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。

基于Pauli分解散射参数特性的潮沟信息提取

以长江口九段沙为研究对象,利用2015-04-05全极化Radarsat-2影像数据,首先进行了多视处理和精极化Lee滤波;然后通过Pauli极化分解提取出九段沙水体、潮沟、低矮植被和芦苇的奇次散射系数、45°二面角散射系数和二面角散射系数,并且对4种地物类型(潮沟、水体、低矮植被和芦苇)的3种参数的散射强度分别进行了统计分析;最后选择二面角散射系数作为潮沟信息提取的判别标准,采用区域生长法提取了潮沟信息,并利用数学形态学对区域生长法中的断裂潮沟进行了连接和非潮沟信息的消除。研究结果表明,潮沟和水体的奇次散射强度值分别为0.040和0.038,二者的45°二面角散射系数值为0.001和0.002;潮沟的二面角散射强度值为0.007,低矮植被和芦苇的二面角散射强度值分别为0.783和0.104。

基于超像素与Span-Pauli分解的SAR影像分类

针对高分辨率极化合成孔径雷达(SAR)影像解译中面向像素方法难以充分利用影像信息的问题,提出一种基于超像素与Span-Pauli分解的非监督分类方法.利用分水岭方法易于过分割的特点,将分水岭分割得到的特征相似、空间相邻的像素集合视为超像素,并作为分类算法的基本处理单元.利用极化参数Span及Pauli基对极化SAR数据进行迭代分类,以实现适用于高分辨率SAR影像的非监督分类.采用X波段高分辨率SAR数据进行实验,结果表明:基于超像素的分类方法能有效抑制分类结果中的椒盐现象,将总体精度提高到了73.81%;在准确区分水体、道路的基础上,提高了复杂的农作物类别的分类精度.

基于Pauli基分解的极化校准算法

极化校准是现代雷达精确获取目标极化散射特性的前提和基础。为解决某全极化雷达的校准问题,提出一种基于Pauli基分解的极化校准算法,给出了算法的正交条件和相关推导,可选择任意满足正交条件的三个目标做为定标体。对校准算法的误差来源和误差对校准结果的影响分别进行了理论分析和仿真分析。给出了不同条件下该校准算法和其它校准算法的仿真结果,以及某全极化雷达校准试验数据分析结果。结果表明:基于Pauli基分解的极化校准算法能有效消除天线的变极化效应,可更准确地校准目标的极化散射矩阵,并可应用于大型地基极化雷达、极化合成孔径雷达以及极化相控阵雷达等的极化校准。

一种改进的PolSAR目标分解方法

目标分解能够为解译和利用PolSAR数据提供有效的方法。Pauli分解是一种常见的目标分解方法,但是分解结果受相干斑噪声影响较大。本文基于二次分解的思想改进了Pauli分解方法,并对PolSAR数据进行了分解实验。结果证明,改进的方法能够有效降低相干斑噪声对分解结果的影响,改善了分解结果的解译质量。

极化SAR图像Pauli-Wishart非监督分类算法

针对全极化SAR影像经典非监督分类方法中H/α初始划分适应性有限及武断僵硬的问题,结合极化总功率提出一种结合Pauli分解与Wishart距离的极化SAR影像非监督分类方法。利用极化总功率Span对数据进行基于散射强度的初始划分;结合初分类结果与Pauli分解得到的HH,HV,VV 3个波段进行迭代分类;基于Wishart距离进行聚类得到分类结果。实验采用NASA-JPL实验室的2组L波段全极化SAR数据验证了基于Pauli基迭代改进分类方法的有效性,分类结果与传统的H/α-Wishart分类方法对比,分类精度和合理性都有提高。

Radarsat-2全极化SAR车辆目标典型方位特性分析

Radarsat-2卫星可为普通用户提供8 m分辨率全极化SAR影像服务,这为研究基于星载全极化SAR影像的目标检测与监视提供了数据保障。针对此新型星载SAR影像中的车辆目标,本文提出以目标RCS测量和极化分解两种技术相结合的目标特性分析方法,并以同型号、典型方位的大型卡车为例,进行了不同入射角条件下的两次同步实验。利用本文提出的分析方法对实验数据进行了分析,给出了卡车目标在不同成像方式下的极化特性分析结论。为进一步研究基于星载全极化SAR影像的道路交通监测提供了基础。

结合ICA相干斑抑制的全极化SAR图像分类

本文提出了一种结合相干斑抑制的全极化SAR(Synthetic Aperture Radar)图像分类新方法.该方法先对图像数据做Pauli分解,获得三个极化组合通道,并分别用三种颜色表示这三个极化组合;再用独立分量分析稀疏编码(ICA-SCS)算法对各颜色通道进行相干斑抑制,最后把三个颜色通道混合,实现了对图像信息的分类.该方法很好的保留了极化通道间的相对相位信息,同时,相干斑抑制后的数据直接用于图像分类,不需要再做任何极化通道组合.对真实SAR图像的分类结果表明,该方法对分类效果和精度有明显改善.

全极化频谱外推的合成孔径雷达成像分辨率增强方法

全极化合成孔径雷达可对不同极化通道分别独立进行频谱外推来增强分辨率,但分别独立处理难以利用极化信息的冗余性与互补性.将目标全极化数据分解到反映三种独立散射机理的Pauli基上,对分解后的全极化数据进行三维联合频谱外推处理,并利用实测数据进行了对比分析.结果表明:极化分解后,通过三维联合频谱外推的方法相比传统方法具有更高的预测模型匹配精度,可获得更好的分辨率增强性能.

基于极化SAR数据的图像分类识别算法

利用公开的全极化SAR数据,研究基于SAR图像的检测、极化分解和识别算法。首先根据四个线极化通道合成伪彩色图像,从而对场景进行初步认知。利用一维距离像分析全极化各通道的信噪比强度,通过对目标进行Pauli分解得到目标的奇次散射分量和偶次散射分量,从而完成对海杂波、建筑物和舰船的相干分量的研究。

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.

POLSAR多视复图像的特征提取和分类方法

Pauli分解和Krogager分解通常用于对极化合成孔径雷达(POLSAR)单视复图像中的相干复散射矩阵进行分解。基于Pauli分解和Krogager分解提出一种改进的极化特征分解方法,用于POLSAR多视复图像极化特征提取。首先利用Pauli分解分离出多视复图像数据的对称部分和非对称部分,然后利用Krogager分解提取出对称部分的极化特征,最后利用AdaBoost算法对所提取的极化特征进行分类。使用SIR-C的数据验证了方法的有效性。

极化干涉SAR面向城区不同处理模式的误差影响分析

极化干涉合成孔径雷达(PolInSAR)在城区等复杂场景下的应用受到了越来越多的关注。面向城区的极化干涉SAR处理主要包括基于极化最优相干的干涉测高、基于极化分解的干涉测高、联立极化干涉观测方程直接求解不同散射机制高度这3种模式。现有研究对各类误差在极化干涉SAR不同处理模式下的综合影响分析尚很欠缺。该文在构建极化干涉SAR误差模型的基础上,提出了联立极化观测方程下散射机制的求解方法,推导了极化失真和干涉误差在极化干涉SAR不同处理模式下的综合影响模型,并通过仿真验证了模型的正确性,同时给出了3种处理模式补偿误差后的高度反演结果,补偿误差后通过极化最优相干得到建筑区域高度的均方根误差(RMSE)为2.77 m。在此基础上,通过仿真给出了极化干涉SAR不同处理模型下的误差影响曲线,比较了不同处理模型受误差影响的程度,并给出了合理解释,研究结果为极化干涉SAR系统设计、处理方法选择及数据应用提供了参考。

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时,利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题,在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上,提出基于Pauli分解,H、α、A、α;分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取,并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合,利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明,所提方法能够保留目标全极化HRRP更多特征,提高目标识别的准确率。

无人机载PolInSAR城区散射机制初步分析

极化干涉合成孔径雷达(PolInSAR)在城市遥感领域中扮演着重要角色。它能够提高图像的相干性并提高反演结果的精度,所以对于其散射机制的解释往往受到许多研究人员的关注。相关的研究多从极化分解的角度考虑,却少有人从散射中心高度方面进行分析。本文使用Ku波段无人机载极化干涉SAR系统,实现了使用无人机SAR系统对地面进行成像,比较了极化干涉最优分解与Pauli分解作用在不同人造目标时散射中心的关系。我们初步分析了极化干涉SAR的物理意义,并使用C波段的机载极化干涉SAR系统对结论进行验证。

基于全极化微波遥感的干旱区典型绿洲盐渍化信息提取

采用Krogager、Pauli两种极化目标分解方法,分别构建基于支持向量机(Support Vector Machine,SVM)的分类模型(分别简称Krogager-SVM和Pauli-SVM),以渭干河-库车河三角洲绿洲地区(渭-库绿洲)为研究区域,利用全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)遥感影像数据,进行干旱区典型绿洲不同程度盐渍化信息的提取研究。结合野外实地验证数据,将两种模型的分类结果与传统SVM分类作对比分析。结果表明,Krogager-SVM和Pauli-SVM模型改善了传统干旱区盐渍化分类方法,其总体精度从74.17%(传统SVM)分别提高到了80.598 0%和82.387 6%,分别提高了6.43个百分点和8.21个百分点(Kappa系数分别提高0.08和0.12)。表明本研究所提出的分类模型在Pol SAR数据的盐渍化信息提取方面有着一定的潜力。

基于全极化Radarsat-2数据的干旱区典型绿洲盐渍化信息提取

土壤盐渍化不仅破坏了当地的自然生态环境,而且严重影响着可持续发展。为了对干旱区盐渍地进行有效、实时的监测,利用全极化合成孔径雷达PolSAR(Polarimetric Synthetic Aperture Radar)遥感数据进行盐渍地信息的提取。提出对以渭-库绿洲为研究区的全极化Radarsat-2数据进行Pauli分解和H/A/α分解,获取其极化特征分量。在此基础上,利用支持向量机(Support Vector Machine)、最小距离分类(Minimum Distance Classification)以及最大似然分类(Maximum Likelihood Classification)方法进行监督分类,并对分类结果进行对比分析。研究结果表明,极化分解方法在盐渍化监测中具有较好的研究潜力,基于Pauli和H/A/α分解的SVM分类方法更适用于PolSAR数据盐渍地信息的高精度提取。

极化分解后多纹理特征的建筑物损毁评估

准确地获知灾区的建筑物损毁程度能为抗震救灾和灾后重建提供决策依据。利用震后极化合成孔径雷达(SAR)数据,该文提出了一种综合利用极化分解后多纹理特征的震后建筑物损毁评估方法。首先,用Pauli分解的π/4偶次散射分量剔除非建筑区;其次,用Pauli分解的π/4偶次散射分量的方差特征、对比度特征和Pauli分解的奇次散射分量的对比度特征识别倒塌建筑物,并分别基于区块计算建筑物损毁指数;最后,综合3个纹理特征完成建筑物的损毁评估。采用玉树震后RADARSAT-2数据和东日本大地震后ALOS-1数据的实验验证了所提方法对建筑物损毁评估的有效性,该方法对玉树城区和日本石卷城区的重度、中度和轻度损毁建筑评估的总体精度分别为74.39%和80.26%。与其他方法的对比实验表明,该方法能减少取向角的影响,对存留有少数与方位向平行的完好建筑物的倒塌区、大取向角的完好建筑区的评估更为准确。

一种结合分水岭与决策树C5.0的极化SAR分类方法

提出了一种利用多种极化特征并结合分水岭算法与决策树C5.0分类器的极化SAR数据分类方法。首先对极化SAR数据进行极化精致Lee滤波,接着对其进行极化分解得到多个极化通道与Pauli RGB图像,改进梯度图生成法并进行形态学分水岭分割与区域合并,最后选择样本构建决策树C5.0分类器并进行分类。实验结果表明,该方法与传统基于像素的分类方法相比精度有显著提高,同时由于使用了较多的极化特征,也使分类精度在一定程度上得到了提高。