基于极化相干最优与极化总功率的Wishart-H/Alpha分类

Wishart-H/Alpha法进行聚类可以实现复杂场景的高精度分类。然而在聚类的过程中,由于各类中心所对应的散射机理发生了混淆,使得不透水层代表之一的水泥路面与裸露土壤发生了混淆,这对实际应用不利。提出了利用最优相干系数与极化总功率系数构成的二维直方图空间进行阈值分割,将Wishart-H/Al-pha分类方法中混淆的水泥道路与裸露土壤重新分离出来,并通过国内机载X波段双天线极化干涉实验,验证了本方法的有效性。

一种极化SAR图像模糊分类方法

针对极化合成孔径雷达图像模糊非监督分类问题,给出了一种改进的极化合成孔径雷达图像模糊分类方法。该方法通过引入极化总功率参数span,改进极化合成孔径雷达图像模糊H/α分类方法,进行极化合成孔径雷达数据模糊H/α/span非监督分类。利用机载极化合成孔径雷达数据进行实验。实验结果表明,改进的方法提高了分类性能,聚类中心更为合理。

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。

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SPAN与NDVI的全极化SAR数据喀斯特地区土地类型划分

地貌复杂性、地物多样性等特征使得全极化合成孔径雷达(Synthetic Aperture Radar,SAR)数据的散射机制和散射强度相互交织,从而导致基于传统Wishart-H/α的全极化SAR数据难以实现喀斯特地区土地类型的有效划分。针对此问题,该研究首先用复Wishart距离测度对研究区土地类型样本进行聚类,同时利用H/α平面对研究区进行超盒聚类,然后根据超盒聚类结果平均相干矩阵与样本聚类结果平均相干矩阵间的复Wishart距离进行半监督分类,获得研究区土地类型划分的初步结果。在此基础上利用对建筑物与裸岩地敏感的极化总功率(Polarimetric-Total-Power,SPAN)和对林地、草地与耕地敏感的归一化植被指数(Normalized Differential Vegetation Index,NDVI)对初步结果继续进行划分,最终将研究区土地类型划分为水体、林地、草地、耕地、建筑地和裸岩地,总体分类精度为81.45%;采用另一地势相对平缓、地形相对单一的典型喀斯特地区全极化SAR数据进行验证,在实现该地区土地类型划分的同时总体分类精度为85.66%。这说明该研究方法能够实现喀斯特地区土地类型的准确划分。