CN101498789A - 一种基于全极化合成孔径雷达的地物目标分类方法和装置 - Google Patents
一种基于全极化合成孔径雷达的地物目标分类方法和装置 Download PDFInfo
- Publication number
- CN101498789A CN101498789A CNA2009100783138A CN200910078313A CN101498789A CN 101498789 A CN101498789 A CN 101498789A CN A2009100783138 A CNA2009100783138 A CN A2009100783138A CN 200910078313 A CN200910078313 A CN 200910078313A CN 101498789 A CN101498789 A CN 101498789A
- Authority
- CN
- China
- Prior art keywords
- polarization
- image
- ground object
- object target
- spot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于全极化合成孔径雷达的地物目标分类方法和装置,所述方法包括:接收地物目标的反馈信号,形成所述地物目标的影像;对所述的地物目标的影像进行分割生成影像块;从所述的影像块中提取极化特征参数;根据所述极化特征参数对所述地物目标进行分类。所述装置包括:影像接收单元,用于接收地物目标的反馈信号,形成所述地物目标的影像;分割单元,用于对所述的地物目标的影像进行分割生成影像块;参数提取单元,用于从所述的影像块中提取极化特征参数;分类单元,用于根据所述极化特征参数对所述地物目标进行分类。上述本发明实施例的技术方案为实现对全极化SAR影像的地物目标高精度分类提供了一种解决方案。
Description
技术领域
本发明涉及合成孔径雷达,尤其涉及一种基于全极化合成孔径雷达的地物目标分类方法和装置。
背景技术
合成孔径雷达(SAR)是20世纪50年代发展起来的最重要的对地观测技术,它通过雷达天线在随载体的运动中以一定的时间间隔发射电磁脉冲信号,在不同位置上接收地面物体反射的回波信号,并记录和存储下来,形成地面的高分辨率图像。极化是电磁波的基本特征。极化合成孔径雷达(Polarimetric SAR)通过天线发射不同极化状态的电磁脉冲,如水平极化波和垂直极化波(常用H表示水平,V表示垂直),然后又以不同的极化状态接收地面物体反射的回波,从而得到地物目标在不同发射和接收极化组合下的散射特性。由于电磁波的极化状态对目标的介电常数、物理特性、几何形状和取向等比较敏感,因而极化合成孔径雷达具有很强的对地物目标进行分类和识别的能力。自2006年以后发射的所有新一代卫星合成孔径雷达系统,包括ALOS PALSAR,TerraSAR,Cosmo-SkyMed,Radarsat-2,都具有多极化或全极化成像能力。因此,关于SAR极化影像的分析和处理,特别是全极化SAR影像的分类成为合成孔径雷达遥感领域的重点研究内容。
本文H、A和α参数分别表示散射熵、各向异性和平均散射角。
目标相干矩阵C是根据目标散射矩阵得到的,它是一个3×3半正定的埃米尔特矩阵,具有3个非负实特征值,可以分解为如下形式:
其中λ1,λ2,λ3是特征值,且λ1>λ3>λ3>0,k1,k2,k3为对应特征向量,两两正交,上标“H”表示共轭转置。目标相关矩阵被分解为三个相互正交的相关矩阵的加权和,它们分别代表三个相互独立、互补相关的散射过程:单向散射,双向散射和交叉散射。熵H、各向异性A和α角是相干矩阵C的特征值和特征矢量的函数,具有相应的物理意义。
散射熵描述了上述三种基本散射过程的混乱程度和无序性,定义如下:
散射熵H的大小描述了目标散射的随机性。当H=0时,说明目标只有一种主要的散射机理,相关矩阵只有一个特征值不为零,此时处于完全极化状态,极化测量所能提供的极化信息量最大。随着熵的逐渐增大,目标去极化程度增加,目标极化散射信息的不确定性加大,表明目标散射由几种散射过程组成。如果熵H值较高,说明三个特征值的大小近似相等,目标处于较高的去极化状态,不再认为仅存在一个占主要地位的散射机理。在H=1的极限情况下,所能获得的极化信息为零,目标的散射完全随机,即处于完全非极化状态。
各向异性A描述除了占主导地位的一种散射机制外的其他两种散射机制的关系,
熵相同时,各向异性可以有不同的值,因此它是熵的有益补充。通常,只有在熵比较高,例如H>0.7时才利用各向异性A作为补充,因为熵很低说明相关矩阵第二和第三特征值很小,对应散射过程所占总功率的比重很小,因此受到较强的噪声影响,此时各向异性A也表现得相当杂乱,类似噪声。
角α是由目标分解衍生出来的一个重要的角度参数,用来描述地物的散射特性。相干矩阵C的特征向量ki可以写成如下形式:
而α角定义为散射角分量αi的概率加权平均:
α=p1α1+p2α2+p3α3 (5)
α角的值在[0,90°]之间,它反映了地物的主要散射机理,即三个特征值对应散射机理中的最大项。当α=0时,表示地物目标的主要散射机理是各向同性的表面散射,如平静的水面;随着α角度的增加,反映出的散射机理将变为各向异性的表面散射;当α=45°时,表示偶极子散射模型,其散射分量有一个为零;α角继续增大时,反映的散射机理为各向异性的二面角散射;在α=90°的极端情况下,表示二面角散射。
全极化SAR影像记录了地面每个分辨单元在四种基本极化状态,即HH、HV、VH、VV(HH表示水平发射/水平接收状态,其它类推)的散射回波的幅度(功率)和相位,形成一个散射矩阵。概括而言,关于全极化SAR影像的分类方法可以归纳为两类。第一类是光学影像分类方法的直接移植,即将SAR的多极化通道视为光学影像的多光谱,然后把一些针对光学影像发展起来的分类方法移植过来,处理全极化SAR影像的分类。这些方法包括支持向量机(SVM)方法,人工神经网络(ANN)方法,高斯-马尔科夫随机场(GMRF)方法等。这一类方法没有充分利用SAR的极化特征,在很多情况下无法取得令人满意的结果。第二类是通过分析地物的散射机制来实现影像分类,而对散射机制的分析主要是通过极化目标分解来实现的。极化目标分解就是将地物回波的复杂散射过程分解为几种单一的散射过程。极化目标分解的方法主要有:基于目标散射矩阵的分解(如Pauli分解、Krogager分解)、基于散射模型的分解(如Freeman分解)和基于目标相干矩阵特征值的分解(如Cloude分解,也即H-A-α分解)。其中Cloude提出的H-A-α分解方法被广泛使用,成为目标散射特性描述的标准化工具。第二类全极化SAR影像分类方法主要有:基于H-α平面或者H-A-α空间的图像分割非监督分类、基于目标相关矩阵或者协方差矩阵的复Wishart监督分类、H/A/α非监督分类与Wishart监督分类结合形成的Wishart H/A/α分类等、基于H-A-α参数的贝叶斯分类等。这些方法是目前国际上主要研究的且被国内研究者纷纷仿效的极化SAR分类方法,往往能取得比第一类方法更高一点的分类精度,但是也存在不足。主要表现在:1、易受SAR斑点噪声影响,降低分类精度;2、在监督分类中一般假定极化振幅数据服从高斯分布,极化协方差矩阵服从复Wishart分布,往往容易产生误差。综上可见,如何实现全极化SAR影像的地物目标高精度分类仍是目前亟待解决的一个重要课题。
发明内容
本发明的发明目的是为了解决如何实现全极化SAR影像的地物目标高精度分类的问题。
一方面,本发明实施例提供了一种基于全极化合成孔径雷达的地物目标分类方法,所述方法包括:接收地物目标的反馈信号,形成所述地物目标的影像;对所述的地物目标的影像进行分割生成影像块;从所述的影像块中提取极化特征参数;根据所述极化特征参数对所述地物目标进行分类。
另一方面,本发明实施例提供了一种基于全极化合成孔径雷达的地物目标分类装置,所述装置包括:影像接收单元,用于接收地物目标的反馈信号,形成所述地物目标的影像;分割单元,用于对所述的地物目标的影像进行分割生成影像块;参数提取单元,用于从所述的影像块中提取极化特征参数;分类单元,用于根据所述极化特征参数对所述地物目标进行分类。
上述本发明实施例的技术方案为实现对全极化SAR影像的地物目标高精度分类提供了一种解决方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于全极化合成孔径雷达的地物目标分类方法流程图;
图2是本发明实施例一种基于全极化合成孔径雷达的地物目标分类装置方框示意图;
图3是本发明实施例另一种基于全极化合成孔径雷达的地物目标分类方法流程图;
图4为现有技术选用的荷兰弗莱福兰(Flevoland)地区L波段全极化SAR总功率影像;
图5为本发明实施例经过分割处理后的图斑总功率影像;
图6为本发明实施例图斑总功率均值形成的影像;
图7为本发明实施例分别基于图斑提取的极化特征参数(H、A、α、Pmin、λ1(K)、Dp)影像;
图8为现有技术2001年已发表的基于与图4同样的SAR影像的三种不同分类方法的分类结果及其精度;
图9为本发明实施例提出的方法的分类结果;
图10为本发明实施例中所用的分类决策树;
图11为现有技术Flevoland地区1989年5月23日获取的LandSat TM(美国陆地卫星专题制图仪)第5波段影像;
图12为本发明实施例分类结果(b)与图8中精度最高的基于Wishart分布的全极化最大似然分类结果(a)及对应的参考数据(c)的直接比较。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
影像分割是面向对象分析技术的基础。影像分割是将整个影像区域分割成若干互不交叠的非空子区域(本发明中称为“图斑”)的过程,每个子区域的内部都是连通的,同一区域内部具有相同或相似的特性,此处特性可以是灰度、颜色、纹理等。影像分割,从二维化的像元(也称为像素)数据阵列中恢复出了影像所反映的景观场景中目标地物的空间形状及组合方式。分割后影像的最小单元不再是单个的像元,而是一个个图斑。
目标的最大/最小接收功率(合称最优接收功率)也是表征目标后向散射特征的重要参数。全极化影像记录了目标的后向散射矩阵,运用极化合成技术通过散射矩阵,可以计算出地物目标在任意接收和发射极化状态下的接收功率。对于任一目标,一定存在某个特定的发射/接收极化状态,使得在此状态下,目标的回波具有最大(或最小)的接收功率。这个问题可称之为目标的最优接收功率问题。目标的最优接收功率和目标的后向散射特性密切相关,对于目标的识别和分类具有重要意义。
如图1所示,是本发明实施例一种基于全极化合成孔径雷达的地物目标分类方法流程图,所述方法包括:
步骤101,接收地物目标的反馈信号,形成所述地物目标的影像。
步骤102,对所述的地物目标的影像进行分割生成影像块。
所述分割生成的影像块可以为图斑,其可以为具有相似极化后向散射特性像元构成的图斑。所述生成所述图斑具体可以包括:从所述地物目标的影像的极化散射矩阵 构造一个三波段振幅影像 对此影像进行分割以获取具有相似极化后向散射特性像元构成的图斑,其中,h为水平极化,v为垂直极化,hh表示水平极化发射/水平极化接收状态,hv表示水平极化发射/垂直极化接收状态,vh表示垂直极化发射/水平极化接收状态,vv表示垂直极化发射/垂直极化接收状态。
步骤103,从所述的影像块中提取极化特征参数。
可以以组成所述图斑的像元的平均值表征所述图斑的极化信息,提取所述图斑的极化相干矩阵和Stokes矩阵;可以以所述图斑为单元,进行极化特征参数提取,提取的所述极化特征参数可以包括:采用目标相干矩阵特征值分解技术生成的熵H、各向异性A、平均角参数α、最小接收功率Pmin、目标Stokes矩阵最大特征值λ1(K)、以及相对去极化比Dp,其中Dp按如下定义:
,其中λ1(K)为所述图斑的Stokes矩阵K的最大特征值,所述Pmax为最大接收功率。
步骤104,根据所述极化特征参数对所述地物目标进行分类。
根据所述极化特征参数可以构建决策树分类规则(如图10所示)对所述地物目标进行分类。上述提取的多种极化特征参数无法用统一的概率密度函数来描述,因此常用的基于参数化概率分布的监督分类器(如最大似然分类)无法使用。本发明实施例提出利用决策树分类规则(可以利用决策树分类器实现),以多种极化特征参数为决策节点变量构建规则,完成对图斑的高精度分类。
如图2所示,是本发明实施例一种基于全极化合成孔径雷达的地物分类装置方框示意图,所述装置20包括:影像接收单元201,用于接收地物目标的反馈信号,形成所述地物目标的影像;分割单元202,用于对所述的地物目标的影像进行分割生成影像块;参数提取单元203,用于从所述的影像块中提取极化特征参数;分类单元204,用于根据所述极化特征参数对所述地物目标进行分类。
可选的,分割单元202,具体用于对所述的地物目标的影像进行分割生成的影像块为具有相似极化后向散射特性像元构成的图斑。所述分割单元,具体用于从所述地物目标的影像的极化散射矩阵 构造一个三波段振幅影像 对此影像进行分割以获取具有相似极化后向散射特性像元构成的图斑。参数提取单元203,具体可以用于以组成所述图斑的像元的平均值表征所述图斑的极化信息,提取所述图斑的极化相干矩阵和Stokes矩阵;还用于以所述图斑为单元,进行极化特征参数提取,提取的所述极化特征参数包括:采用目标相干矩阵特征值分解技术生成的熵H、各向异性A、平均角参数α、最小接收功率Pmin、目标Stokes矩阵最大特征值λ1(K)、以及相对去极化比Dp,其中Dp按如下定义: (亦即上述公式(6)),其中λ1(K)为所述图斑的Stokes矩阵K的最大特征值,所述Pmax为最大接收功率。所述分类单元204,具体用于根据所述极化特征参数构建决策树分类规则对所述地物目标进行分类。
本发明实施例在不同极化通道振幅影像分割的基础上,提取图斑的多种极化特征参数,最后根据这些极化特征参数实现对全极化SAR影像的地物目标高精度分类。
实施例二:
本发明实施例的主要内容在于提出了一种全极化SAR影像的新的分类处理方法。该方法通过影像分割技术有效去除了SAR影像固有的斑点噪声的影响,通过多个特征参数充分利用了全极化SAR影像包含的丰富信息,利用决策树这一非参数分类器容纳了具有不同概率分布的多个极化特征参数,从而实现了全极化SAR影像的高精度分类。
如图3所示,是本发明实施例另一种基于全极化合成孔径雷达的地物目标分类方法流程图,所述方法包括:
步骤301,接收地物目标的反馈信号,形成所述地物目标的影像。
步骤302,对所述的地物目标的影像进行分割生成影像块:对所述的地物目标的影像进行分割生成的影像块为具有相似极化后向散射特性像元构成的图斑,利用影像分割技术,对全极化通道的振幅影像进行分割(全极化四个通道中,HV和VH通道高度相关,因此一般以三个波段表示全极化SAR影像的后向散射强度信息,本发明实施例中推荐使用的三个波段为 以分割后的图斑作为后面处理的单元。这样处理能一方面能有效地消除斑点噪声的影响,因为将用图斑内像元的均值作为图斑值。另一方面,通过将匀质像元集合在一起,能使目标分解得到的参数能更准确地反映图斑区域内占主导地位的后向散射机制。
步骤303,从所述的影像块中提取极化特征参数:以图斑为处理对象,生成图斑的相干矩阵C:
其中·表示共轭,<>表示图斑内像元的统计平均。根据公式(2)、(3)、(5)可以提取图斑的相干矩阵特征值分解参数H、A、α。
H、A和α参数能较好地描述目标的散射特性。但仅使用这三个参数是不够的。例如平坦的地面和水面都常表现为低熵表面散射,在H-A-α参数空间中是无法区分它们的。因此本发明实施例提出增加另外三个极化特征参数:最小接收功率Pmin,目标Stokes矩阵最大特征值λ1(K)和相对去极化比Dp。这三个参数与图斑的Stokes矩阵密切相关,图斑的Stokes矩阵定义为:
上式中<s>表示图斑内像元的平均散射矩阵。表示矩阵的外积。图斑的极化接收功率 ,Gr、Gr分别表示接收和发射天线的Stokes矢量。在已知图斑的Stokes矩阵K情况下,通过矩阵奇异值分解技术可以计算K的最大特征值λ1(K),通过极化合成技术可以求得图斑的最大接收功率Pmax和最小接收功率Pmin,然后根据式(6)求得相对去极化比参数Dp。最小接收功率表达了目标后向散射回波中完全非极化分量的多少,目标Stokes矩阵最大特征值代表目标后向散射回波中总的可接收功率,而相对去极化比则揭示了后向散射回波中完全非极化部分相对于完全极化部分的比值。雷达天线发射的是完全极化的地磁波,经地物散射后,由于任何地物都存在一定程度的去极化效应,散射波为部分极化波。根据电磁波理论,部分极化波可以表达为完全极化波和完全非极化波的叠加。回波中的完全极化部分可以通过调整接收天线的极化状态,得到最大或最小的接收功率(最小的接收功率将为零)。而完全非极化波被天线接收后,无论接收天线的极化状态如何,接收功率都不会变化。平坦的地面和水面尽管都常表现为低熵表面散射,但是水体的相对去极化比一定会更小。因此,综合这6个参数,可以非常全面地描述地物的后向散射特性。
步骤304,根据所述极化特征参数利用决策树分类方法对所述地物目标进行分类:利用决策树分类方法基于上述多个极化特征参数(H、A、α、Pmin、λ1(K)、Dp)进行极化SAR影像监督分类。决策树方法具有直观简单、精度高和速度快的优点,而且无需考虑输入数据的概率分布,非常适合于上述多个极化特征参数的情况。首先根据参考数据选择一些已知地物类别的图像块作为训练样本,对训练样本的(H、A、α、Pmin、λ1(K)、Dp)参数进行学习,形成规则,然后对所有的图斑进行分类。
为了更好地说明本发明技术方案的有效性和优越性,现对应用上述技术方案后本发明实施例与现有技术进行如下对比分析:如图4所示,为现有技术选用的荷兰Flevoland地区L波段全极化SAR总功率影像,该影像获取时间为1989年8月。如图5所示,为本发明实施例经过分割处理后的图斑总功率影像,经过此处理后,将以分割所得的图斑作为后续处理的基本单元。如图6所示,为本发明实施例图斑总功率均值形成的影像。如图7所示,为本发明实施例分别基于图斑提取的极化特征参数(H、A、α、Pmin、λ1(K)、Dp)影像。如图8所示,为现有技术2001年已发表的基于与图4同样的SAR影像的三种不同分类方法的分类结果及其精度,从中可以看到基于Wishart分布的全极化最大似然方法的分类精度最高,为81.63%,而仅考虑HH和VV通道的振幅影像的分类精度最低,仅有56.35%。如图9所示,为本发明实施例提出的方法的分类结果(不同类别的颜色代码与图8一致),即通过对训练样本的学习,以H、A、α、Pmin、λ1(K)、Dp等6个参数为变量构建了决策规则,用决策树方法对图斑进行分类的结果。根据图8中的分类参考图象选取了11个类别的训练样本以及用于精度评价的检查样本,本图的分类精度为93.42%,远远高于图8中三种方法的分类精度。如图10所示,为本发明实施例中所用的分类决策树。如图11所示,为Flevoland地区1989年5月23日获取的LandSat TM(美国陆地卫星专题制图仪)第5波段影像,该图像与SAR图像的获取时间接近。从图右边缘部分的水体来看,图9所示水体的分类精度大大高于图8中三种方法的水体分类精度。如图12所示,为本发明实施例分类结果(b)与图8中精度最高的基于Wishart分布的全极化最大似然分类结果(a)及对应的参考数据(c)的直接比较。从目视效果看,本发明实施例提出的方法完全消除了斑点(Speckle)噪声的影响。通过图12中(a)、(b)与(c)的比较,可以明显看出本发明的分类正确率大大高于常规方法的结果。
上述实施例采用荷兰中部Flevoland地区的L波段全极化SAR影像进行了土地覆盖分类试验,并将本发明实施例提出的分类方法的结果与已在国际权威期刊上发表的多种分类方法的结果进行了比较。其采用与已发表论文中同样的地面参考数据对本发明实施例分类结果进行了精度评价,评价显示本发明实施例的分类结果精度为93.5%,优于已发表的所有方法。同时,选择其中的一个局部区域,对比显示了本发明实施例分类结果与已发表的已知的具有最高精度分类结果,直接显示了本发明实施例分类结果的高精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括上述全部或部分步骤,所述的存储介质,如:ROM/RAM、磁盘、光盘等。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1、一种基于全极化合成孔径雷达的地物目标分类方法,其特征在于,所述方法包括:
接收地物目标的反馈信号,形成所述地物目标的影像;
对所述的地物目标的影像进行分割生成影像块;
从所述的影像块中提取极化特征参数;
根据所述极化特征参数对所述地物目标进行分类。
2、如权利要求1所述方法,其特征在于,所述对所述的地物目标的影像进行分割生成的影像块为图斑,其为具有相似极化后向散射特性像元构成的图斑。
3、如权利要求2所述方法,其特征在于,所述生成所述图斑具体包括:从所述地物目标的影像的极化散射矩阵 构造一个三波段振幅影像 对此影像进行分割以获取具有相似极化后向散射特性像元构成的图斑,其中,h为水平极化,v为垂直极化,hh表示水平极化发射/水平极化接收状态,hv表示水平极化发射/垂直极化接收状态,vh表示垂直极化发射/水平极化接收状态,vv表示垂直极化发射/垂直极化接收状态。
4、如权利要求3所述方法,其特征在于,所述从所述的影像块中提取极化特征参数具体包括:
以组成所述图斑的像元的平均值表征所述图斑的极化信息,提取所述图斑的极化相干矩阵和斯托克司Stokes矩阵;
以所述图斑为单元,进行极化特征参数提取,提取的所述极化特征参数包括:采用目标相干矩阵特征值分解技术生成的熵H、各向异性A、平均角参数α、最小接收功率Pmin、目标Stokes矩阵最大特征值λ1(K)、以及相对去极化比Dp,其中Dp按如下定义: 其中λ1(K)为所述图斑的Stokes矩阵K的最大特征值,所述Pmax为最大接收功率。
5、如权利要求4所述方法,其特征在于,所述根据所述极化特征参数对所述地物目标进行分类具体为:
根据所述极化特征参数构建决策树分类规则对所述地物目标进行分类。
6、一种基于全极化合成孔径雷达的地物目标分类装置,其特征在于,所述装置包括:
影像接收单元,用于接收地物目标的反馈信号,形成所述地物目标的影像;
分割单元,用于对所述的地物目标的影像进行分割生成影像块;
参数提取单元,用于从所述的影像块中提取极化特征参数;
分类单元,用于根据所述极化特征参数对所述地物目标进行分类。
7、如权利要求6所述装置,其特征在于,所述分割单元,具体用于对所述的地物目标的影像进行分割生成的影像块为具有相似极化后向散射特性像元构成的图斑。
8、如权利要求7所述装置,其特征在于,所述分割单元,具体用于从所述地物目标的影像的极化散射矩阵 构造一个三波段振幅影像 对此影像进行分割以获取具有相似极化后向散射特性像元构成的图斑,其中,h为水平极化,v为垂直极化,hh表示水平极化发射/水平极化接收状态,hv表示水平极化发射/垂直极化接收状态,vh表示垂直极化发射/水平极化接收状态,vv表示垂直极化发射/垂直极化接收状态。
9、如权利要求8所述装置,其特征在于,所述参数提取单元,具体用于以组成所述图斑的像元的平均值表征所述图斑的极化信息,提取所述图斑的极化相干矩阵和Stokes矩阵;还用于以所述图斑为单元,进行极化特征参数提取,提取的所述极化特征参数包括:采用目标相干矩阵特征值分解技术生成的熵H、各向异性A、平均角参数α、最小接收功率Pmin、目标Stokes矩阵最大特征值λ1(K)、以及相对去极化比Dp,其中Dp按如下定义: 其中λ1(K)为所述图斑的Stokes矩阵K的最大特征值,所述Pmax为最大接收功率。
10、如权利要求9所述装置,其特征在于,所述分类单元,具体用于根据所述极化特征参数构建决策树分类规则对所述地物目标进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100783138A CN101498789B (zh) | 2009-02-25 | 2009-02-25 | 一种基于全极化合成孔径雷达的地物目标分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100783138A CN101498789B (zh) | 2009-02-25 | 2009-02-25 | 一种基于全极化合成孔径雷达的地物目标分类方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101498789A true CN101498789A (zh) | 2009-08-05 |
CN101498789B CN101498789B (zh) | 2011-10-12 |
Family
ID=40945937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100783138A Expired - Fee Related CN101498789B (zh) | 2009-02-25 | 2009-02-25 | 一种基于全极化合成孔径雷达的地物目标分类方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101498789B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634705B (zh) * | 2009-08-19 | 2011-12-07 | 西安电子科技大学 | 基于方向信息测度的sar图像目标变化检测方法 |
CN102331575A (zh) * | 2011-06-23 | 2012-01-25 | 中国电子科技集团公司第三十八研究所 | 一种单航过全极化干涉合成孔径雷达 |
CN103675818A (zh) * | 2013-12-03 | 2014-03-26 | 中国科学院深圳先进技术研究院 | 极化合成孔径雷达数据地物三维距离度量方法及系统 |
CN103824084A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于sdit和svm的极化sar图像分类方法 |
CN104217219A (zh) * | 2014-09-15 | 2014-12-17 | 西安电子科技大学 | 基于匹配追踪选择集成的极化sar图像分类方法 |
CN104865572A (zh) * | 2015-05-21 | 2015-08-26 | 武汉大学 | 一种基于感兴趣目标增强的极化合成方法 |
CN105182336A (zh) * | 2015-09-07 | 2015-12-23 | 武汉大学 | 一种对合成孔径雷达影像中的道路进行半自动提取的方法 |
CN106815559A (zh) * | 2016-12-21 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 |
CN108133173A (zh) * | 2017-11-24 | 2018-06-08 | 西安电子科技大学 | 基于半监督梯形网络的极化sar图像分类方法 |
CN108205134A (zh) * | 2016-12-16 | 2018-06-26 | 核工业北京地质研究院 | 一种极化合成孔径雷达影像的次地表信息增强方法 |
CN108364011A (zh) * | 2018-02-05 | 2018-08-03 | 中国民航大学 | PolSAR图像多级特征提取与无监督分类方法 |
CN109374572A (zh) * | 2018-12-10 | 2019-02-22 | 西安电子科技大学 | 基于神经网络的太赫兹时域光谱物品分类方法 |
CN109696711A (zh) * | 2017-10-20 | 2019-04-30 | 中国工程物理研究院电子工程研究所 | 一种基于极化散射特性的卷积神经网络目标检测识别方法 |
CN109840542A (zh) * | 2018-12-06 | 2019-06-04 | 北京化工大学 | 基于极化特征的自适应维度决策树分类方法 |
CN110140059A (zh) * | 2016-12-27 | 2019-08-16 | Iee国际电子工程股份公司 | 针对固定应用中的对象分类及道路状况估计的极化雷达系统和方法 |
CN110334168A (zh) * | 2019-06-28 | 2019-10-15 | 广东省国土资源测绘院 | 一种城镇村地类细化技术方法 |
CN112114295A (zh) * | 2020-07-29 | 2020-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
CN113075260A (zh) * | 2021-02-25 | 2021-07-06 | 山西省交通信息通信有限公司 | 一种路桥隧道病害雷达检测与多分量处理方法及系统 |
US11619722B2 (en) | 2020-02-12 | 2023-04-04 | Ford Global Technologies, Llc | Vehicle lidar polarization |
CN116797845A (zh) * | 2023-07-05 | 2023-09-22 | 中国科学院空天信息创新研究院 | 一种基于散射机制的无监督简缩极化分类方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516552B (zh) * | 2019-07-29 | 2021-02-05 | 南京航空航天大学 | 一种基于时序曲线的多极化雷达图像分类方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3742882B2 (ja) * | 2003-11-06 | 2006-02-08 | 独立行政法人情報通信研究機構 | 偏波合成開口レーダ画像処理方法及び装置 |
CN100383805C (zh) * | 2005-11-03 | 2008-04-23 | 复旦大学 | 星载微波和红外遥感融合对城区地物特征进行分类的方法 |
CN100410683C (zh) * | 2005-11-10 | 2008-08-13 | 复旦大学 | 基于全极化合成孔径雷达数据的地表分类方法 |
CN101344587B (zh) * | 2008-08-15 | 2011-08-17 | 哈尔滨工业大学 | 用于极化合成孔径雷达图像的多成分分解方法 |
-
2009
- 2009-02-25 CN CN2009100783138A patent/CN101498789B/zh not_active Expired - Fee Related
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634705B (zh) * | 2009-08-19 | 2011-12-07 | 西安电子科技大学 | 基于方向信息测度的sar图像目标变化检测方法 |
CN102331575A (zh) * | 2011-06-23 | 2012-01-25 | 中国电子科技集团公司第三十八研究所 | 一种单航过全极化干涉合成孔径雷达 |
CN103675818B (zh) * | 2013-12-03 | 2017-01-18 | 中国科学院深圳先进技术研究院 | 极化合成孔径雷达数据地物三维距离度量方法及系统 |
CN103675818A (zh) * | 2013-12-03 | 2014-03-26 | 中国科学院深圳先进技术研究院 | 极化合成孔径雷达数据地物三维距离度量方法及系统 |
CN103824084A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于sdit和svm的极化sar图像分类方法 |
CN103824084B (zh) * | 2014-03-12 | 2016-11-02 | 西安电子科技大学 | 基于sdit和svm的极化sar图像分类方法 |
CN104217219A (zh) * | 2014-09-15 | 2014-12-17 | 西安电子科技大学 | 基于匹配追踪选择集成的极化sar图像分类方法 |
CN104865572A (zh) * | 2015-05-21 | 2015-08-26 | 武汉大学 | 一种基于感兴趣目标增强的极化合成方法 |
CN105182336A (zh) * | 2015-09-07 | 2015-12-23 | 武汉大学 | 一种对合成孔径雷达影像中的道路进行半自动提取的方法 |
CN108205134A (zh) * | 2016-12-16 | 2018-06-26 | 核工业北京地质研究院 | 一种极化合成孔径雷达影像的次地表信息增强方法 |
CN108205134B (zh) * | 2016-12-16 | 2021-09-17 | 核工业北京地质研究院 | 一种极化合成孔径雷达影像的次地表信息增强方法 |
CN106815559A (zh) * | 2016-12-21 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 |
CN106815559B (zh) * | 2016-12-21 | 2020-04-14 | 中国科学院深圳先进技术研究院 | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 |
US11567190B2 (en) | 2016-12-27 | 2023-01-31 | Iee International Electronics & Engineering S.A. | Polarimetric radar system and method for object classification and road condition estimation in stationary applications |
CN110140059A (zh) * | 2016-12-27 | 2019-08-16 | Iee国际电子工程股份公司 | 针对固定应用中的对象分类及道路状况估计的极化雷达系统和方法 |
CN109696711A (zh) * | 2017-10-20 | 2019-04-30 | 中国工程物理研究院电子工程研究所 | 一种基于极化散射特性的卷积神经网络目标检测识别方法 |
CN109696711B (zh) * | 2017-10-20 | 2020-12-25 | 中国工程物理研究院电子工程研究所 | 一种基于极化散射特性的卷积神经网络目标检测识别方法 |
CN108133173A (zh) * | 2017-11-24 | 2018-06-08 | 西安电子科技大学 | 基于半监督梯形网络的极化sar图像分类方法 |
CN108364011A (zh) * | 2018-02-05 | 2018-08-03 | 中国民航大学 | PolSAR图像多级特征提取与无监督分类方法 |
CN109840542B (zh) * | 2018-12-06 | 2021-03-26 | 北京化工大学 | 基于极化特征的自适应维度决策树分类方法 |
CN109840542A (zh) * | 2018-12-06 | 2019-06-04 | 北京化工大学 | 基于极化特征的自适应维度决策树分类方法 |
CN109374572B (zh) * | 2018-12-10 | 2020-05-05 | 西安电子科技大学 | 基于神经网络的太赫兹时域光谱物品分类方法 |
CN109374572A (zh) * | 2018-12-10 | 2019-02-22 | 西安电子科技大学 | 基于神经网络的太赫兹时域光谱物品分类方法 |
CN110334168A (zh) * | 2019-06-28 | 2019-10-15 | 广东省国土资源测绘院 | 一种城镇村地类细化技术方法 |
US11619722B2 (en) | 2020-02-12 | 2023-04-04 | Ford Global Technologies, Llc | Vehicle lidar polarization |
CN112114295A (zh) * | 2020-07-29 | 2020-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
CN112114295B (zh) * | 2020-07-29 | 2023-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
CN113075260A (zh) * | 2021-02-25 | 2021-07-06 | 山西省交通信息通信有限公司 | 一种路桥隧道病害雷达检测与多分量处理方法及系统 |
CN113075260B (zh) * | 2021-02-25 | 2023-03-14 | 山西省交通信息通信有限公司 | 一种路桥隧道病害雷达检测与多分量处理方法及系统 |
CN116797845A (zh) * | 2023-07-05 | 2023-09-22 | 中国科学院空天信息创新研究院 | 一种基于散射机制的无监督简缩极化分类方法 |
CN116797845B (zh) * | 2023-07-05 | 2024-01-26 | 中国科学院空天信息创新研究院 | 一种基于散射机制的无监督简缩极化分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101498789B (zh) | 2011-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101498789B (zh) | 一种基于全极化合成孔径雷达的地物目标分类方法和装置 | |
Maghsoudi et al. | Polarimetric classification of Boreal forest using nonparametric feature selection and multiple classifiers | |
Zhu et al. | Assessment of spectral, polarimetric, temporal, and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data | |
Antropov et al. | Land cover and soil type mapping from spaceborne PolSAR data at L-band with probabilistic neural network | |
EP2767849B1 (en) | Method and apparatus for processing polarimetric synthetic aperture radar image | |
CN103824084A (zh) | 基于sdit和svm的极化sar图像分类方法 | |
Tamiminia et al. | A particle swarm optimized kernel-based clustering method for crop mapping from multi-temporal polarimetric L-band SAR observations | |
Parida et al. | Polarimetric decomposition methods for LULC mapping using ALOS L-band PolSAR data in Western parts of Mizoram, Northeast India | |
Park et al. | Unsupervised classification of scattering mechanisms in polarimetric SAR data using fuzzy logic in entropy and alpha plane | |
Fan et al. | Marine floating raft aquaculture detection of GF-3 PolSAR images based on collective multikernel fuzzy clustering | |
Bagan et al. | Combination of AVNIR-2, PALSAR, and polarimetric parameters for land cover classification | |
Maghsoudi | Analysis of Radarsat-2 full polarimetric data for forest mapping | |
CN108766203B (zh) | 一种紧致极化水稻制图的方法及系统 | |
CN105005767A (zh) | 一种基于微波遥感影像森林类型识别方法 | |
Ameur et al. | Cloud classification using the textural features of Meteosat images | |
CN105138966B (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
CN102968640A (zh) | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 | |
Li et al. | Object-oriented classification of polarimetric SAR imagery based on statistical region merging and support vector machine | |
Varghese et al. | Polarimetric classification of C-band SAR data for forest density characterization | |
Souissi et al. | Optimal SVM classification for compact polarimetric data using Stokes parameters | |
Sami et al. | Synthetic aperture radar image classification: A survey | |
De et al. | Crop classification using RISAT-1 hybrid polarimetric SAR data | |
Molinier et al. | Detecting changes in polarimetric SAR data with content-based image retrieval | |
Verma et al. | Multifrequency spaceborne synthetic aperture radar data for backscatter-based characterization of land use and land cover | |
Yang et al. | Reconstruction error-based decomposition feature selection for PolSAR image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111012 Termination date: 20120225 |