高分辨率极化SAR影像KummerU分布非监督分类方法

针对高分辨率极化SAR数据特征分布不再符合同质区域假设,进而导致基于统计分布的极化SAR影像非监督分类方法精度下降的问题,将具有广泛适用性的KummerU分布嵌入粒子群寻优聚类算法,提出了新的极化SAR影像非监督分类算法(PSO-KummerU方法):首先基于极化SAR统计特征对数据进行初分类,然后采用极化SAR统计特征与粒子群优化算法进一步进行聚类中心求解,分类准则部分采用KummerU距离改进代替传统的Wishart距离度量准则;采用3种非监督分类方法(H/α-Wishart、PSO-Wishart、PSO-KummerU方法)进行分类对比实验.实验结果表明:基于KummerU分布的PSO-KummerU方法与采用Wishart距离的聚类方法相比,目视效果明显改进,整体分类精度提高14%以上.

一种基于KummerU分布的SAR图像统计建模方法

提出一种基于KummerU分布的SAR图像统计建模方法。首先在SAR图像乘积模型框架下,假设SAR图像的相干斑和雷达截面积分量分别服从Gamma分布和Fisher分布,导出了SAR图像的KummerU分布。接着,基于Mellin变换得到了KummerU分布的对数累积量参数估计方法。最后,利用KummerU分布对TerraSAR-X和AIRSAR系统获取的不同场景的SAR图像数据进行统计建模。定性和定量分析的实验结果表明,与经典SAR图像分布模型相比,KummerU分布具有更优的SAR图像统计建模能力。