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。

基于H/A目标极化分解理论的统计分析

极化分解理论是雷达测量数据与目标物理散射属性相联系的一座桥梁,在极化SAR信息处理中获得广泛的应用。基于目标方差矩阵的特征矢量分解(H/A)在极化分解理论中备受关注。在此背景下,用新方法重点分析了H/A分解中特征值、特征矢量以及H/A等参数的统计特性,给出了特征值分解的各参数物理机理以及描述其起伏特性的概率密度函数;指出了其受杂波影响导致分解的特征不稳定性,且视图数的不同会导致分解参数不同程度地偏离真实值,在此基础上分析了H/A分解中特征值、特征矢量以及H/A等极化分解参数最大似然估计的偏斜性评估,为准确获得极化特征参数打下了初步的理论基础。

极化干涉雷达遥感机制及作用

极化干涉SAR是目前雷达遥感的前沿领域,它是集极化SAR和干涉SAR于一体的新型对地观测技术。通过对极化干涉的基本原理和物理机制、极化干涉SAR的数据处理及与常规于涉SAR数据处理的区别,以及极化干涉SAR当前的几个热点应用研究领域进行了阐述,对极化干涉SAR存在的问题也进行了讨论。

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。

基于多频率极化SAR影像的洪河国家级自然保护区植被信息提取

植被是湿地生态系统健康状况的"晴雨表",明晰湿地中植被的时空分布,是湿地修复与重建、保护与合理利用的前提和基础。以洪河国家级保护区为研究区,利用全极化C-band Radarsat-2和L-band PALSAR数据,根据极化合成孔径雷达(synthetic aperture radar,SAR)目标分解理论,提取了该保护区不同波长的极化分解参数和特征参量,整合为多源极化SAR数据集,利用多尺度迭代分割算法和Random Forest机器学习算法,构建了研究区中植被的遥感识别模型,实现了对研究区中植被的高精度分类,并对比分析了不同频率SAR数据集在植被识别精度上的差异。研究结果表明,利用整合PALSAR和Radarsat-2极化数据集,获取的植被遥感分类结果的总体分类精度为86.77%,比利用PALSAR极化数据集的分类结果精度提高了15%,但是其与利用Radarsat-2极化数据集的分类结果精度差异不显著;浅水草本沼泽的生产精度达到了90.91%,深水草本沼泽的用户精度为90.63%;C-band PALSAR数据比L-band PALSAR数据更适用于高精度识别洪河国家级自然保护区中的植被。