全极化合成孔径雷达多视图像的极化特征分析

该文基于乘性相干斑模型,对全极化合成孔径雷达多视图像的极化特征参数(同极化比、交叉极化比和同极化相位差)进行了分析,利用实际的模拟数据对特征参数的PDF进行了拟合测试,分析了多视极化特征参数的统计特性对极化相干斑抑制算法的影响。利用极化比和相位差的特点,对地物进行分类,所得分类精度与利用最优极化分类法的分类精度具有可比性。

基于子视数据相关性的极化合成孔径雷达图像噪声抑制

基于极化合成孔径雷达(Pol SAR)的子视数据相关性提出了一种新的非局部滤波器。非局部算法在一个较大的空域中搜寻待滤波元素所在图像块的相似图像块,并以基于它们的相似程度来对图像数据进行加权滤波。因而相似度计算在非局部滤波器里起到至关重要的作用。PolSAR图像子视数据之间的相关性包含有较对应的多视数据点之间更多的信息,这些信息有利于更加精准的计算非局部滤波器中相似度的估计。新提出的滤波器通过假设检验来估计两组子视数据集是否同质,并以此为依据估计图像块之间的相似性。通过对同质区域的加权滤波实现对Pol SAR数据的噪声抑制。对比实验证实了新提出的滤波器的有效性和优异性能。

集成颜色特征和统计特征的极化合成孔径雷达图像城区分类框架（英文）

针对城区分类,利用颜色特征构造一个新颖的无监督的分类框架.首先,基于最近提出的极化合成孔径雷达(PolSAR)数据的四分量分解模型,计算了常用的颜色空间:YUV,RGB,HSI和CIELab,通过引入颜色熵量化的选择颜色特征;然后,联合纹理特征和扩展的散射功率熵,用自适应的均值漂移算法分割PolSAR图像;最后,根据基于G0分布的距离测度合并聚簇为较为匀质的地物类别.通过L波段AIRSAR数据和C波段Radarsat-2的PolSAR数据验证了提出算法的有效性,分类正确率表明,相比于已有的工作,提出的算法对于城区有较好的区分能力.

基于多层支持向量机的极化合成孔径雷达特征分析与分类

为了充分利用极化合成孔径雷达(SAR)图像不同极化特征对不同地物目标类型的刻画能力,提出一种基于多层支持向量机(SVM)的极化SAR特征分析与分类方法。该方法首先通过特征分析确定适合不同地物类型的最佳特征子集;然后采用分层分类树的方式,根据每一种地物类型的特征子集逐层进行SVM分类;最终得到整体分类结果。RadarSAT-2极化SAR图像分类实验结果表明所提方法水域、耕地、林地、城区4类地物分类精度为85%左右,总体分类精度达到86%。该算法充分利用了不同地物目标类型的特性,提高了分类精度,也降低了算法时间复杂度。

结合编码-解码网络和条件随机场的全极化合成孔径雷达土地覆盖分类

针对多极化合成孔径雷达影像地物分类特征表征性较弱及全卷积网络分类精度较低的问题,文中提出结合编码-解码网络(E-D-Net)和条件随机场(CRF)的全极化合成孔径雷达(SAR)土地覆盖分类算法.首先,利用Freeman分解和Pauli分解建模全极化SAR影像,提取各分解对应的散射特征.再借鉴语义分割网络模型的建模思想和多尺度卷积单元构建对称网络模型,将多尺度非对称卷积单元嵌入中层,设计E-D-Net网络模型.通过E-D-Net网络模型对PolSAR影像Freeman分解散射特征进行多层自主学习,获得初始分类结果.最后,利用全连接CRF结合Pauli相干分解伪彩色图信息,对初始分类结果再进行降噪和平滑优化,得到最终分类结果.在两地区PolSAR影像上的实验验证文中算法的有效性和可行性.

基于矩阵对数累积量的极化合成孔径雷达数据去噪方法

噪声抑制是极化合成孔径雷达(PolSAR)数据处理中的重要步骤,首次将矩阵的对数累积量应用于PolSAR去噪当中,由数据点的子视数据集计算滤波系数并结合非局部方法的思想实现了PolSAR的斑点噪声抑制。所用方法基于非局部策略选取同质区域,然后利用相干矩阵对数累积量计算得到的滤波系数进行加权滤波。该方法的优点在于同质区域选取和滤波系数的计算均是针对相干矩阵进行的,相对于仅使用主对角线上的元素或SPAN图像,其对极化数据的处理更具合理性。与其他PolSAR去噪算法的对比实验结果表明,该方法在有效平滑同质区域的同时,能够更好地保留地物结构、细节以及纹理信息,并能更好地保持数据的极化相关性。

结合极化白化滤波和SimSD-CapsuleNet的PolSAR图像配准

极化合成孔径雷达(PolSAR)图像配准在地物分类、变化检测、图像融合中都具有广泛应用。现有的PolSAR图像配准方法,无论是基于深度学习还是传统方法,大多采用PolSAR幅度影像信息进行处理。这种处理方式导致大量极化信息丢失,同时在PolSAR图像固有相干斑噪声影响下,配准精度和可靠性表现不佳。为此,本文首先发展了一种有效的基于极化白化滤波(PWF)精细化处理的关键点检测器,利用PWF对PolSAR图像进行相干斑噪声抑制,通过阈值约束、形态学腐蚀及非极大值抑制来选取显著且分布均匀的匹配关键点。进一步地,本文设计了一种孪生简单稠密胶囊网络(SimSD-CapsuleNet)来快速提取PolSAR图像的浅层纹理特征和深层语义特征,同时为了充分利用极化信息,本文将极化协方差矩阵作为输入数据。本文计算了胶囊形式特征描述符之间的距离,并将其输入硬L2损失函数用于模型的训练。本文方法在不同传感器获取的不同分辨率PolSAR图像上进行验证。结果表明,该方法能够在更短的时间内获取更加均匀且数量更多的匹配关键点,结合PWF和深度神经网络可以实现快速准确的PolSAR图像配准。

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。

基于极化G0分布和MRF的多视PolSAR图像迭代分类方法

提出了一种多视极化合成孔径雷达(PolSAR)图像的迭代分类方法。首先利用极化G0分布描述多视极化协方差矩阵的统计特性,并进行初始的最大似然分类,然后利用马尔可夫随机场(MRF)估计像素类标号的先验概率,最后根据MAP(最大后验概率)准则对PolSAR图像进行分类。整个分类流程迭代进行。分类结果表明该方法精度高,收敛速度快。利用NASA/JPL获取的4视AIRSAR实测数据验证了本文方法的有效性。

4分量模型和散射参数的全极化雷达图像分类

在分析了典型的极化目标分解和地物分类算法基础上,提出了融合Yamaguchi分解和H/α(H为散射熵,α为地物散射角)平面分解结果的迭代处理目标分类方法.首先,通过获取4种散射分量及地物的散射熵和散射角,结合6个参量,将极化合成孔径雷达图像中的地物初始分类;然后,利用相干散射矩阵服从Wishart分布的特性进行迭代,获得最终分类结果.实验结果证明,该算法提高了分类性能,运算量小,分类效果较好.

紫金山国家森林公园全极化雷达图像分类比较

全极化雷达图像的最大优点是能够获取目标的全极化散射特征,从而使其在地表植被的分类和森林参数反演中具有较大的应用价值。以紫金山国家森林公园为研究对象,2011年的全极化雷达数据、典型地类野外调查数据为主要信息源,在PAULI、SINCLAIR、CLOUDE-POTTIER、FREEDMAN-DURDEN四种目标特征值分解基础上,采用最大似然、支持向量机、神经元网络和随机森林4种方法进行监督分类。结果表明,5种组合中12个特征值组成的特征图像的最大似然分类的精度最高,总体分类精度为58.20%,CLOUDE-POTTIER、FREEDMAN-DURDEN总体分类精度较低,分别为51.86%、52.36%;4种分类方法中,12个特征值组合的图像的随机森林分类方法的总体分类精度最高,总体分类精度为74.29%,神经元网络的分类精度较低,总体分类精度为56.98%;6种地类中,针叶林、阔叶林和建筑的分类精度较高,草地、水体和裸地的分类精度较低。

非均匀植被地表全极化散射的高分辨率雷达图像的模拟

用自然地表非球形散射体全极化一阶散射的Mueller矩阵解 ,在选定高空间分辨率条件下 ,计算具三维空间结构与非均匀分布的植被地表的全极化后向散射。用射线跟踪法 ,按射程计算将散射投影在平面图像对应单元的像素点上 ,得到自然地表的雷达图像模拟。改变非均匀地表的组成 ,如树木数目与高度、下垫地表、隐藏目标等 ,产生各种条件下自然地表景象产生的雷达图像模拟。作为一个对比 ,模拟图像与机载SAR图像在散射量级以及P ,L ,C波段多通道散射的物理解释上作了比较。

超高分辨率PolSAR图像去噪对极化特征的影响

随着超高分辨率极化合成孔径雷达(PolSAR)图像数据的出现,有必要对PolSAR图像的去噪过程对于极化分解结果的影响进行评测。相干斑去噪过程的实施将对观测场景中的PolSAR图像原有极化属性产生不同程度的影响,这将会导致分解结果出现偏差。以非相干分解模型为评估对象,以喷气推进实验室(JPL)提供的开源机载超高分辨率PolSAR系统数据为实验样本,提出了一种利用绝对相对误差的定量评测方法。评测结果显示:对于超高分辨率图像,相干斑噪声的影响明显变小,分解窗口可相应的缩小为7×7的尺寸。研究结果对于PolSAR图像的后期遥感应用中的参数选择具有重要参考意义。

基于加权合成核与三重Markov场的极化SAR图像分类方法

马尔可夫随机场(Markov Random Field,MRF)广泛用于处理遥感图像的分类问题,然而MRF在构建极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像模型时未考虑其非平稳特性且对初始分类较为敏感,为此本文提出了一种基于加权合成核与三重马尔可夫随机场(Triplet Markov Field,TMF)的极化SAR图像分类方法.该方法依据训练样本在特征空间上的距离,提出了加权合成核函数权重系数的自适应确定方法以提高初始分类的精度和普适性;为充分考虑极化SAR图像的非平稳统计特性,利用TMF对极化SAR图像进行统计建模以实现贝叶斯分类.实验结果表明,与基于MRF的极化SAR图像分类方法相比,本文所提方法可获得更高的分类精度和更平滑的同质区域分类结果,而且本文方法能更好地保持图像边缘信息.

基于多极化特征和纹理特征的PolSAR图像分类

提出了一种基于多极化与纹理特征的PolSAR图像分类方法。首先在经过图像预处理后,从散射矩阵得到的相干矩阵T和协方差矩阵C中提取出极化参数,组成极化特征向量;然后基于经典的灰度共生矩阵法提取出图像几种纹理参数,组成纹理特征向量;再将这两种向量进行选择与融合;最后利用SVM分类器进行了结合极化与纹理特征的分类实验。为了检验该分类方法的效果,进行只加入极化特征和只加入纹理特征的分类实验,并进行Wishart监督分类。对上述四种分类结果进行对比与精度分析的结果表明,极化特征与纹理特征的结合能够有效提高分类精度。

基于多源遥感图像多级协同融合的舰船识别算法

针对极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像存在斑点噪声严重、可视性差、直接影响目标识别精度的问题,提出一种基于多源遥感图像多级协同融合的舰船识别算法。通过采用多级协同融合方式,丰富图像的特征量,提高舰船识别精度。所提方法首先进行多源遥感数据的像素级融合,然后在上一步基础上进行特征级融合,最终得到新的目标特征。所提方法充分发挥了不同频段的PolSAR与多光谱图像的信息互补优势,不仅保留了多频段PolSAR对目标的极化散射特征,也保留了多光谱数据的空-谱信息。所提方法在可视性与检测精度上表现都较为出色,与传统的单一遥感数据相比,识别精度至少提高了5.12%。

用合成孔径雷达(SAR)单次飞行全极化图像数据进行地面数字高程(DEM)反演

在合成孔径雷达(SAR)空对地观测中,倾斜地表面的同极化回波极大值所对应的入射波极化的取向角ψ≠0.由ψ≠0迁移,通过二次相干飞行SAR或干涉SAR(INSAR)图像可确定地表面坡度与反演地面数字高程(DEM).用全极化散射Muellel矩阵解,将ψ≠0的迁移表示为SAR测量的散射Stokes参数Ivs,Ihs,Us的函数.通过Euler角变换,把ψ迁移与倾斜地表面的水平方位角、射程角以及SAR观测的几何结构联系起来.在只能获得单次飞行SAR数据的情况下,提出用倾斜地表水平方位排列产生的图像纹理作形态学细化算法来确定水平方位角.这样用一次飞行的SAR图像数据,可确定水平方位角和射程角及其坡度分布,用完整多重网格算法数值求解地面高程的Poisson方程,得到地形DEM的反演.

基于极化合成孔径雷达图像的斑点滤波方法

斑点噪声是由合成孔径雷达(SAR)的相干成像原理造成的固有缺陷,为了更好地进行SAR图像地形分类、目标检测等后续处理,提出一种用于极化SAR图像的滤波方法。该方法利用新的优化函数和约束条件,在保持图像功率等于L ee滤波功率的前提下,通过最小化信号子空间向量与原始向量的欧式距离,达到降斑的目的。实验结果表明:利用旧金山地区的真实极化SAR数据,使用该方法滤波的图像结果与原有的子空间滤波器相比,更接近原始图像的均值,并且通过滤波提高了不同类别的目标在特征空间的区分度,从而有利于不同类型地物的分类。

贝叶斯集成框架下的极化SAR图像分类

对于极化合成孔径雷达(SAR)图像,由于雷达角度和地物形状导致属于同一类的数据可能存在较大的差异性.针对此问题提出了一种基于贝叶斯集成框架的极化SAR图像分类方法.该算法采用贝叶斯集成,通过学习不同个体而获得的分类面来改善极化SAR图像分类性能.首先,输入极化SAR图像,并获得其对应的极化SAR数据及特征.从图像的每一类中任意选择像素点作为图像分类的原始训练样本,并对其进行随机划分获得不同的样本子集.然后,基于获得的样本子集构造对应极化SAR图像的贝叶斯集成框架.最后,通过构造的贝叶斯集成框架对极化SAR图像进行分类.特别在构造贝叶斯集成框架中采用支撑矢量机作为基本的分类器算法.实验结果表明,所提出的算法相比经典的极化SAR分类方法和单个SVM的极化SAR分类方法获得更好的分类性能.

基于Wishart分布和MRF的多视全极化SAR图像分割

提出一种新的多视全极化SAR图像分割方法.将描述多视协方差矩阵的Wishart分布与马尔可夫随机场模型结合起来,利用迭代条件模型法(ICM)求取最大后验概率准则下的分割结果,其中ICM所需的初始分割图由基于Wishart分布的最大似然法获得.NASA/JPL实验室AIRSAR系统多视全极化数据的实验结果表明,与几种常用方法相比,本文方法分割精度更高,分割结果图中孤立像素少,图像连通性好.