基于Cloude-Pottier目标分解和聚合的层次聚类算法的全极化SAR数据的非监督分类算法研究

本文提出了一种新的基于Cloude-Pottier分解和聚合的层次聚类的全极化SAR(Synthetic Aperture Radar)数据的非监督分类算法.作者使用极化总功率SPAN来改进常规的初始化方法,并采用聚合的层次聚类算法对初始化结果进行类的合并,提高非监督分类器的性能.实验表明,该算法能获得有效的分类中心,分类结果明显优于常规的WishartH/α/A分类算法.

基于Cloude目标分解的极化InSAR地物分类方法

本文针对利用Pol—InSAR数据进行地物分类的问题，提出了一种基于cloude目标分解的Pol—InSAR地物分类方法。该方法首先对Pol—InSAR数据进行预处理，抑制噪声影响，然后采用Cloude目标分解结果和极化相干性信息确定初始类别，最后对初始类别利用Wishart分类器进行聚类分析得到分类结果。实验结果表明，该方法在地物类型单一区域分类精度较高，在地物类型多样区域分类精度相对较低。

利用目标分解特征的全极化SAR海冰分类

特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。

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。

极化雷达目标分解方法用于岩性分类

雷达遥感中地表不同岩石类别的后向散射一般差别不大 ,因此以散射幅度为主要探测因子的常规雷达遥感数据不利于岩性分类。极化雷达以散射矩阵或Stokes矩阵的形式 ,记录了更多的地物回波信息。信息源的增多 ,有利于提高岩性分类的精度。但是 ,由于不同极化状态回波信号之间的相关性 ,极化数据不可避免地产生数据冗余 ,反而增大了岩性分类的误差。为增强极化数据在岩性分类中的应用 ,使用Colude提出的目标相关矩阵特征向量分解方法 ,将岩石散射分成互相独立的 3部分 :单向散射 ,双向散射和交叉散射。目标分解技术降低了同一岩性岩石同极化回波之间的相关性 ,更清晰地显示了不同岩石类别的散射强度差异 ,显示了极化数据在岩性分类中的优势。利用1994年 10月获取的新疆北部山区SIR C极化数据 ,对不同岩性岩石的目标分解数据以及线性极化后向散射强度数据进行了综合的统计分析 ,建立了适合每一种岩性识别的散点图 ,并将这些数据作为输入端进行神经网络分类 ,分类精度最大可达 94% ,误差最小为 1 0 6 % .

极化SAR图像目标分解方法的研究进展

极化合成孔径雷达(极化SAR)经过近几年的迅速发展,已经成为遥感领域的一大研究热点。极化目标分解作为极化SAR图像分析的一种基本手段,所提取的极化信息是极化SAR图像目标检测和分类的基础,在极化SAR图像解译中起着关键作用。通过对近几年极化目标分解方法的发展作一个全面的阐述,重点介绍该领域出现的新技术,使相关研究人员能够更清晰地了解这一领域的最新进展。

极化目标分解及其在图像分析中的应用

极化目标分解方法可以概括为三类:Huynen类型的分解理论、相干分解理论和基于特征值的分解理论,它们从不同的侧面刻画了目标的极化散射特性。本文分别对三种分解方法进行了较为详细的论述,并运用基于特征值的分解理论以及目标熵的概念,将其应用于极化雷达图像的分析中,结果表明目标分解法在极化雷达图像融合与增强、极化目标识别等领域有重要的作用。

基于目标分解和SVM的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目标分解及支持矢量机(Support Vector Machine,SVM)的极化SAR图像分类方法。首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征,从而构造出图像各像素的特征向量。接着利用样本区域像素的特征向量对SVM进行训练,获得经训练的SVM。最后,以各待分类像素的特征向量为输入,利用经训练的SVM即可完成极化SAR图像的分类。对两幅AIRSAR实测极化SAR图像数据分类的结果表明,文章方法能够有效地利用多类散射特征的互补信息,具有较高的分类精度。

极化目标分解在目标分类中的应用

极化目标分解是从极化SAR数据中提取目标特征的重要方法,可以将其概括为两大类:基于S inc lair矩阵的相干目标分解和基于Mueller矩阵、相干矩阵、协方差矩阵的部分相干目标分解.利用相干目标分解中的基于Pau li矩阵分解法、Krogager分解法和Cam eron分解法,对实测极化SAR数据进行分类实验,结果表明极化目标分解对于从极化SAR数据中提取目标特征,进而对其进行分类是可行和有效的.

基于模型的π/4模式简缩极化干涉数据目标分解

基于模型的目标分解是极化合成孔径雷达(SAR)的一个重要应用,基于模型目标分解依赖于极化数据仅能获得各散射机制的能量信息。该文将基于模型的分解技术应用到π/4模式的简缩极化干涉SAR(C-Pol In SAR)数据中,对互相关矩阵进行分解,在获得各散射机制功率的同时获得对应的散射相位中心。该文首先推导出3种散射机制π/4简缩极化SAR干涉观测下散射模型,然后运用数值计算方法进行目标分解,最终求解出各散射机制的功率贡献及相位中心高度信息。仿真数据验证了该算法的有效性,分析了不同波段及不同地表参数对分解结果的影响。

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。

基于极化交叉熵和Yamaguchi分解的飞机目标检测方法

给出了一种基于极化交叉熵和Yamaguchi分解相结合的飞机目标检测方法。首先计算极化SAR图像中各个像素点与平面、左螺旋体、右螺旋体三种基本散射体的相似性参数,并利用相似性参数构造极化交叉熵;然后采用Yamaguchi分解方法提取偶次散射分量功率;最后结合极化交叉熵与偶次散射分量功率构造检测特征量,并进行阈值判别提取飞机目标。利用美国UAVSAR和美国AIRSAR系统采集的全极化实测数据对算法进行实验,结果表明,该算法能够有效的检测出飞机目标,并且虚警较少。

基于目标分解的极化图像分类研究

该文应用目标分解理论,研究了极化合成孔径雷达(POLSAR)的图像分类问题,具体研究了几种典型的分类特征及其优化选择问题。并结合美国NASA/JPL实验室的AirSAR系统在日本冈山地区的实测POLSAR数据,选取特征相近的水域和低值被进行了分类实验,得到了最佳分类特征量,并达到了95.7％的分类正确率。

基于极化分解的目标识别方法研究

在全极化、高距离分辨力雷达体制背景下，研究了光学区雷达目标极化特性。利用极化分解将复杂目标分解为三个简单目标， 并提取描述三目标关系的特征参数对四类军用飞机目标进行了识别实验研究， 获得了良好的目标分类识别效果。

SAR目标极化分解方法研究

从极化SAR图像数据中,我们可以提取目标的极化散射特性,从而实现全极化数据的分类和聚类等其他应用。这需要我们对极化数据进行分析,有效地分离出目标的散射特性,其理论核心是目标分解。本文针对几种现有的目标分解方法进行了深入的分析和研究,并从分解思想、分解结果、算法实现难点、计算量以及应用范围等多方面进行比较,以期对这些分解方法进行更深刻的理解,为目标分解方法的实际应用提供一定的理论参考。

双极化SAR目标分解方法研究及应用

在对常规雷达数据特征与地物分类研究的基础上,重点研究双极化SAR图像的目标分解方法,并基于神经网络将分解后得到的极化信息与常规雷达数据有机结合应用于植被的分类研究。结果表明,多种极化信息能够获取更多的地物信息,极大地提高了植被识别和分类能力。

基于目标相干散射特性的极化SAR图像分解分类方法

基于对目标极化相干散射特性的分析,我们改进了Cloude和Lee等人提出的极化特征分解及非监督分类算法,以适应高分辨率极化SAR图像中复杂的地物细节特征。实验结果表明,相对传统方法,该方法更能够保留目标的细节特征、准确地估计目标极化相干矩阵,因此能够获得更好的分解分类结果。另外,该方法还具有较好的收敛性和鲁棒性。

极化雷达目标信息分解技术及其在古湖岸线探测中的应用

目标信息分解就是将地物雷达电磁波回波的复杂散射过程分解为几种单一的散射过程 ,每种散射过程都有一个对应的散射矩阵 ,利用基于地物相关矩阵特征向量分解的目标分解方法 ,可以将目标相关矩阵分解为三种单散射体相关矩阵的加权和 :单向散射 ,双向散射 ,交叉散射。将目标分解理论应用于极化成像雷达数据 ,可以分别得到对应于地物单向散射 (奇次散射 )、双向散射 (偶次散射 )及多向散射机制的雷达后向散射系数。本研究应用目标矩阵分解技术对青藏高原西昆仑阿克赛钦湖地区 SIR- C L 波段和 C波段全极化多视复矩阵 (ML C)数据进行处理 ,得到研究区地表单向散射、双向散射及多向散射后向散射系数图像。研究发现 ,不同性质地表具有不同电磁波散射机制 ,散射分解后的图像能有效去除噪声 ,而且能够区分具有不同散射机制的地表 ,对研究区多期次古湖岸线的识别有重要意义。

面向极化目标分解的特征参数研究

为有效的解决极化特征分解中平均阿尔法角参数和熵参数的估计量偏低的问题,引入了加权平均函数、香农强度熵和极化度熵这3个参数,来描述地物散射回波的散射机制和散射随机性。给出了相干矩阵数据特征分解算法的实现流程,对AIRSAR数据集中的样本图像进行了定性的、定量的实验。实验结果表明,在不改变采样数量的前提下,新的参数值得到了提升。将新的参数应用于有监督威沙特距离分类,并通过蒙特卡罗仿真器验证了新的参数能够提高分类精度。

一种基于极化分解特征和SVDD的扩展目标检测算法

多极化距离高分辨雷达是地面静止目标检测的重要手段,其回波中目标占据多个距离单元,成为扩展目标。传统基于回波能量的扩展目标检测方法的性能随信杂比的降低而下降。提出一种基于极化分解特征的扩展目标检测算法,利用目标和杂波之间的极化散射特性差异提升低信杂比下的检测性能。所提方法提取16种极化分解特征组成特征向量作为检测统计量,再使用支持向量数据描述(SVDD)算法估计判别门限。在判别门限的训练阶段,杂波数据的极化分解特征被提取用作训练数据。并且为保证虚警概率,在SVDD的目标函数中引入了两个惩罚参数。使用实测数据进行了实验验证,所提方法在戈壁背景、虚警概率为10-4、检测概率为90%的情况下,所需信杂比约为12.6 dB,相较于基于能量的对比方法降低约1.7 dB。