基于一般散射模型的Hybrid Freeman/Eigenvalue分解算法(英文)

提出了一种新的基于一般散射模型的hybrid Freeman/eigenvalue分解算法,用于分析极化合成孔径雷达(PolS AR)数据。文中,单位矩阵作为体散射模型,相干矩阵的两个较大特征值对应的特征向量作为表面散射模型和二次散射模型,并且不需要反射对称条件。新算法有三个优点:第一,表面散射和二次散射不需要反射对称条件,更符合一般散射体的建模;第二,因为散射能量是相干矩阵特征值的线性组合,所以散射能量具有旋转不变性;第三,表面散射能量和二次散射能量避免了负值现象。在San Francisco地区的AIRSAR数据上进行了实验,证明了新算法的有效性。

一种自适应的混合Freeman/Eigenvalue极化分解模型

全极化SAR数据的极化分解在土地利用分类、目标检测与识别以及地表参数反演等领域得到了广泛应用。目前,主要有基于特征值分解和基于模型分解2类极化分解方法。混合Freeman/Eigenvalue极化分解结合了两者的优势,避免了基于模型的极化分解中负功率问题并且能够利用已知的散射机制解释分解后的散射分量。为了进一步拓展该分解在不同地表类型中的应用,通过引入参数Neumann一般化体散射模型,提出了一种自适应的极化分解模型。利用德国Black Forest地区的L波段AirSAR(airborne synthetic aperture Radar)全极化数据进行实验,并与现有的Yamaguchi三分量模型和自适应非负分解(adaptive nonnegative eigenvalue decomposition,ANNED)对比分析,以验证模型的有效性。研究表明,自适应的混合Freeman/Eigenvalue极化分解模型保证了分解能量的非负性及完全分解,适应于不同类型的地表,能有效地区分不同地类。

基于Freeman全极化分解的干雪识别指数模型构建

为了更好利用极化特征进行较准确的干雪识别,提出了一种面向干雪识别的合成孔径雷达(synthetic aperture radar,SAR)指数模型。以新疆玛纳斯河流域为研究区,选择干雪期Radarast-2全极化SAR数据进行Freeman极化分解,获取该时期的极化特征,并分析积雪覆盖区、非积雪覆盖区极化特征差异及极化特征的变化规律;在此基础上,提出一种新的面向干雪识别的指数模型,并进行Ostu阈值分割,识别干雪范围,并与最小距离、马氏距离、最大似然等监督分类方法的干雪识别结果进行对比分析。研究结果表明:基于Freeman极化分解构建的干雪识别指数模型,其总体分类精度达到85.83%,通过非监督的方式能够识别干雪覆盖范围。

一种新的基于非反射对称非负特征值分解的Freeman分解

该文首次推导出了在非反射对称情况下非负特征值分解(NNED)的分析解法,即非反射对称NNED;并将其应用于Freeman分解,提出了一种基于非反射对称NNED的Freeman分解。在Freeman分解中,非反射对称NNED用于提取体散射功率,并用于调整体散射、二面角散射以及表面散射功率以确保余项协方差矩阵没有负特征值。相比于基于反射对称NNED的Freeman分解,所提的分解方法有效地利用了在反射对称条件下被假定为0的非对角线元素,能保证余项协方差矩阵没有负特征值,实测极化SAR数据实验表明,所提的分解方法能显著地加强城区的二面角散射功率并且减少城区的体散射功率。

基于Freeman分解的植被参数反演新方法

基于极化Freeman分解的极化协方差矩阵参数,极化干涉SAR互协方差矩阵可简化建模为植被高度、消光系数和地面干涉相位的函数。基于此,该文建立了以极化干涉SAR互协方差矩阵估算值与互协方差矩阵观测值之差为目标函数、以3个植被参数为未知量的优化模型,提出了基于Freeman分解的植被参数反演新方法。该方法避免了三阶段植被参数估计方法所面临的体相关系数确定问题,提供了一种独立于三阶段植被参数估计的新思路。仿真结果验证了新方法的有效性。

一种基于Freeman分解与散射熵的极化SAR图像迭代分类方法

该文提出了一种基于Freeman分解与散射熵的极化SAR图像迭代分类新方法。该方法首先通过Freeman分解提取3种散射机理成分的功率,同时通过H/α分解提取地物的散射熵;再利用这4个表征地物特性的参数将极化SAR图像中的地物划分为9个初始类,最后使用Wishart分类器对初始类进行迭代分类得到最终的结果。该方法合理利用了地物的极化散射信息,能够取得较好的分类效果,同时运算量也比较小。实测极化SAR数据的实验结果验证了该方法的有效性。

基于Freeman 分解和雷达植被指数的极化SAR图像分类

研究首先基于影像的相干矩阵提取特征参数,即雷达植被指数(RVI),再对影像的协方差矩阵进行Freeman分解,得到三种散射机制参数,分别为体散射、面散射和二面角散射。然后组合这些特征参数应用于支持向量机(SVM)中,对极化SAR图像进行分类,并与Wishart监督分类比较。结果表明,雷达植被指数有助于提高植被的分类精度,且该方法的分类精度明显高于Wishart监督分类。

基于Freeman散射熵和各向异性度的极化SAR影像分类算法研究

极化SAR影像中阴影、水体和裸露的耕地3种地物类型有非常相似的极化散射特性,常规基于非相干分解的分类方法难以将其有效地区分。对此,本文引入基于Freeman分解的散射熵Hf和各向异性度Af两个特征参数,并将其用于极化SAR影像分类。首先利用Hf和Af参数将阴影和水体提取出来,然后将其他地物按散射机制分为3大类,并对每一类再次利用Hf和Af参数进行细分,最后通过基于Wishart分布的聚类和迭代分类,得到最终的分类结果。通过利用Radarsat-2在河南登封获取的全极化SAR数据进行试验,表明该算法执行效率高,能够有效地区分阴影、水体和裸露的耕地,并且对其他地物类型也有很好的分类效果。

一种基于Pauli分解和支持向量机的全极化合成孔径雷达监督分类算法

全极化合成孔径雷达(SAR)影像准确分类的一个重要前提是充分提取反映地物实际物理性质的特征。然而现有的全极化SAR特征提取算法和分类算法众多,却均存在各种各样的问题。无论极化特征提取方法还是分类算法,都会影响最终的分类精度。针对此问题,在多次实验的基础上,提出一种综合Pauli极化特征分解和支持向量机(SVM)的分类策略,简称为Pauli-SVM算法。首先通过经典的Pauli分解法提取全极化SAR影像的奇次散射、偶次散射、体散射等极化特征;并将这些信息组合成一个特征向量,然后引入高精度的SVM分类算法,选择训练样本后对全极化SAR影像进行监督分类。在江苏溧水和南京横溪镇两个研究区,以ALOS卫星的PALSAR影像为研究数据,进行监督Wishart分类算法、Freeman特征提取法结合SVM的分类算法、Yamaguchi特征提取法结合SVM的分类算法、Pauli-SVM算法的分类对比实验。结果表明,新提出的PauliSVM算法可以有效地提高分类的准确性。

综合去取向和广义体散射的三分量极化目标分解模型

该文深入分析了Freeman分解中存在的体散射过度估计问题,并发展了一种综合去取向理论和广义体散射模型的三分量极化目标分解模型解决该问题。首先,在分解前对极化协方差矩阵进行去取向处理以削弱交叉极化分量;然后采用一种广义体散射模型以适应林地中HH分量和VV分量的比值变化;最后,增加功率限制处理以完全消除负功率问题。实验采用德国Oberpfaffenhofen地区L波段机载ESAR数据进行验证,并与其他改进模型进行比较,结果表明,综合处理后的分解模型能显著地解决体散射过度估计问题,且分解结果更接近地物的实际散射机理。

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。

基于全极化SAR影像的双台河口湿地分类及其变化分析

为了研究辽东湾双台河口湿地变化原因,对该地区全极化SAR影像进行湿地分类.引入Freeman分解建模全极化SAR影像,得到二面角散射、体散射、表面散射的散射功率,利用SVM分类法对散射机制假彩色影像进行分类,进而确定该地区的湿地分布情况.通过对比分析2007年与2016年的湿地分布情况,同时考虑区域特性和数据的可获取性,选取盘锦市年降水量、年均气温、年径流量、海平面高度、城市建成面积、原油年产量、水产品年产量和逐年GDP等8个驱动因子,研究双台河口湿地变化的驱动机制.结果表明:(1)全极化SAR影像分类结果总精度达到80. 25%,较光学影像的分类精度提升7. 43%,并且可将芦苇湿地进一步细分为芦苇池塘和芦苇草甸;(2)2016年双台河口各湿地面积占比依次为草本沼泽(28. 54%)>浅海水域(22. 44%)>灌丛沼泽(16. 88%)>水产养殖厂(9. 54%)>河流(8. 91%)>稻田(7. 58%)>淤泥质沙滩(6. 11%);(3)不同湿地的变化原因有所差异,驱动因子也不尽相同,如水产品年产量增加是水产养殖厂转化为淤泥质沙滩的直接驱动因子,而气温上升等自然因素和城市建成区面积增长等社会因素是草本沼泽退化和变化的主要驱动因子.研究显示,全极化SAR影像较光学影像更适合湿地分类,而双台河口湿地自然湿地减少和人工湿地增加是自然和社会因素共同作用的结果.

归一化法消除全极化SAR影像Freeman分解中的不一致

分析了Freeman分解中的不一致性问题,提出了解决这种不一致性的归一化消除方法,并使用德国普拉特灵地区的全极化星载TerraSAR-X数据进行了验证。实验结果表明,Freeman分解中存在分解不一致的现象,本文提出的归一化方法能够完全去除Freeman分解的不一致性,即负功率现象。

基于相似性的POLSAR占优散射归类及非监督聚类

极化相似性满足旋转不变性、尺度无关性及有界性,基于此,该文提出一种极化相似性与Freeman模型相结合的POLSAR占优散射归类及非监督聚类方法。实验表明,该方法解决了Freeman分解在分类应用中所存在的问题,相比于直接应用Freeman分解的分类方法,在地物散射特征的描述上更加准确。

一种结合Freeman分解和散射熵的MRF多极化SAR影像分割算法

针对多极化SAR图像,采用Freeman分解理论,将其分为表面散射、偶次散射、体散射、混合散射4种散射机制,并通过H/Alpha分解提取散射熵,将地物初始分为12类,并运用聚合的层次聚类算法对初始分类结果进行合并。利用Wishart分布对特征场进行建模,用模拟退火优化方法求取基于最大后验准则下的分割结果。

基于Radarsat-2全极化数据的多种雷达植被指数差异分析

[目的]雷达植被指数(Radar Vegetation Index,RVI)作为评价雷达影像植被分布与生长状态的重要指标,对植被生长动态监测具有重要意义。然而,不同算法的雷达植被指数对于同一地物类型的表征往往存在一定的差异。文章通过对比分析3种常用RVI在多种类型地物上的差异,为其在SAR影像特征提取、分类、识别等应用提供指导性意见。[方法]实验基于武汉市Radarsat-2全极化数据,结合Google earth历史影像和实地调研数据,选取林地、灌丛、草地、耕地、水生植被、建筑、道路、裸地、湖泊、河流10种典型地物样本,从样本折线图分布、类内标准差等方面,对分别通过H/A/alpha分解、Freeman分解和后向散射系数计算得到的3种常用雷达植被指数Van_RVI、Freeman_RVI和Kim_RVI进行了测算分析。[结果] 3种雷达植被指数有着相似的折线图走势,对植被的监测能力良好,但对于不同地物的敏感性稍有差异:Freeman_RVI对林地等高密度植被区域敏感程度较高; Van_RVI对耕地与林地、灌木与林地具有一定的区分性; Kim_RVI对水体与建筑的敏感程度较高。[结论] Freeman_RVI对高密度植被识别能力最好,可用于林地提取、森林制图; Van_RVI对植被与非植被的区分能力最好,适用于植被提取; Kim_RVI数据预处理计算速度最快,但提取精度不高,可用于应急制图。

基于Freeman分解的极化SAR数据相干斑滤波

本文在Freeman分解理论基础上,提出一种极化SAR数据相干斑滤波算法。该算法基于Freeman散射模型对原始极化SAR数据进行分解,以获得像素的散射类型和总功率值;在滤波窗口内选取与中心像素散射类型相同,总功率值接近的像素构成滤波同质区;并根据同质区的局部统计特性,应用线性最小均方滤波器进行滤波处理。试验表明,该算法在有效去除相干斑的同时,对极化和边缘等细节信息也有较好的保持效果。

基于深度卷积神经网络的极化雷达目标识别

针对宽带多极化雷达,提出将高分辨一维距离像(high resolution range profile,HRRP)与极化信息相结合的算法,获得目标在4种极化组态下的一维距离像并将其组成极化距离矩阵.该算法对目标进行全方位的特征抽取与建模,以适应不同的姿态,有助于减少高分辨一维距离像方位敏感性带来的影响.然后提出了直接基于极化距离矩阵、Pauli分解和Freeman分解三种特征提取方式对极化距离矩阵进行目标特征的提取,并将获得的目标特征向量结合起来送入搭建的深度卷积神经网络进行训练学习.该方法不仅结合了不同的特征提取方式以对极化距离矩阵进行更全面的特征提取,而且深度卷积神经网络的运用又对目标特征向量进行了深层学习,仿真结果验证了该方法的有效性.

结合Freeman分解与子孔径散射特性的极化SAR图像分类

本文结合Freeman分解和子孔径分析,提出一种新的极化SAR图像分类算法。该方法首先利用子孔径分解,产生不同方位观察角度下的子孔径图像,再利用Freeman分解对各个子孔径图像提取三种散射机理成分的功率,平均后对类别进行细分,最后使用Wishart统计分类器对类别进行分类划分得到最终结果。该方法考虑了极化散射机理在不同方位观察角度下的变化,能够取得较好的分类效果,能够保存主要极化散射特性的纯度,同时还可以动态地设定分类类别数。最后利用EMISAR获取的极化SAR数据进行了仿真,验证了该方法的有效性。

基于全极化SAR数据的BP神经网络分类研究

合成孔径雷达(SAR)图像可以得到非常多的地物特征信息,给图像的解译和分析提供了更多的依据,在地物目标检查、辨别和提取方面具有巨大的潜能。本文基于SAR原始数据的BP神经网络分类算法,并将极化特征分解和BP神经网络分类的优点结合起来,用于全极化SAR数据分类研究,最后得出结论,基于Freeman分解后分类获得较高的分类精度。