散射特性引导的极化SAR图像多尺度分割

为满足不同地物分割的尺度需求,本文提出一种散射特性引导的极化SAR图像多尺度分割算法。该算法以分水岭初始分割为基础,通过迭代合并相邻区域获取极化SAR图像在不同尺度下的分割结果;以极化散射功率为特征,将地物按尺度相似性划分成表面散射、二次散射和体散射3种散射类型;以分割质量评价为指导,从多尺度分割结果中为每种散射类型地物选取适宜的分割尺度并进行叠置合成,形成最终分割结果。ESAR系统获取的L波段极化SAR数据验证了该算法的可行性。     

面向对象高可信SAR数据精确处理

针对合成孔径雷达（synthetic aperture rdar,SAR）数据在地形地物、森林植被等方面的处理与解译难题,介绍了近年来利用多角度、多波段、多极化、极化干涉等多模态航空航天SAR数据,建立基于散射机理的地物特性知识库,构建地形辐射校正模型、极化干涉处理模型、立体测量模型、基于知识的解译模型等,开发出高分辨率机载极化干涉SAR数据获取系统和SAR影像高性能解译软件系统,实现了精度高、可靠性强、识别类型丰富的SAR影像高可信处理与解译的原理、技术与方法,同时对成果在测绘、林业等行业的应用情况进行了介绍,对研究中存在的问题和解决思路进行了探讨。     

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。     

全极化干涉SAR散射功率的非监督分类方法

本文首先通过分析全极化干涉SAR条件下的散射机理,分别计算出来自地表层和植被层的散射功率,并进一步通过确定像素在功率平面上的位置来区分目标,实现对地物的分类。在此基础上,为了充分利用H/α非监督分类结果的有用信息,对基于H/α分类和基于散射功率分类得到的分类集进行组合,并通过复Wishart迭代分类方法进行聚类,得到最终的SAR图像分类结果。本文详细阐述了该方法的原理和实施步骤,并对SIR-C/X-SAR的L波段实际全极化干涉数据进行分类实验,可知该算法无论在分类精确度上还是在迭代速度上,都有较高的性能。     

RADARSAT-2全极化SAR数据地表覆盖分类

全极化合成孔径雷达(SAR)能够测量每一观测目标的全散射矩阵,但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,因而增加了地物信息提取的难度。文中基于北京地区的RADARSAT-2全极化雷达数据,在图像处理的特征分解的基础上,利用PolSARPro软件提取包含地物散射机理信息的各种极化参数,按H-α、A-α、H-A对全极化SAR影像进行基于散射机理的分类,继而将分类结果作为Wishart H/A/α、Wishart H/α的初始类别划分。最后,采用决策树分类算法对基于Wishart分布的监督分类及以上两种分类算法进行融合处理,从而实现地物的分类,并将分类结果与经典的分类算法进行对比分析,验证了文中方法的有效性。     

X波段和全极化P波段SAR图像配准方法研究

利用多波段SAR数据进行遥感应用,首先需要将不同波段SAR图像数据进行配准。不同波段电磁波与地物散射机理不同,导致同一地物在不同波段SAR图像上的表征不同,难以直接配准。将全极化P波段数据进行极化分解,利用SIFT算子提取X波段与P波段α分量的局部特征,实现配准,并给出初步的匹配结果。实践证明,该方法具有较好的稳定性和较高的配准精度。     

极化SAR影像分类方法研究

极化SAR图像分类是SAR图像解译的重要内容,快速、准确的SAR图像分类是实现各种实际应用的前提.现基于极化SAR图像的特点,用H-α、Wishart分布及H-α-FCM三种方法对机载全极化SAR数据和星载全极化SAR数据做了分类实验研究.结果表明,由于H-α平面的划分过于简单,这不可避免的会导致分类结果的不稳定性;Wishart分类方法能够清楚地区分开自然地物的主要类型,更符合散射机制的自然分布,并考虑与后向散射强度有关的信息,以一种自适应的方式改变了H-α平面中的决策边界,改善了H-α分类结果;H-α-FCM分类方法能较好的克服H-α分类结果中地物类别的模糊问题.     

基于最优极化相干系数的倾斜建筑物解译研究

基于Freeman_Durden分解的全极化SAR影像分类方法能够较好地保持地物极化散射特性,但在分类的过程中,不能改变初始散射机制,导致分解结果对分类精度影响很大。在Freeman_Durden分解中,排列方向相对雷达飞行方向不平行的建筑物（简称为倾斜建筑物）常被分为体散射类型,使得该类建筑物往往被误分为植被。本文通过分析建筑物在SAR影像中的后向散射特性,利用建筑物具有较高相干性的特点,引入最优极化相干系数,在目标分解的基础上通过阈值分割将两者区分开来,进而提高反射非对称性人工目标的分类效果。通过使用E-SAR系统在德国DLR附近Oberpfaffenhofen地区获取的L波段PolInSAR影像和国内X-SAR系统在海南陵水地区获取的X波段PolInSAR影像进行实验,证明本文提出的方法能够有效地将与雷达飞行方向不平行的建筑物与森林区分开。     

基于最优极化相干系数的倾斜建筑物解译研究

基于Freeman_Durden分解的全极化SAR影像分类方法能够较好地保持地物极化散射特性,但在分类的过程中,不能改变初始散射机制,导致分解结果对分类精度影响很大。在Freeman_Durden分解中,排列方向相对雷达飞行方向不平行的建筑物(简称为倾斜建筑物)常被分为体散射类型,使得该类建筑物往往被误分为植被。通过分析建筑物在SAR影像中的后向散射特性,利用建筑物具有较高相干性的特点,引入最优极化相干系数,在目标分解的基础上通过阈值分割将两者区分开来,进而提高反射非对称性人工目标的分类效果。通过使用E-SAR系统在德国DLR附近Oberp-faffenhofen地区获取的L波段PolInSAR影像和国内X-SAR系统在海南陵水地区获取的X波段PolInSAR影像进行试验,证明该方法能够有效地将与雷达飞行方向不平行的建筑物与森林区分开。     

多时相双极化合成孔径雷达干涉测量土地覆盖分类方法

综合采用时相、极化和干涉3种维度的SAR数据进行土地覆盖分类。以黑龙江省逊克县多时相ALOS PALSAR数据覆盖区为研究区,利用不同时相极化SAR、干涉SAR信号对地物特征的敏感性,结合后向散射强度和干涉相干的时变特征进行地物解译,发展了基于多时相、多极化、干涉SAR数据的SVM土地覆盖分类方法。研究结果表明,引入双极化SAR中不同极化(HH-HV)间的相干系数,并结合所选择的时相特征、极化特征以及干涉相干特征进行分类,可解决双极化SAR影像中林地与城市及建设用地的混分问题,得到更高精度的土地覆盖分类结果。     

基于MODIS影像的森林火灾火线检测方法

结合归一化火灾差异指数NDBR(normalized difference burn ratio)和MODIS多波段影像梯度边缘分析手段检测火线, 应用B样条函数拟合火线并确定火势蔓延方向。为对比验证, 基于火线的Kriging插值实现火灾外推预测, 与30min后的火灾参考数据目视对比与统计：火线的预测变化与参考影像基本保持一致, 火灾外推影像的均值和熵约为参考影像的86%和81%, 火迹地检测的Kappa系数达80.2%。试验表明, 提出的森林火线特征自动检测方法在动态火灾监测中是可行、有效的。     

The inversion method study of sub-canopy soil moisture estimation using repeat pass SIR-C PolInSAR data

From repeat pass SIR-C L band polarimetric SAR interferometric data and fully maximum likelihood inversion decomposition model of PolInSAR, a method for sub-canopy soil moisture estimation using repeat pass SIR-C PolInSAR data is proposed. At the same time, the potential and validity of fully maximum likelihood inversion decomposition model of PolInSAR for sub-canopy soil moisture inversion is investigated. Firstly, from the random oriented volume over ground two layer coherent scattering model and the statistical characteristics of Pol-InSAR coherency matrix, the fully maximum likelihood inversion decomposition model is used to reconstruct or recover the surface polarimetric coherency matrix with volume scattering components significantly removed; then, from recovered surface polarimetric coherency matrix, co-HH, VV and cross-HV polarization backscattering coefficient are obtained, and the sub-canopy soil moisture are inverted from Oh and Dihedral scattering model. At last, Compared the inversion result with the field measurement and the climate data of hetan region from 1951 to 2006, the preliminary result indicates that the proposed method based on fully maximum likelihood inversion decomposition model has enough high inversion accuracy, if the new spaceborne or airborne polarimetric SAR interferometric data with synchronously spaceborne or airborne-ground measurement will be acquired, the validity and accuracy of proposed inversion method will be further investigated and validated.     

利用极化合成孔径雷达干涉测量技术生成DEM

极化合成孔径雷达干涉测量(PolInSAR)是目前雷达遥感的前沿领域之一,它综合了极化和雷达干涉技术(InSAR)的特点.文中应用极化干涉相干最优化技术处理了Amazon雨林地区的真实L波段PALSAR全极化数据,得到该地区的数字高程模型(DEM).与常规的单极化InSAR技术进行对比,证明了利用极化干涉技术可以显著提...     

Scattering property based contextual PolSAR speckle filter

Reliability of the scattering model based polarimetric SAR (PolSAR) speckle filter depends upon the accurate decomposition and classification of the scattering mechanisms. This paper presents an improved scattering property based contextual speckle filter based upon an iterative classification of the scattering mechanisms. It applies a Cloude-Pottier eigenvalue-eigenvector decomposition and a fuzzy H/α classification to determine the scattering mechanisms on a pre-estimate of the coherency matrix. The H/α classification identifies pixels with homogeneous scattering properties. A coarse pixel selection rule groups pixels that are either single bounce, double bounce or volume scatterers. A fine pixel selection rule is applied to pixels within each canonical scattering mechanism. We filter the PolSAR data and depending on the type of image scene (urban or rural) use either the coarse or fine pixel selection rule. Iterative refinement of the Wishart H/α classification reduces the speckle in the PolSAR data. Effectiveness of this new filter is demonstrated by using both simulated and real PolSAR data. It is compared with the refined Lee filter, the scattering model based filter and the non-local means filter. The study concludes that the proposed filter compares favorably with other polarimetric speckle filters in preserving polarimetric information, point scatterers and subtle features in PolSAR data.     

一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法

提出了一种新的基于Cloude-Pottier分解和极化白化滤波(PWF)的全极化SAR数据分类算法。该算法利用PWF的结果来代替反熵A对复WishartH/α分类结果进行进一步细化,按PWF的值将复WishartH/α分类结果由8类分为16类,然后再次进行Wishart迭代分类。实验结果表明,该算法能有效地提高分类精度,分类结果明显优于常规的复WishartH/α分类结果和复WishartH/α/A分类结果。     

Fusion of PolSAR and PolInSAR data for land cover classification

The main research goal of this study is to investigate the complementarity and fusion of different frequencies (L- and P-band), polarimetric SAR (PolSAR) and polarimetric interferometric (PolInSAR) data for land cover classification. A large feature set was derived from each of these four modalities and a two-level fusion method was developed: Logistic regression (LR) as ‘feature-level fusion’ and the neural-network (NN) method for higher level fusion. For comparison, a support vector machine (SVM) was also applied. NN and SVM were applied on various combinations of the feature sets.     

顾及分类器参数的全极化SAR图像特征选择与分类

全极化SAR获取的信息量远多于传统SAR,但信息量的增加并不能确保分类精度的提高,如何有效进行特征选择至关重要。针对自适应特征选择问题,提出一种顾及分类器参数的特征选择和分类方法。该方法以支持向量数为评估依据,结合遗传算法进行特征选择,并同时对分类器参数进行寻优;最后利用优选的特征集和模型参数进行分类。为验证算法的有效性,利用两组全极化数据进行了监督分类实验。实验结果表明,提出方法降低了SVM分类器对自身参数的敏感性,而且能在较少特征个数下具备良好的泛化性能,分类精度优于未经过特征选择和参数优化的方法。     

全极化SAR图像边缘检测的随机距离法

提出了一种基于复Wishart分布随机距离的PolSAR图像边缘检测方法,将统计学中的随机距离理论引入PolSAR图像边缘检测中,依据的主要原理是边缘两侧类别之间随机距离的大小与边缘的方向和两侧类别差异的高度相关性。通过模拟数据对随机距离检测边缘的性能进行了全面分析,表明随机距离具有准确的边缘定向和定位能力。并利用基于复Wishart分布随机数生成器模拟的PolSAR图像和一景机载全极化SAR图像进行了验证。试验结果证实了该方法检测边缘的效果。     

A new Likelihood Ratio for supervised classification of fully polarimetric SAR data: An application for sea ice type mapping

One of the potential applications of polarimetric Synthetic Aperture Radar (SAR) data is the classification of land cover, such as forest canopies, vegetation, sea ice types, and urban areas. In contrast to single or dual polarized SAR systems, full polarimetric SAR systems provide more information about the physical and geometrical properties of the imaged area. This paper proposes a new Bayes risk function which can be minimized to obtain a Likelihood Ratio (LR) for the supervised classification of polarimetric SAR data. The derived Bayes risk function is based on the complex Wishart distribution. Furthermore, a new spatial criterion is incorporated with the LR classification process to produce more homogeneous classes. The application for Arctic sea ice mapping shows that the LR and the proposed spatial criterion are able to provide promising classification results. Comparison with classification results based on the Wishart classifier, the Wishart Likelihood Ratio Test Statistic (WLRTS) proposed by Conradsen et al. (2003) and the Expectation Maximization with Probabilistic Label Relaxation (EMPLR) algorithm are presented. High overall classification accuracy of selected study areas which reaches 97.8% using the LR is obtained. Combining the derived spatial criterion with the LR can improve the overall classification accuracy to reach 99.9%. In this study, fully polarimetric C-band RADARSAT-2 data collected over Franklin Bay, Canadian Arctic, is used.