虑到数据的极化信息和空间信息,构造了空间威沙特字典,减少了相干斑噪声对分类结果的影响;最后,提出了基于空间感知矩阵学习的分类器,获得了紧凑而又简洁的模型表示.真实极化合成孔径雷达数据的分类结果表明,这种分类器具有更高的分类准确率和更好的空间一致性.