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。

合成孔径雷达极化成像解译识别技术的进展与展望

极化合成孔径雷达(SAR)能够获取目标的全极化信息,在对地观测、灾害评估、侦察监视等民用和军用领域得到广泛应用。国内主要高校、中科院、工业部门和用户单位在该领域开展了卓有成效的工作,取得一大批标志性研究成果。该文简要综述了极化SAR成像解译识别领域的主要研究进展。在解译层面,主要介绍了极化目标分解和极化旋转域解译等理论方法的研究进展。在应用层面,结合研究团队的工作,探讨了上述理论方法在舰船检测、地物分类和建筑物损毁评估等领域的应用成效。最后,对极化SAR目标解译识别技术的研究进行了展望。

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。

基于双极化SAR图像的U-Net海冰多分类模型

北极多年冰在近几十年有明显的减少趋势,与北极海冰的厚度、体积和夏季最小海冰范围的减少密切相关。合成孔径雷达(synthetic aperture radar,SAR)具有全天时、全天候成像能力,基于SAR卫星影像的海冰分类对监测北极多年冰具有重要意义。基于深度学习U-Net模型,以SAR图像的双极化信息为模型输入,构建了像素级的海水、一年冰和多年冰多分类模型。与已有SAR图像海冰分类方法(支持向量机、随机森林和卷积神经网络)进行对比,基于双极化SAR图像的U-Net海冰分类模型的准确率、平均重叠度和Kappa系数,分别达到了90.73%、0.831和0.849,优于其他对比模型,分别提升了4.08%~19.04%,0.063~0.321和0.111~0.335。此外,针对SAR图像水平-垂直极化(horizontal-vertical polarization,HV)有明显的条状热噪声和水平-水平极化(horizontal-horizontal polarization,HH)受入射角效应而亮度不均匀的特点,设计敏感性实验,研究HV噪声、入射角和灰度共生矩阵(gray level co-occurrence matrix,GLCM)纹理信息对本文U-Net海冰分类模型的影响。结果表明,传统的机器学习方法对噪声更敏感,而深度学习模型有一定的抗噪声能力;使用入射角校正更适合分类一年冰和多年冰;单一GLCM纹理对U-Net模型的海冰分类效果无明显提高。综上,基于双极化SAR图像的U-Net能够实现高精度的海水、一年冰和多年冰分类。该模型具有一定的抗噪声能力,是更具鲁棒性的海冰分类方法。

极化分解与子孔径分析相结合的极化SAR图像分类

本文提出了一种极化SAR图像分类的新方法,该方法将传统极化分解与子孔径分析结合起来。首先将全分辨率极化SAR图像分解成几个子孔径图像,利用子孔径分析对两类非平稳目标进行检测,得到场景中的非平稳目标。然后对全分辨率图像的相干矩阵进行特征分解,得到熵(H)和α角两个参数,并在H-α平面上对地面目标进行分类;最后,将非平稳目标检测结果与H/α分类结果结合起来,对极化SAR图像进行更为精细的分类。仿真结果表明,本文提出的方法取得了更好的分类效果。

顾及地形辐射校正的极化SAR图像分类应用

针对极化SAR(Polarimetric SAR,PolSAR)影像在复杂地形区域中存在严重的地形效应问题,该文将极化方位角(Polarisation Orientation Angle,POA)、有效散射面积(Effective Scattering Area,ESA)及角度效应(Angular Variation Effect,AVE)校正方法应用到PolSAR影像的分类中,并针对AVE校正提出一种n值确定方法。首先,对预处理后的SAR数据进行POA校正,对校正结果进行地理编码;其次,进行基于投影角的ESA校正;然后,基于训练样本确定AVE校正中的n值,进而实现AVE校正;最后,利用GF-3 PolSAR影像进行基于复Wishart分类器的分类实验。研究结果表明,POA校正前后变化不明显;ESA校正可实现约3 dB的校正效果,总体分类精度提升约9.42%;此外,选用受地形影响最大的林地n值进行AVE校正得到的结果最好,总体分类精度较ESA阶段而言提升约8.2%。

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。

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.

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(Pol SAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。

利用SVM的极化SAR图像特征选择与分类

该文提出一种新的利用SVM的特征选择算法,并将其融入到极化SAR图像分类过程中,构成一种新的基于SVM的分类方法。其中,特征选择算法利用支持向量个数作为特征评估指标,并以顺序后退法作为搜索策略。真实数据的实验结果表明,该分类方法能有效降低SVM分类器对自身参数的敏感性,与利用原始特征集和经典的RELIEF-F的分类方法相比,该方法能以更少(或相当)的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。

基于目标分解的极化SAR图像SVM监督分类

鉴于使用单一特征无法获得令人满意的分类效果以及SVM在小训练样本时具有良好的分类性能,提出了基于多种目标分解方法和SVM的极化SAR图像分类方法。首先对原始极化SAR图像使用多种目标分解方法进行处理,得到相应的分量信息,然后在极化SAR图像特征提取的基础上将SVM应用于极化SAR图像分类。通过选取不同的特征信息作为支持向量机的输入,比较其对分类性能的影响,得到最优的用于分类的特征信息组合,其中将相干分解和非相干分解的信息同时用做分类特征能够获得较好的分类效果。利用NASA/JPL实验室AIRSAR系统获取的全极化SAR数据进行实验处理,与Wishart监督分类进行对比,验证了将目标分解信息用做分类特征的有效性,同时与Wishart/H/α和模糊C-均值H/α分类方法进行对比,得到提出的方法具有良好的分类性能。

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。

SAR图像的极化干涉非监督Wishart分类方法和实验研究

该文在合成孔径雷达图像的极化非监督Wishart分类的基础上,给出了一种利用极化干涉信息对合成孔径雷达图像进行非监督分类的方法。该方法主要利用一(6×6)的极化干涉相关矩阵,从而可以同时考虑单幅图像的全极化信息以及两幅像对之间的互相关信息。该文详细阐述了该方法的具体实现,并利用NASA/JPL的SIR-C/X-SAR系统在中国天山地区的L波段实测数据进行了实验研究。给出了利用该方法对实验数据进行分类的结果,并与极化非监督Wishart分类的结果进行了比较。结果表明,该方法能够很好地分辨不同类型的地物,保持地物的细节,并且比极化非监督Wishart分类结果有很大改善。

基于支持向量机的极化SAR图像分类

与传统最大似然(ML)分类器相比,支持向量机(SVM)在小训练样本时仍具有良好的分类性能,目前已广泛应用于多个领域。该文在极化SAR特征提取的基础上,将SVM应用于极化SAR图像分类,分析了分类器参数对分类性能的影响。利用NASA/JPL实验室AIRSAR系统的L波段旧金山全极化SAR数据比较了SVM和ML的分类性能,并进一步给出了基于SVM的国内某地区双极化SAR图像分类结果。

基于主动深度学习的极化SAR图像分类

针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。

采用流形近邻传播聚类的极化SAR图像分类

针对传统近邻传播(Affinity Propagation,AP)聚类算法使用欧式距离构建相似度矩阵,不能有效描述极化SAR数据复杂分布的问题,本文提出一种新的基于联合流形距离的AP聚类算法(CMD-AP)用于极化SAR图像分类。首先将待分类极化SAR图像分割成若干超像素,在相应的极化特征基础上加入图像纹理特征,利用拉普拉斯特征映射算法对特征降维;然后结合相干矩阵Wishart流形和特征矢量欧式流形作为流形距离测度,构造相似性矩阵;最后利用上述相似性矩阵,采用AP聚类算法,对极化SAR图像进行分类。该算法充分考虑了极化SAR数据集潜在的流形结构,将联合的流形距离测度引入AP算法中。实验表明,本文算法提高了极化SAR图像的分类精度,具有更优的区域一致性和边缘保持效果。

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。

基于目标分解与支持向量机的极化SAR图像分类研究(英文)

为了有效地对极化SAR图像进行分类,基于目标分解和支持向量机,提出了一种极化SAR图像非监督分类法。该方法首先利用目标分解理论获得极化熵和平均散射角,并在熵-平均散射角平面对图像进行初分类,以确定类中心;然后利用Wishart分布定义的距离函数寻找训练样本,同时选择一定的极化参数组成特征矢量,并利用训练样本和特征矢量训练支持向量机;最后用训练好的分类器对极化SAR图像进行分类。通过对ESAR图像进行分类,比较了多种参数组合的分类结果,并与Wishart方法进行了比较,结果表明,该方法特征选择非常灵活,不仅结果类内离散度更小,且不需要太多的迭代次数。