结构保持的双边滤波极化SAR图像降噪

针对极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)图像相干斑抑制时结构保持的难题,该文提出一种PolSAR图像的双边滤波算法:结构保持的双边滤波(SPBF)。该算法通过结合边缘结构特征和地物散射特性,增强对PolSAR图像结构信息的描述,减少滤波时图像结构信息的损失,实现滤波性能的提高。该算法首先使用边缘检测模板在极化总功率图像(Span)上提取边缘方向,实现自适应选择滤波方向窗;其次,采用Freeman-Durden分解获取像素的散射机制,并根据极化数据的统计分布特性获取地物散射的聚类标记;最终在所选的方向窗中,以聚类标记图为掩膜,利用改进的双边滤波算法对PolSAR数据进行相干斑抑制。真实SAR数据的实验结果表明,该方法能够有效抑制相干斑噪声,同时提高了对图像的边缘、强点目标和极化散射特性的保持能力。     

基于同质像素预选择的极化SAR图像非局部均值滤波

该文针对在极化合成孔径雷达(PolSAR)图像相干斑抑制过程中结构特征和极化散射特性保持的难题,提出一种基于同质像素预选择的非局部均值滤波算法(NLM-HPP)。该算法结合像素统计特性和极化散射机制选择滤波同质像素,并引入结构损失函数提高非局部均值(NLM)算法中像素间相似性度量的准确性,最后用改进的相似性度量对同质像素的协方差矩阵进行加权平均,实现对PolSAR图像的相干斑抑制。对真实PolSAR数据进行的实验结果表明,与现有的Refined Lee滤波、基于散射模型的滤波方法和两种非局部均值滤波相比,此方法在有效滤除相干斑点的同时能更好地保持PolSAR图像的结构信息和极化信息。     

一种新的极化滤波综合性能评估方法

极化合成孔径雷达(SAR)可以获得目标散射的相位信息,这种更加丰富的信息为极化SAR图像相干斑噪声抑制提供了更好的解决方法。通过对几种典型的极化滤波技术的算法实现,基于采样信号波形图、极化特征图和相对标准差,提出了一种新的极化滤波综合性能评估方法。对实测极化SAR数据进行实验验证,结果表明局部统计滤波在图像分辨率的保持、极化信息的保留和相干斑噪声的抑制3个方面都有很好的效果。     

基于差异度的极化SAR相干斑抑制效果评估

相干斑抑制是极化SAR图像解译和信息提取的基础。针对采用极化特征图对极化SAR图像相干斑抑制算法极化信息保持能力定性评估的不足,本文提出一种基于差异度的相干斑抑制效果评估方法。该方法通过比较相干斑抑制前后目标区域的差异度,实现相干斑抑制算法对目标极化信息保持能力的定量评估。在评估过程中采用分别先对目标区域内每个像素做差异度后求平均的方法,代替传统的先将目标区域内像素K矩阵求平均后求极化特征图的方法,避免了先对各个像素做平均带来的二次估计。对通过极化特征图判断性能接近的不同相干斑抑制算法,得到更为精确的评估结果。最后选取三类典型相干斑抑制算法,分别对仿真数据和实测ESAR数据中的面目标和点目标进行评估,验证了方法的有效性。      

基于无监督分类的多视极化SAR相干斑滤波

相干斑噪声是引起SAR图像降质的主要原因之一。多视极化白化滤波器(MPWF)是一种专门应用于多视极化SAR图像降噪的有效技术。其中,滤波器参数估计的精确度直接决定了其滤波性能的好坏。对此,该文提出了一种新的基于无监督分类的自适应窗算法。该算法以分类图像作为对象;在滑动矩形窗内以中心像素作为参照物,自动搜索与其同类的像素并用于MPWF参数估计。实验结果表明,与其他几种典型的算法相比,该法不仅有效地抑制了相干斑,而且对图像的纹理信息具有很好的保持能力。     

基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类

考虑到极化合成孔径雷达(PolSAR)图像标注信息量低以及相干斑噪声难以消除的问题,该文从鲁棒统计学习的角度提出了一种基于Pin-SVM的极化SAR图像鲁棒分类方法,根据极化SAR图像的散射特性和地物的纹理特性,通过求解两类样本之间的最大分位数距离来确定分类超平面,在无需迭代的前提下得到更加鲁棒的分类结果。相比传统的基于最大间隔的极化SAR图像分类算法,该文所提算法一方面在对极化SAR图像提取到的特征中包含的噪声具有更好的鲁棒性,另一方面对于训练样本的抽样范围不敏感,即重采样具有更好的鲁棒性。利用EMISAR的Foulum地区极化SAR数据进行了算法验证,多种情况的对比实验的结果验证了该算法的有效性。      

基于ICA-SCS算法的极化SAR图像相干斑抑制

该文提出了采用基于独立分量分析的稀疏编码收缩(ICA-SCS)算法进行极化SAR图像相干斑抑制的新方法,结合软门限算子,有效抑制了图像中的相干斑噪声,保留了极化信息。实验结果表明,该算法具有较好的边缘保持和噪声抑制能力。     

基于体散射约束的极化SAR相干变化检测方法

相干变化检测(CCD)利用场景中变化区域的失相干特性进行检测,而场景中存在的体散射植被区域及低信噪比区域也呈现低相干特性,对待检测变化区域形成干扰。该文提出一种极化SAR CCD方法,首先利用变化前后SAR图像间的极化相干信息建立加权迹相干统计量,然后利用各个SAR图像内极化通道间的相干信息,通过建立混合GEV分布模型,采用改进EM算法求解各分量参数,建立体散射约束项,最后结合散射功率变化约束项构建极化CCD检验统计量。该方法可在不影响检测性能情况下排除干扰。该文采用变化前后的两幅L波段全极化SAR图像进行方法验证,实验结果及指标参数验证了该方法的正确性与有效性。     

基于双边滤波的极化SAR 相干斑抑制

在对极化SAR 数据进行相干斑抑制过程中,保持其极化信息是首要考虑的问题,而对极化SAR 数据各元素进行独立的滤波是不可取。依据极化SAR 数据形式及噪声模型,该文将双边滤波推广至极化SAR 数据处理,推导出一种新的相似性距离度量公式,所提方法可以直接对极化协方差矩阵C 或极化相干矩阵T 进行处理。该方法能够保持极化信息,有效地抑制相干斑,同时能够更好地保持点目标、纹理结构等,在处理大幅面的极化SAR数据时简单、快速、有效。      

应用变分法的极化SAR图像分类方法研究

提出了一种用于图像分类的变分模型,该模型结合正则化过程,可以较好地保持图像边缘信息,同时可以用于图像恢复.利用模拟和真实SAR图像的分类仿真试验表明,基于变分法的极化SAR图像分类方法不仅能够实现SAR图像的正确分类,克服SAR图像中相干斑噪声的影响,并且算法快速,易于实现.     

基于面向对象的极化雷达影像分类

有效的PolSAR影像分类技术是PolSAR成功应用的基础,然而相比于比较成熟的PolSAR成像技术与系统设计,PolSAR影像分类技术的发展相对滞后,针对PolSAR影像面向对象分类研究中存在的问题,提出了一种新的结合多种目标极化分解、ReliefF-PSO_SVM和集成学习的PolSAR影像面向对象分类方法。该方法首先采用多种方法对PolSAR影像进行目标极化分解;然后将利用不同极化分解方法提取的极化参数组合成一幅多通道影像;接下来对多通道影像进行分割、特征提取;采用ReliefF-PSO_SVM算法进行特征选择,并保留适应度最高的N个特征子集进行分类,每一个特征子集对应一个分类结果;最后利用集成学习技术对各分类结果进行集成。以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地利用分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了85.06%和0.8006。此外,还构建了3种对比方法用于分类,对比结果进一步证明了所提方法在PolSAR影像分类中的优越性。     

基于深度卷积神经网络的图上半监督极化SAR图像分类算法

为实现在只有少量标记数据情况下的高质量的图像分类,本文提出了一种基于深度卷积神经网络的图上半监督极化SAR图像分类算法.该算法将极化SAR图像建模为无向图,并基于该无向图,定义了包含半监督项,卷积神经网络项和类标光滑项的能量函数.算法所采用的卷积神经网络提取抽象的数据驱动的极化特征.半监督项约束了有标记像素的类标在分类过程中保持不变.类标光滑项约束了像素间类标的光滑性.基于对PauliRGB图像进行超像素分割而产生的初始化类标图,交替迭代优化所定义的能量函数直至其收敛.在两幅真实极化SAR图像上的实验结果表明,该算法达到了优异的分类效果,其性能优于当前已有算法.     

基于极化定标的极化隔离度空变分析

极化定标是多极化合成孔径雷达(PolSAR)系统获取真实目标极化散射矩阵的必要步骤。文中针对极化定标过程中存在的极化隔离度距离向空变特性,采用基于无源角反射器的极化定标算法作为仿真工具,对PolSAR系统极化隔离度绝对值及其空变范围对图像中极化隔离度的影响规律进行了分析。分析结果表明:当用于极化修正的极化误差矩阵与PolSAR系统自身极化隔离度不匹配时,极化修正将会使得修正后的图像极化隔离度变差。因此,在进行极化定标时,应当尽可能在定标场沿距离向布设一定间距的多组定标器,从而获取PolSAR系统在整个距离向成像带宽内的极化隔离度拟合曲线,在进行极化修正时对图像中距离向不同的像素点采用曲线中对应位置的极化误差矩阵进行修正,进而得到尽可能接近目标真实极化散射矩阵的估计值。     

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

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(PolSAR)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.     

Ob ject-Based Classification Metho d for PolSAR Images with Improved Scattering Powers and Contextual Features

This paper proposes a new object-based classification method for Polarimetric synthetic aperture radar (PolSAR) images, which considers scattering powers from an improved model-based polarimetric decomposition approach, as well as the spatial and textural features. With the decomposition, the scattering ambiguities between ori-ented buildings and vegetation are reduced. Furthermore, various contextual features are extracted from the ob ject and incorporated into the K-nearest neighbors (k-NN) based classification. To reduce the feature redundancy, a new Supervised locally linear embedding (S-LLE) dimen-sionality reduction method is introduced to map the high dimensional polarimetric signatures into the most compact low-dimensional structure for classification. Experimental results with Airborne synthetic aperture rada (AIRSAR) C-band PolSAR image demonstrate the superior perfor-mance to other methods.     

基于加权合成核与三重Markov场的极化SAR图像分类方法

马尔可夫随机场(Markov Random Field,MRF)广泛用于处理遥感图像的分类问题,然而MRF在构建极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像模型时未考虑其非平稳特性且对初始分类较为敏感,为此本文提出了一种基于加权合成核与三重马尔可夫随机场(Triplet Markov Field,TMF)的极化SAR图像分类方法.该方法依据训练样本在特征空间上的距离,提出了加权合成核函数权重系数的自适应确定方法以提高初始分类的精度和普适性;为充分考虑极化SAR图像的非平稳统计特性,利用TMF对极化SAR图像进行统计建模以实现贝叶斯分类.实验结果表明,与基于MRF的极化SAR图像分类方法相比,本文所提方法可获得更高的分类精度和更平滑的同质区域分类结果,而且本文方法能更好地保持图像边缘信息.