作者中心
专家审稿
责编办公
编辑办公2017年 6卷 第5期
上一期
2017, 6(5): 433-441.
摘要
1126KB
摘要:
分类是极化SAR图像解译的核心内容之一。一种新的思路是通过利用极化SAR协方差矩阵所形成的黎曼流形结构特性进行极化SAR图像分类。该文首先回顾了极化SAR图像分析中常用的黎曼流形测度，然后论述了如何对黎曼流形上的极化协方差矩阵进行稀疏编码。在监督分类方面，基于核空间黎曼流形稀疏编码提出了融合空间信息的极化SAR图像监督分类方法；在非监督分类方面，基于黎曼稀疏编码提出了利用黎曼稀疏诱导相似度的极化SAR图像非监督分类方法。在EMISAR和AIRSAR极化数据上的实验结果表明了该文所提方法的有效性。 分类是极化SAR图像解译的核心内容之一。一种新的思路是通过利用极化SAR协方差矩阵所形成的黎曼流形结构特性进行极化SAR图像分类。该文首先回顾了极化SAR图像分析中常用的黎曼流形测度，然后论述了如何对黎曼流形上的极化协方差矩阵进行稀疏编码。在监督分类方面，基于核空间黎曼流形稀疏编码提出了融合空间信息的极化SAR图像监督分类方法；在非监督分类方面，基于黎曼稀疏编码提出了利用黎曼稀疏诱导相似度的极化SAR图像非监督分类方法。在EMISAR和AIRSAR极化数据上的实验结果表明了该文所提方法的有效性。
分类是极化SAR图像解译的核心内容之一。一种新的思路是通过利用极化SAR协方差矩阵所形成的黎曼流形结构特性进行极化SAR图像分类。该文首先回顾了极化SAR图像分析中常用的黎曼流形测度，然后论述了如何对黎曼流形上的极化协方差矩阵进行稀疏编码。在监督分类方面，基于核空间黎曼流形稀疏编码提出了融合空间信息的极化SAR图像监督分类方法；在非监督分类方面，基于黎曼稀疏编码提出了利用黎曼稀疏诱导相似度的极化SAR图像非监督分类方法。在EMISAR和AIRSAR极化数据上的实验结果表明了该文所提方法的有效性。 分类是极化SAR图像解译的核心内容之一。一种新的思路是通过利用极化SAR协方差矩阵所形成的黎曼流形结构特性进行极化SAR图像分类。该文首先回顾了极化SAR图像分析中常用的黎曼流形测度，然后论述了如何对黎曼流形上的极化协方差矩阵进行稀疏编码。在监督分类方面，基于核空间黎曼流形稀疏编码提出了融合空间信息的极化SAR图像监督分类方法；在非监督分类方面，基于黎曼稀疏编码提出了利用黎曼稀疏诱导相似度的极化SAR图像非监督分类方法。在EMISAR和AIRSAR极化数据上的实验结果表明了该文所提方法的有效性。
2017, 6(5): 442-455.
摘要:
雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系。雷达目标的这种散射多样性给以极化合成孔径雷达(SAR)为代表的成像雷达信息处理与应用造成诸多不便，是当前目标散射机理精细解译和定量应用面临的主要技术瓶颈之一。该文回顾并介绍一种在绕雷达视线旋转域解译目标散射机理的新思路，主要包括新近提出的统一的极化矩阵旋转理论和极化相干特征旋转域可视化解译理论。目标散射旋转域解译方法的核心思想是将特定几何关系下获得的目标信息拓展到绕雷达视线的旋转域，为目标散射信息深度挖掘和利用奠定基础。该文详细分析上述方法导出的一系列新的极化特征参数集，并开展应用验证。对比研究证实了旋转域解译方法在地物辨识与分类等领域的应用潜力。 雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系。雷达目标的这种散射多样性给以极化合成孔径雷达(SAR)为代表的成像雷达信息处理与应用造成诸多不便，是当前目标散射机理精细解译和定量应用面临的主要技术瓶颈之一。该文回顾并介绍一种在绕雷达视线旋转域解译目标散射机理的新思路，主要包括新近提出的统一的极化矩阵旋转理论和极化相干特征旋转域可视化解译理论。目标散射旋转域解译方法的核心思想是将特定几何关系下获得的目标信息拓展到绕雷达视线的旋转域，为目标散射信息深度挖掘和利用奠定基础。该文详细分析上述方法导出的一系列新的极化特征参数集，并开展应用验证。对比研究证实了旋转域解译方法在地物辨识与分类等领域的应用潜力。
雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系。雷达目标的这种散射多样性给以极化合成孔径雷达(SAR)为代表的成像雷达信息处理与应用造成诸多不便，是当前目标散射机理精细解译和定量应用面临的主要技术瓶颈之一。该文回顾并介绍一种在绕雷达视线旋转域解译目标散射机理的新思路，主要包括新近提出的统一的极化矩阵旋转理论和极化相干特征旋转域可视化解译理论。目标散射旋转域解译方法的核心思想是将特定几何关系下获得的目标信息拓展到绕雷达视线的旋转域，为目标散射信息深度挖掘和利用奠定基础。该文详细分析上述方法导出的一系列新的极化特征参数集，并开展应用验证。对比研究证实了旋转域解译方法在地物辨识与分类等领域的应用潜力。 雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系。雷达目标的这种散射多样性给以极化合成孔径雷达(SAR)为代表的成像雷达信息处理与应用造成诸多不便，是当前目标散射机理精细解译和定量应用面临的主要技术瓶颈之一。该文回顾并介绍一种在绕雷达视线旋转域解译目标散射机理的新思路，主要包括新近提出的统一的极化矩阵旋转理论和极化相干特征旋转域可视化解译理论。目标散射旋转域解译方法的核心思想是将特定几何关系下获得的目标信息拓展到绕雷达视线的旋转域，为目标散射信息深度挖掘和利用奠定基础。该文详细分析上述方法导出的一系列新的极化特征参数集，并开展应用验证。对比研究证实了旋转域解译方法在地物辨识与分类等领域的应用潜力。
2017, 6(5): 456-472.
摘要:
高分三号作为我国首颗民用C波段多极化多成像模式SAR卫星，其全天时全天候观测特点，在国家海域使用动态监测中具有较大优势。该文在分析国家海域使用遥感监测的基础上，探讨GF-3号 SAR成像模式和标准预处理方式，并以海岸线围填海、海水养殖等典型海域使用要素为例，给出GF-3不同成像模式在海域使用要素识别分类的部分研究结果，并与现有方法进行对比分析，最后展望了进一步研究方向。 高分三号作为我国首颗民用C波段多极化多成像模式SAR卫星，其全天时全天候观测特点，在国家海域使用动态监测中具有较大优势。该文在分析国家海域使用遥感监测的基础上，探讨GF-3号 SAR成像模式和标准预处理方式，并以海岸线围填海、海水养殖等典型海域使用要素为例，给出GF-3不同成像模式在海域使用要素识别分类的部分研究结果，并与现有方法进行对比分析，最后展望了进一步研究方向。
高分三号作为我国首颗民用C波段多极化多成像模式SAR卫星，其全天时全天候观测特点，在国家海域使用动态监测中具有较大优势。该文在分析国家海域使用遥感监测的基础上，探讨GF-3号 SAR成像模式和标准预处理方式，并以海岸线围填海、海水养殖等典型海域使用要素为例，给出GF-3不同成像模式在海域使用要素识别分类的部分研究结果，并与现有方法进行对比分析，最后展望了进一步研究方向。 高分三号作为我国首颗民用C波段多极化多成像模式SAR卫星，其全天时全天候观测特点，在国家海域使用动态监测中具有较大优势。该文在分析国家海域使用遥感监测的基础上，探讨GF-3号 SAR成像模式和标准预处理方式，并以海岸线围填海、海水养殖等典型海域使用要素为例，给出GF-3不同成像模式在海域使用要素识别分类的部分研究结果，并与现有方法进行对比分析，最后展望了进一步研究方向。
2017, 6(5): 473-482.
摘要:
高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar, SAR)卫星，拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法，其核心为基于贝叶斯框架的像素分类以实现目标筛选，并根据数据特点设计有效的图像降质条件下的性能提升方法。该文提出的检测算法与多种恒虚警率(Constant False Alarm Rate, CFAR)检测算法进行对比实验分析，实验结果证明了该文所提方法的有效性与性能优势。 高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar, SAR)卫星，拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法，其核心为基于贝叶斯框架的像素分类以实现目标筛选，并根据数据特点设计有效的图像降质条件下的性能提升方法。该文提出的检测算法与多种恒虚警率(Constant False Alarm Rate, CFAR)检测算法进行对比实验分析，实验结果证明了该文所提方法的有效性与性能优势。
高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar, SAR)卫星，拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法，其核心为基于贝叶斯框架的像素分类以实现目标筛选，并根据数据特点设计有效的图像降质条件下的性能提升方法。该文提出的检测算法与多种恒虚警率(Constant False Alarm Rate, CFAR)检测算法进行对比实验分析，实验结果证明了该文所提方法的有效性与性能优势。 高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar, SAR)卫星，拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法，其核心为基于贝叶斯框架的像素分类以实现目标筛选，并根据数据特点设计有效的图像降质条件下的性能提升方法。该文提出的检测算法与多种恒虚警率(Constant False Alarm Rate, CFAR)检测算法进行对比实验分析，实验结果证明了该文所提方法的有效性与性能优势。
2017, 6(5): 483-491.
摘要:
该文提出了一种基于卷积神经网络(CNN)及有效图像预处理的合成孔径雷达(SAR)图像变化检测方法。为了验证方法的有效性，以2011年日本仙台地区地震导致的城区变化为例进行了研究。在预处理中分别利用DEM模型以及Otsu方法对SAR图像中的山体和水体进行了提取和去除。利用多层卷积神经网络从SAR图像中自动学习目标特征，再利用学习到的特征对图像进行分类。训练集和测试集的分类精度分别达到了98.25%和97.86%。利用图像差值法得到分类后的SAR图像变化检测结果，并验证了该方法的准确性和有效性。另外，文中给出了基于CNN的变化检测方法和传统方法的对比结果。结果表明，相对于传统方法，基于CNN的变化检测方法具有更高的检测精度。
该文提出了一种基于卷积神经网络(CNN)及有效图像预处理的合成孔径雷达(SAR)图像变化检测方法。为了验证方法的有效性，以2011年日本仙台地区地震导致的城区变化为例进行了研究。在预处理中分别利用DEM模型以及Otsu方法对SAR图像中的山体和水体进行了提取和去除。利用多层卷积神经网络从SAR图像中自动学习目标特征，再利用学习到的特征对图像进行分类。训练集和测试集的分类精度分别达到了98.25%和97.86%。利用图像差值法得到分类后的SAR图像变化检测结果，并验证了该方法的准确性和有效性。另外，文中给出了基于CNN的变化检测方法和传统方法的对比结果。结果表明，相对于传统方法，基于CNN的变化检测方法具有更高的检测精度。
2017, 6(5): 492-502.
摘要:
针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，该文提出了一种基于多特征-多表示学习分类器融合的识别算法。首先，该算法提取了SAR图像3种特征，包括主成分(Principle Component Analysis, PCA)特征，小波变换特征和2维切片Zernike矩(2-Dimension Slice Zernike Moments, 2DSZM)特征。然后，将测试样本的3类特征分别输入稀疏表示分类器和协同表示分类器进行预分类，得到6个预测标签。对6个预测标签进行分类器融合，得到最终的识别决策。实验中研究了3种不同的分类器融合算法，实验结果表明利用贝叶斯决策融合得到了最佳的识别性能。基于多特征-多表示学习分类器融合的方法集成了多特征的鉴别能力，也融合了稀疏和协同表示的分类性能，实现优势互补，有效提高了识别精度。基于Moving and Stationary Target Acquisition and Recognition (MSTAR)公开发布的SAR目标数据库的实验验证了该方法的有效性。 针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，该文提出了一种基于多特征-多表示学习分类器融合的识别算法。首先，该算法提取了SAR图像3种特征，包括主成分(Principle Component Analysis, PCA)特征，小波变换特征和2维切片Zernike矩(2-Dimension Slice Zernike Moments, 2DSZM)特征。然后，将测试样本的3类特征分别输入稀疏表示分类器和协同表示分类器进行预分类，得到6个预测标签。对6个预测标签进行分类器融合，得到最终的识别决策。实验中研究了3种不同的分类器融合算法，实验结果表明利用贝叶斯决策融合得到了最佳的识别性能。基于多特征-多表示学习分类器融合的方法集成了多特征的鉴别能力，也融合了稀疏和协同表示的分类性能，实现优势互补，有效提高了识别精度。基于Moving and Stationary Target Acquisition and Recognition (MSTAR)公开发布的SAR目标数据库的实验验证了该方法的有效性。
针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，该文提出了一种基于多特征-多表示学习分类器融合的识别算法。首先，该算法提取了SAR图像3种特征，包括主成分(Principle Component Analysis, PCA)特征，小波变换特征和2维切片Zernike矩(2-Dimension Slice Zernike Moments, 2DSZM)特征。然后，将测试样本的3类特征分别输入稀疏表示分类器和协同表示分类器进行预分类，得到6个预测标签。对6个预测标签进行分类器融合，得到最终的识别决策。实验中研究了3种不同的分类器融合算法，实验结果表明利用贝叶斯决策融合得到了最佳的识别性能。基于多特征-多表示学习分类器融合的方法集成了多特征的鉴别能力，也融合了稀疏和协同表示的分类性能，实现优势互补，有效提高了识别精度。基于Moving and Stationary Target Acquisition and Recognition (MSTAR)公开发布的SAR目标数据库的实验验证了该方法的有效性。 针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，该文提出了一种基于多特征-多表示学习分类器融合的识别算法。首先，该算法提取了SAR图像3种特征，包括主成分(Principle Component Analysis, PCA)特征，小波变换特征和2维切片Zernike矩(2-Dimension Slice Zernike Moments, 2DSZM)特征。然后，将测试样本的3类特征分别输入稀疏表示分类器和协同表示分类器进行预分类，得到6个预测标签。对6个预测标签进行分类器融合，得到最终的识别决策。实验中研究了3种不同的分类器融合算法，实验结果表明利用贝叶斯决策融合得到了最佳的识别性能。基于多特征-多表示学习分类器融合的方法集成了多特征的鉴别能力，也融合了稀疏和协同表示的分类性能，实现优势互补，有效提高了识别精度。基于Moving and Stationary Target Acquisition and Recognition (MSTAR)公开发布的SAR目标数据库的实验验证了该方法的有效性。
2017, 6(5): 503-513.
摘要:
目标重建是合成孔径雷达图像分析中的重要研究内容。该文提出了一种新的基于深度形状先验的高分辨率合成孔径雷达图像飞机目标重建方法。该方法分为两个阶段，在形状先验建模阶段，利用产生式的深度玻尔兹曼机模型进行深度形状先验建模；在目标重建阶段，提出了一种新的目标重建框架，该框架将深度形状先验作为约束融入重建过程中。为了解决目标旋转问题，该文提出了一种新的姿态估计方法获取目标的候选姿态，避免了姿态的穷举搜索。除此之外，该文构造了融合散射区域项和形状先验项的能量函数，并利用迭代优化算法进行函数优化，从而获取目标重建结果。该文提出的方法框架是首次利用深度形状先验在高分辨率合成孔径雷达图像中实现复杂目标的重建。在TerraSAR-X数据集上的实验结果表明，该文提出的方法具有较高的重建精度和鲁棒性。 目标重建是合成孔径雷达图像分析中的重要研究内容。该文提出了一种新的基于深度形状先验的高分辨率合成孔径雷达图像飞机目标重建方法。该方法分为两个阶段，在形状先验建模阶段，利用产生式的深度玻尔兹曼机模型进行深度形状先验建模；在目标重建阶段，提出了一种新的目标重建框架，该框架将深度形状先验作为约束融入重建过程中。为了解决目标旋转问题，该文提出了一种新的姿态估计方法获取目标的候选姿态，避免了姿态的穷举搜索。除此之外，该文构造了融合散射区域项和形状先验项的能量函数，并利用迭代优化算法进行函数优化，从而获取目标重建结果。该文提出的方法框架是首次利用深度形状先验在高分辨率合成孔径雷达图像中实现复杂目标的重建。在TerraSAR-X数据集上的实验结果表明，该文提出的方法具有较高的重建精度和鲁棒性。
目标重建是合成孔径雷达图像分析中的重要研究内容。该文提出了一种新的基于深度形状先验的高分辨率合成孔径雷达图像飞机目标重建方法。该方法分为两个阶段，在形状先验建模阶段，利用产生式的深度玻尔兹曼机模型进行深度形状先验建模；在目标重建阶段，提出了一种新的目标重建框架，该框架将深度形状先验作为约束融入重建过程中。为了解决目标旋转问题，该文提出了一种新的姿态估计方法获取目标的候选姿态，避免了姿态的穷举搜索。除此之外，该文构造了融合散射区域项和形状先验项的能量函数，并利用迭代优化算法进行函数优化，从而获取目标重建结果。该文提出的方法框架是首次利用深度形状先验在高分辨率合成孔径雷达图像中实现复杂目标的重建。在TerraSAR-X数据集上的实验结果表明，该文提出的方法具有较高的重建精度和鲁棒性。 目标重建是合成孔径雷达图像分析中的重要研究内容。该文提出了一种新的基于深度形状先验的高分辨率合成孔径雷达图像飞机目标重建方法。该方法分为两个阶段，在形状先验建模阶段，利用产生式的深度玻尔兹曼机模型进行深度形状先验建模；在目标重建阶段，提出了一种新的目标重建框架，该框架将深度形状先验作为约束融入重建过程中。为了解决目标旋转问题，该文提出了一种新的姿态估计方法获取目标的候选姿态，避免了姿态的穷举搜索。除此之外，该文构造了融合散射区域项和形状先验项的能量函数，并利用迭代优化算法进行函数优化，从而获取目标重建结果。该文提出的方法框架是首次利用深度形状先验在高分辨率合成孔径雷达图像中实现复杂目标的重建。在TerraSAR-X数据集上的实验结果表明，该文提出的方法具有较高的重建精度和鲁棒性。
2017, 6(5): 514-523.
摘要:
合成孔径雷达(Synthetic Aperture Radar, SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks, CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言，由于SAR特殊的成像机理，图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重，非直观性较强，使得SAR图像人工标注非常困难，极易出错，从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题，该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN, PTCNN)方法，该方法在传统CNN模型基础上，基于含噪标记与正确标记之间的概率转移模型，建立噪声标记转移层，这种新的卷积网络模型可潜在地校正错误标记，增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比，在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型，在保持SAR图像分类性能的同时具有较好的抗噪性，能够有效校正训练样本中的标注错误，从而降低了SAR图像有监督分类任务对样本标注质量的要求，具有一定的研究价值与应用前景。 合成孔径雷达(Synthetic Aperture Radar, SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks, CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言，由于SAR特殊的成像机理，图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重，非直观性较强，使得SAR图像人工标注非常困难，极易出错，从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题，该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN, PTCNN)方法，该方法在传统CNN模型基础上，基于含噪标记与正确标记之间的概率转移模型，建立噪声标记转移层，这种新的卷积网络模型可潜在地校正错误标记，增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比，在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型，在保持SAR图像分类性能的同时具有较好的抗噪性，能够有效校正训练样本中的标注错误，从而降低了SAR图像有监督分类任务对样本标注质量的要求，具有一定的研究价值与应用前景。
合成孔径雷达(Synthetic Aperture Radar, SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks, CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言，由于SAR特殊的成像机理，图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重，非直观性较强，使得SAR图像人工标注非常困难，极易出错，从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题，该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN, PTCNN)方法，该方法在传统CNN模型基础上，基于含噪标记与正确标记之间的概率转移模型，建立噪声标记转移层，这种新的卷积网络模型可潜在地校正错误标记，增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比，在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型，在保持SAR图像分类性能的同时具有较好的抗噪性，能够有效校正训练样本中的标注错误，从而降低了SAR图像有监督分类任务对样本标注质量的要求，具有一定的研究价值与应用前景。 合成孔径雷达(Synthetic Aperture Radar, SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks, CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言，由于SAR特殊的成像机理，图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重，非直观性较强，使得SAR图像人工标注非常困难，极易出错，从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题，该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN, PTCNN)方法，该方法在传统CNN模型基础上，基于含噪标记与正确标记之间的概率转移模型，建立噪声标记转移层，这种新的卷积网络模型可潜在地校正错误标记，增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比，在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型，在保持SAR图像分类性能的同时具有较好的抗噪性，能够有效校正训练样本中的标注错误，从而降低了SAR图像有监督分类任务对样本标注质量的要求，具有一定的研究价值与应用前景。
2017, 6(5): 524-532.
摘要:
地物分类是极化合成孔径雷达(SAR)图像理解与解译的重要应用方向。利用H/A/α/SPAN等旋转不变特征参数的极化SAR地物分类是一种常用的分类方法。然而，目标的后向散射响应与其方位取向等姿态密切相关，极易引起散射机理的解译模糊，也限制了仅使用旋转不变特征参数作为分类特征集的极化SAR地物分类方法的精度。针对这一问题，有文献提出了在绕雷达视线的旋转域中解译目标散射特性的统一的极化矩阵旋转理论，并导出了一系列旋转域极化特征，刻画目标旋转域隐含信息。基于该理论，该文将旋转域极化特征用于极化SAR地物辨识与分类，并发展了一种结合旋转域极化特征与旋转不变特征H/A/α/SPAN的极化SAR地物分类方法。该方法将优选的旋转域极化特征参数和H/A/α/SPAN作为支持向量机(SVM)分类器的输入，利用两类特征对不同地物类别区分辨识能力的互补，以达到更好的分类性能。对AIRSAR和UAVSAR实测数据的对比实验表明，相较于仅以H/A/α/SPAN作为SVM分类器输入的传统方法，该方法得到更好的分类精度和稳健性。其中，对于AIRSAR数据十五类地物的分类，该方法总体分类精度达到92.3%，优于传统方法的91.1%。此外，对于多时相UAVSAR数据七类地物的分类，该方法平均总体分类精度达到95.72%，显著优于传统方法的87.80%，验证了该方法对多时相数据的稳健性。该文研究进一步证实了通过深入挖掘旋转域中目标极化散射信息能够为极化SAR图像的解译与应用提供新的可行途径。 地物分类是极化合成孔径雷达(SAR)图像理解与解译的重要应用方向。利用H/A/α/SPAN等旋转不变特征参数的极化SAR地物分类是一种常用的分类方法。然而，目标的后向散射响应与其方位取向等姿态密切相关，极易引起散射机理的解译模糊，也限制了仅使用旋转不变特征参数作为分类特征集的极化SAR地物分类方法的精度。针对这一问题，有文献提出了在绕雷达视线的旋转域中解译目标散射特性的统一的极化矩阵旋转理论，并导出了一系列旋转域极化特征，刻画目标旋转域隐含信息。基于该理论，该文将旋转域极化特征用于极化SAR地物辨识与分类，并发展了一种结合旋转域极化特征与旋转不变特征H/A/α/SPAN的极化SAR地物分类方法。该方法将优选的旋转域极化特征参数和H/A/α/SPAN作为支持向量机(SVM)分类器的输入，利用两类特征对不同地物类别区分辨识能力的互补，以达到更好的分类性能。对AIRSAR和UAVSAR实测数据的对比实验表明，相较于仅以H/A/α/SPAN作为SVM分类器输入的传统方法，该方法得到更好的分类精度和稳健性。其中，对于AIRSAR数据十五类地物的分类，该方法总体分类精度达到92.3%，优于传统方法的91.1%。此外，对于多时相UAVSAR数据七类地物的分类，该方法平均总体分类精度达到95.72%，显著优于传统方法的87.80%，验证了该方法对多时相数据的稳健性。该文研究进一步证实了通过深入挖掘旋转域中目标极化散射信息能够为极化SAR图像的解译与应用提供新的可行途径。
地物分类是极化合成孔径雷达(SAR)图像理解与解译的重要应用方向。利用H/A/α/SPAN等旋转不变特征参数的极化SAR地物分类是一种常用的分类方法。然而，目标的后向散射响应与其方位取向等姿态密切相关，极易引起散射机理的解译模糊，也限制了仅使用旋转不变特征参数作为分类特征集的极化SAR地物分类方法的精度。针对这一问题，有文献提出了在绕雷达视线的旋转域中解译目标散射特性的统一的极化矩阵旋转理论，并导出了一系列旋转域极化特征，刻画目标旋转域隐含信息。基于该理论，该文将旋转域极化特征用于极化SAR地物辨识与分类，并发展了一种结合旋转域极化特征与旋转不变特征H/A/α/SPAN的极化SAR地物分类方法。该方法将优选的旋转域极化特征参数和H/A/α/SPAN作为支持向量机(SVM)分类器的输入，利用两类特征对不同地物类别区分辨识能力的互补，以达到更好的分类性能。对AIRSAR和UAVSAR实测数据的对比实验表明，相较于仅以H/A/α/SPAN作为SVM分类器输入的传统方法，该方法得到更好的分类精度和稳健性。其中，对于AIRSAR数据十五类地物的分类，该方法总体分类精度达到92.3%，优于传统方法的91.1%。此外，对于多时相UAVSAR数据七类地物的分类，该方法平均总体分类精度达到95.72%，显著优于传统方法的87.80%，验证了该方法对多时相数据的稳健性。该文研究进一步证实了通过深入挖掘旋转域中目标极化散射信息能够为极化SAR图像的解译与应用提供新的可行途径。 地物分类是极化合成孔径雷达(SAR)图像理解与解译的重要应用方向。利用H/A/α/SPAN等旋转不变特征参数的极化SAR地物分类是一种常用的分类方法。然而，目标的后向散射响应与其方位取向等姿态密切相关，极易引起散射机理的解译模糊，也限制了仅使用旋转不变特征参数作为分类特征集的极化SAR地物分类方法的精度。针对这一问题，有文献提出了在绕雷达视线的旋转域中解译目标散射特性的统一的极化矩阵旋转理论，并导出了一系列旋转域极化特征，刻画目标旋转域隐含信息。基于该理论，该文将旋转域极化特征用于极化SAR地物辨识与分类，并发展了一种结合旋转域极化特征与旋转不变特征H/A/α/SPAN的极化SAR地物分类方法。该方法将优选的旋转域极化特征参数和H/A/α/SPAN作为支持向量机(SVM)分类器的输入，利用两类特征对不同地物类别区分辨识能力的互补，以达到更好的分类性能。对AIRSAR和UAVSAR实测数据的对比实验表明，相较于仅以H/A/α/SPAN作为SVM分类器输入的传统方法，该方法得到更好的分类精度和稳健性。其中，对于AIRSAR数据十五类地物的分类，该方法总体分类精度达到92.3%，优于传统方法的91.1%。此外，对于多时相UAVSAR数据七类地物的分类，该方法平均总体分类精度达到95.72%，显著优于传统方法的87.80%，验证了该方法对多时相数据的稳健性。该文研究进一步证实了通过深入挖掘旋转域中目标极化散射信息能够为极化SAR图像的解译与应用提供新的可行途径。
2017, 6(5): 533-540.
摘要:
极化合成孔径雷达图像非监督分类是极化SAR图像自动化解译的重要步骤，但是在非监督分类的过程中如何确定样本类数仍然是十分具有挑战性的问题。由于像素之间具有空间相关性，因此和基于像素的分类方法相比，基于区域的分类方法能得到更加鲁棒的结果。为此，该文提出了一种基于混合Wishart模型和密度峰值聚类的区域级极化SAR图像非监督分类方法。该方法首先使用SLIC算法对极化SAR图像进行过分割，生成多个超像素区域；然后采用混合Wishart模型对超像素区域进行建模，并且利用Cauchy-Schwarz散度来衡量不同超像素区域之间的距离；最后通过密度峰值快速搜索聚类算法得到PolSAR图像的非监督分类结果。在不同极化SAR图像上的实验结果表明了该文方法的有效性。 极化合成孔径雷达图像非监督分类是极化SAR图像自动化解译的重要步骤，但是在非监督分类的过程中如何确定样本类数仍然是十分具有挑战性的问题。由于像素之间具有空间相关性，因此和基于像素的分类方法相比，基于区域的分类方法能得到更加鲁棒的结果。为此，该文提出了一种基于混合Wishart模型和密度峰值聚类的区域级极化SAR图像非监督分类方法。该方法首先使用SLIC算法对极化SAR图像进行过分割，生成多个超像素区域；然后采用混合Wishart模型对超像素区域进行建模，并且利用Cauchy-Schwarz散度来衡量不同超像素区域之间的距离；最后通过密度峰值快速搜索聚类算法得到PolSAR图像的非监督分类结果。在不同极化SAR图像上的实验结果表明了该文方法的有效性。
极化合成孔径雷达图像非监督分类是极化SAR图像自动化解译的重要步骤，但是在非监督分类的过程中如何确定样本类数仍然是十分具有挑战性的问题。由于像素之间具有空间相关性，因此和基于像素的分类方法相比，基于区域的分类方法能得到更加鲁棒的结果。为此，该文提出了一种基于混合Wishart模型和密度峰值聚类的区域级极化SAR图像非监督分类方法。该方法首先使用SLIC算法对极化SAR图像进行过分割，生成多个超像素区域；然后采用混合Wishart模型对超像素区域进行建模，并且利用Cauchy-Schwarz散度来衡量不同超像素区域之间的距离；最后通过密度峰值快速搜索聚类算法得到PolSAR图像的非监督分类结果。在不同极化SAR图像上的实验结果表明了该文方法的有效性。 极化合成孔径雷达图像非监督分类是极化SAR图像自动化解译的重要步骤，但是在非监督分类的过程中如何确定样本类数仍然是十分具有挑战性的问题。由于像素之间具有空间相关性，因此和基于像素的分类方法相比，基于区域的分类方法能得到更加鲁棒的结果。为此，该文提出了一种基于混合Wishart模型和密度峰值聚类的区域级极化SAR图像非监督分类方法。该方法首先使用SLIC算法对极化SAR图像进行过分割，生成多个超像素区域；然后采用混合Wishart模型对超像素区域进行建模，并且利用Cauchy-Schwarz散度来衡量不同超像素区域之间的距离；最后通过密度峰值快速搜索聚类算法得到PolSAR图像的非监督分类结果。在不同极化SAR图像上的实验结果表明了该文方法的有效性。
2017, 6(5): 541-553.
摘要:
在复杂极化SAR (Synthetic Aperture Radar, SAR)图像的地物分类中，可以通过提取多种特征及利用上下文信息来提高分类精度。特征维度的增加会产生过拟合和特征干扰，从而导致分类器性能降低。针对这个问题，该文提出了一种基于组合条件随机场(Conditional Random Fields, CRF)的极化SAR图像监督地物分类方法。不同于CRF模型通过将多个特征矢量堆叠形成一个新的特征矢量以利用多种特征信息的传统方式，组合CRF模型首先将不同类型特征分成多个特征子集合分别训练同一个CRF模型得到多个有差异的子分类器，从而得到多个地物分类结果，然后以单个子分类器的归一化总体分类精度作为加权系数将多个分类结果进行融合以得到最终的分类结果。两组真实极化SAR图像分类实验结果表明，该文方法的分类精度比利用单个特征矢量单个子分类器的分类精度有明显提升。对于实验采用的两组数据，该文方法的分类精度比利用多个特征矢量堆叠的分类精度分别提高13.38%和11.55%，同时也比基于SVM (Support Vector Machines, SVM)的分类精度分别提高13.78%和14.75%。 在复杂极化SAR (Synthetic Aperture Radar, SAR)图像的地物分类中，可以通过提取多种特征及利用上下文信息来提高分类精度。特征维度的增加会产生过拟合和特征干扰，从而导致分类器性能降低。针对这个问题，该文提出了一种基于组合条件随机场(Conditional Random Fields, CRF)的极化SAR图像监督地物分类方法。不同于CRF模型通过将多个特征矢量堆叠形成一个新的特征矢量以利用多种特征信息的传统方式，组合CRF模型首先将不同类型特征分成多个特征子集合分别训练同一个CRF模型得到多个有差异的子分类器，从而得到多个地物分类结果，然后以单个子分类器的归一化总体分类精度作为加权系数将多个分类结果进行融合以得到最终的分类结果。两组真实极化SAR图像分类实验结果表明，该文方法的分类精度比利用单个特征矢量单个子分类器的分类精度有明显提升。对于实验采用的两组数据，该文方法的分类精度比利用多个特征矢量堆叠的分类精度分别提高13.38%和11.55%，同时也比基于SVM (Support Vector Machines, SVM)的分类精度分别提高13.78%和14.75%。
在复杂极化SAR (Synthetic Aperture Radar, SAR)图像的地物分类中，可以通过提取多种特征及利用上下文信息来提高分类精度。特征维度的增加会产生过拟合和特征干扰，从而导致分类器性能降低。针对这个问题，该文提出了一种基于组合条件随机场(Conditional Random Fields, CRF)的极化SAR图像监督地物分类方法。不同于CRF模型通过将多个特征矢量堆叠形成一个新的特征矢量以利用多种特征信息的传统方式，组合CRF模型首先将不同类型特征分成多个特征子集合分别训练同一个CRF模型得到多个有差异的子分类器，从而得到多个地物分类结果，然后以单个子分类器的归一化总体分类精度作为加权系数将多个分类结果进行融合以得到最终的分类结果。两组真实极化SAR图像分类实验结果表明，该文方法的分类精度比利用单个特征矢量单个子分类器的分类精度有明显提升。对于实验采用的两组数据，该文方法的分类精度比利用多个特征矢量堆叠的分类精度分别提高13.38%和11.55%，同时也比基于SVM (Support Vector Machines, SVM)的分类精度分别提高13.78%和14.75%。 在复杂极化SAR (Synthetic Aperture Radar, SAR)图像的地物分类中，可以通过提取多种特征及利用上下文信息来提高分类精度。特征维度的增加会产生过拟合和特征干扰，从而导致分类器性能降低。针对这个问题，该文提出了一种基于组合条件随机场(Conditional Random Fields, CRF)的极化SAR图像监督地物分类方法。不同于CRF模型通过将多个特征矢量堆叠形成一个新的特征矢量以利用多种特征信息的传统方式，组合CRF模型首先将不同类型特征分成多个特征子集合分别训练同一个CRF模型得到多个有差异的子分类器，从而得到多个地物分类结果，然后以单个子分类器的归一化总体分类精度作为加权系数将多个分类结果进行融合以得到最终的分类结果。两组真实极化SAR图像分类实验结果表明，该文方法的分类精度比利用单个特征矢量单个子分类器的分类精度有明显提升。对于实验采用的两组数据，该文方法的分类精度比利用多个特征矢量堆叠的分类精度分别提高13.38%和11.55%，同时也比基于SVM (Support Vector Machines, SVM)的分类精度分别提高13.78%和14.75%。
2017, 6(5): 554-563.
摘要:
该文提出了一种可用于全极化SAR的潮间带区域地物分类的方法。首先针对潮间带的特点对4种典型极化特征进行分析和筛选，得到一组最适合描述潮间带区域的多极化特征：极化熵(Polarimetric entropy)和反熵(Anisotropy)。然后基于对潮间带区域极化熵图像的散射特性分析和极值理论，利用广义极值分布(Generalized Extreme Value, GEV)描述其统计特性。在此基础上，提出了一种基于GEV混合模型的EM算法实现对潮间带地物分类的方法。最后，基于上海崇明东滩潮间带的Radarsat-2全极化数据进行了实验，实验结果证明了方法的有效性。 该文提出了一种可用于全极化SAR的潮间带区域地物分类的方法。首先针对潮间带的特点对4种典型极化特征进行分析和筛选，得到一组最适合描述潮间带区域的多极化特征：极化熵(Polarimetric entropy)和反熵(Anisotropy)。然后基于对潮间带区域极化熵图像的散射特性分析和极值理论，利用广义极值分布(Generalized Extreme Value, GEV)描述其统计特性。在此基础上，提出了一种基于GEV混合模型的EM算法实现对潮间带地物分类的方法。最后，基于上海崇明东滩潮间带的Radarsat-2全极化数据进行了实验，实验结果证明了方法的有效性。
该文提出了一种可用于全极化SAR的潮间带区域地物分类的方法。首先针对潮间带的特点对4种典型极化特征进行分析和筛选，得到一组最适合描述潮间带区域的多极化特征：极化熵(Polarimetric entropy)和反熵(Anisotropy)。然后基于对潮间带区域极化熵图像的散射特性分析和极值理论，利用广义极值分布(Generalized Extreme Value, GEV)描述其统计特性。在此基础上，提出了一种基于GEV混合模型的EM算法实现对潮间带地物分类的方法。最后，基于上海崇明东滩潮间带的Radarsat-2全极化数据进行了实验，实验结果证明了方法的有效性。 该文提出了一种可用于全极化SAR的潮间带区域地物分类的方法。首先针对潮间带的特点对4种典型极化特征进行分析和筛选，得到一组最适合描述潮间带区域的多极化特征：极化熵(Polarimetric entropy)和反熵(Anisotropy)。然后基于对潮间带区域极化熵图像的散射特性分析和极值理论，利用广义极值分布(Generalized Extreme Value, GEV)描述其统计特性。在此基础上，提出了一种基于GEV混合模型的EM算法实现对潮间带地物分类的方法。最后，基于上海崇明东滩潮间带的Radarsat-2全极化数据进行了实验，实验结果证明了方法的有效性。
2017, 6(5): 564-573.
摘要:
超像素分割算法作为预处理技术应该具有如下特性：快速的运算速度、较高的边缘贴合度及同质区域规则的形状。基于迭代边缘精炼(Iterative Edge Refinement, IER)的超像素快速分割算法在光学图像上取得了较好的效果。但是，由于极化SAR图像受相干斑噪声影响，并且存在许多小块的或者细长的区域，因此，当将IER算法直接用于极化SAR图像进行超像素分割时，难以获得理想的结果。针对以上问题，该文在初始化步骤，将不稳定像素点集初始化为极化SAR图像中的所有像素点而非网格边缘像素点；在为不稳定像素点的局部重贴标签中，用快速的修正Wishart距离代替颜色空间的欧式距离；然后，采用基于不相似度的后处理算法，在移除生成的孤立小面积超像素的同时保留强散射点目标；最后，基于一幅仿真图像和一幅AirSAR实测极化SAR图像，与其他3种较优的算法进行了对比实验。实验结果表明，就几种常用评价标准而言，该文算法具有较好的特性，而且该文算法计算效率高，能够生成边缘贴合度较高的、形状规则的超像素。 超像素分割算法作为预处理技术应该具有如下特性：快速的运算速度、较高的边缘贴合度及同质区域规则的形状。基于迭代边缘精炼(Iterative Edge Refinement, IER)的超像素快速分割算法在光学图像上取得了较好的效果。但是，由于极化SAR图像受相干斑噪声影响，并且存在许多小块的或者细长的区域，因此，当将IER算法直接用于极化SAR图像进行超像素分割时，难以获得理想的结果。针对以上问题，该文在初始化步骤，将不稳定像素点集初始化为极化SAR图像中的所有像素点而非网格边缘像素点；在为不稳定像素点的局部重贴标签中，用快速的修正Wishart距离代替颜色空间的欧式距离；然后，采用基于不相似度的后处理算法，在移除生成的孤立小面积超像素的同时保留强散射点目标；最后，基于一幅仿真图像和一幅AirSAR实测极化SAR图像，与其他3种较优的算法进行了对比实验。实验结果表明，就几种常用评价标准而言，该文算法具有较好的特性，而且该文算法计算效率高，能够生成边缘贴合度较高的、形状规则的超像素。
超像素分割算法作为预处理技术应该具有如下特性：快速的运算速度、较高的边缘贴合度及同质区域规则的形状。基于迭代边缘精炼(Iterative Edge Refinement, IER)的超像素快速分割算法在光学图像上取得了较好的效果。但是，由于极化SAR图像受相干斑噪声影响，并且存在许多小块的或者细长的区域，因此，当将IER算法直接用于极化SAR图像进行超像素分割时，难以获得理想的结果。针对以上问题，该文在初始化步骤，将不稳定像素点集初始化为极化SAR图像中的所有像素点而非网格边缘像素点；在为不稳定像素点的局部重贴标签中，用快速的修正Wishart距离代替颜色空间的欧式距离；然后，采用基于不相似度的后处理算法，在移除生成的孤立小面积超像素的同时保留强散射点目标；最后，基于一幅仿真图像和一幅AirSAR实测极化SAR图像，与其他3种较优的算法进行了对比实验。实验结果表明，就几种常用评价标准而言，该文算法具有较好的特性，而且该文算法计算效率高，能够生成边缘贴合度较高的、形状规则的超像素。 超像素分割算法作为预处理技术应该具有如下特性：快速的运算速度、较高的边缘贴合度及同质区域规则的形状。基于迭代边缘精炼(Iterative Edge Refinement, IER)的超像素快速分割算法在光学图像上取得了较好的效果。但是，由于极化SAR图像受相干斑噪声影响，并且存在许多小块的或者细长的区域，因此，当将IER算法直接用于极化SAR图像进行超像素分割时，难以获得理想的结果。针对以上问题，该文在初始化步骤，将不稳定像素点集初始化为极化SAR图像中的所有像素点而非网格边缘像素点；在为不稳定像素点的局部重贴标签中，用快速的修正Wishart距离代替颜色空间的欧式距离；然后，采用基于不相似度的后处理算法，在移除生成的孤立小面积超像素的同时保留强散射点目标；最后，基于一幅仿真图像和一幅AirSAR实测极化SAR图像，与其他3种较优的算法进行了对比实验。实验结果表明，就几种常用评价标准而言，该文算法具有较好的特性，而且该文算法计算效率高，能够生成边缘贴合度较高的、形状规则的超像素。
微信 | 公众平台 
