双站SAR图像的极化分析

该文对双站SAR(BISAR)模拟图像不同地物的极化特征分析,发现传统单站极化特征参数(α,β,γ)在BISAR图像上不再能有效地表现地物散射的极化特征。由此,提出了统一双站极化基变换,重新定义了极化特征参数α,β,γ,使其保持原有的分离取向关联等优点。经统一双站极化基变换后,不同地物散射的极化特征更明显,重新定义的α,β,γ能反应不同散射机制,提供了BISAR图像解译和地表分类的初步手段。

基于最优极化特征组合的SAR影像湿地分类

快速、准确的湿地地物分类是实现湿地精准监测的基础。为进一步研究湿地地物显著极化特征对分类结果的影响,提出了基于最优极化特征组合的SAR影像湿地分类方法。该方法利用箱型图等方式,在特征选择因子等准则下从多种极化分解方法选择最优极化特征进行组合,并在此基础上实现分类。首先,为了简化极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)影像并降低其斑点噪声,对互易处理后的极化SAR影像进行多视化和精致Lee滤波。然后,进行6种极化分解,得到多种极化特征。再之,利用箱型图、Cloude-Pottier平面散点图和均值散点图详尽分析上述极化特征和双台河口湿地典型地物散射机制间的相关性,并据此在特征选择因子、特征判断因子、H/α平面等和均值标准差的准则下选择最优极化特征组合。最后,以上述最优极化特征组合为输入,设计支持向量机(Support Vector Machine, SVM)分类器,实现湿地的最优分类。本文以辽宁省盘锦市辽河入海口双台河口湿地为例,采用2016年7月的C波段Radarsat-2全极化数据验证最优极化特征组合的有效性。结果表明:①Cloude-Pottier分解的H、A和α、MCSM(Multiple-Component Scattering Model)分解的表面散射、Pauli分解的T33与Yamaguchi3分解的表面散射和二面角散射为最优极化特征;②使用最优极化特征组合不仅可以减少极化特征冗余,还可以提高各湿地地物的生产者精度、分类总精度及Kappa系数,其中各湿地地物的生产者精度提高1%~5%,分类的总精度可达到94.25%,Kappa系数达到93.63%。