论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)的发展与创新为对地观测任务提供了丰富的多角度、多分辨率以及多极化模式的数据资料，是人类了解地球时空演变不可或缺的手段。与传统SAR系统相比，全极化数据具有更丰富的极化方式和信息量，显著提高了对目标散射特性的刻画能力，但其性能和应用受数据下传技术、系统功耗和成像面积等因素的限制。双极化和简缩极化SAR系统通过减少电磁波的收发量来克服上述缺陷，但牺牲了数据的信息量。综合考虑全极化、双极化和简缩极化SAR系统的优劣势，以及多模式数据之间的共性特征，本文将开展两方面的工作:(1)多模式极化SAR图像H/α分解一致性分析，及其在散射机制和地物分类中的应用;(2)探索极化SAR图像分类方法在新的应用中的能力。具体内容及取得的成果包括: (1)分析了多模式极化SAR图像H/α分解稳态条件，提出了一种多模式极化SAR图像H/α分解的相似性的定量比较方法。考虑到多视对H/α分解结果的影响，本文利用Monte Carlo仿真实验确定了极化SAR图像H/α分解与多视窗口大小的关系;通过引入广义相似性测度，从平均散射角α、散射熵H和绕视线方向旋转不变性三方面评价了多模式数据H/α分解结果的共性与差异。实验结果表明:当多视窗口达到7×7时，多模式数据H/α分解均能达到稳定状态;HHVV模式下的散射角α普遍小于全极化模式下的散射角，全极化和DCP(CTLR)极化模式下散射角近似互余;HHVV和DCP(CTLR)模式下散射熵刻画地物间随机性差异的能力弱于全极化;HHVV和DCP(CTLR)数据H/α分解绕视线方向不具备旋转不变性。 (2)提出了顾及多模式极化SAR图像的散射机制非监督分类和地物分类统一方法。将基于复Wishart-Span/H/α分类器的散射机制非监督分类方法扩展到了HHVV和DCP(CTLR)模式下;利用时序TerraSAR-X数据对试验区典型作物散射特性进行分析，挖掘适用于多模式极化SAR数据的典型地物的解译标志，建立了基于知识(knowledge-based)的典型地物分类统一策略。实验结果表明:对于特定地物或散射类型，HHVV和DCP(CTLR)数据能够获得与全极化数据近似的分类效果。 (3)提出了一种结合形状特征与极化特征的城市区域水体分类方法。在利用SAR进行水体研究时，往往关心的是如何快速、准确获取水体区域，作为传统研究的延伸，本研究的重点是对水体类型进行区分。首先利用复Wishart最大似然分类器提取水体，并结合空间上下文信息优化水体提取结果，在后向回波能量与噪声水平分析结果基础上，比较了交叉极化HV对水体提取结果的影响;基于获取的水体区域的形状和平均极化特征，然后利用视觉机器学习对样本进行训练和预测，并对形状特征和极化特征在分类中的重要性进行分析。实验结果表明:在对象尺度和像元尺度上，利用全极化数据均能获得较高的分类精度，形状特征有利于区分不同类型的水体，而极化特征能够降低非水体目标向水体的错分，其中形状指数和T33在分类过程中表现稳定，可在后续应用中重点考虑。 (4)提出了一种基于极化特征与机器学习相结合的变化检测与分类方法。传统的变化检测方法的目标是获取变化区域，本研究不仅关心变化的区域，同时也关心该区域是由何种地物变化为当前地物类型。本文将简单的线性迭代聚类(Simple linear iterative clustering，SLIC)超像素图像分割引入到极化干涉SAR(Polarimetric interferometric SAR，Pol-InSAR)影像分割中，在距离测度中加入了梯度以保护目标的边界;以SAR观测值和极化分解结果得到的差异图作为特征，利用K-最近邻分类器(K-Nearest Neighbor，KNN)和极限学习机(ExtremeLearning Machine，ELM)对变化类型进行分类，并根据不同的面向对象分类策略抑制虚警率;此外，当样本特征维度对分类器性能影响较大时，可通过引入数据降维技术提高变化检测与分类的效率。实验结果表明:基于SLIC的Pol-InSAR影像分割通过一次分割即可获取变化前、后影像中的超像素单元;在使用全极化数据时，本文提出的面向对象的变化检测与分类方法能够保持较高检测率和较低的虚警率，该方法的输出结果不仅包含变化区域，而且还对变化类别进行了标记。