CN102540157A - 一种基于简缩极化合成孔径雷达数据的地物分类方法 - Google Patents
一种基于简缩极化合成孔径雷达数据的地物分类方法 Download PDFInfo
- Publication number
- CN102540157A CN102540157A CN2010105913855A CN201010591385A CN102540157A CN 102540157 A CN102540157 A CN 102540157A CN 2010105913855 A CN2010105913855 A CN 2010105913855A CN 201010591385 A CN201010591385 A CN 201010591385A CN 102540157 A CN102540157 A CN 102540157A
- Authority
- CN
- China
- Prior art keywords
- scattering
- polarization
- pixel
- cluster
- data
- 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.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于简缩极化合成孔径雷达数据进行地物分类的方法,涉及合成孔径雷达遥感信息处理技术,包括步骤,a)得到滤波后的斯托克斯(Stokes)参数;b)提取表示散射机理的特征参数,包括极化度m、正交通道间的相对相位差δ、极化总功率span;c)计算基本散射机制对应的功率成分,确定每个像素的主要散射机制,将数据划分为具有相同散射特性的三类;d)利用span将每类相同散射特性的像素进一步划分为样本数相等的若干类;e)进行迭代的复维希特(Wishart)分类。本发明的方法原理简单、计算方便,可用于地物散射特性的分析与分类。
Description
技术领域
本发明涉及合成孔径雷达遥感信息处理技术领域,具体为一种基于简缩极化合成孔径雷达数据进行地物分类的方法。
背景技术
简缩极化是多极化合成孔径雷达领域的新概念。简缩极化合成孔径雷达只发射一种特殊设计的极化波,分别接收两种正交极化波。简缩极化技术降低了极化合成孔径雷达的脉冲重复频率,在避免距离模糊、保持分辨率的同时能够扩展成像带宽,减少了极化数据的接收通道数,降低了下行数据量,另外,在雷达系统的定标方面也具有独特的优势,特别适合星载合成孔径雷达宽测绘带、大入射角的应用。
简缩极化是基于混合极化基测量的极化方式,根据收发极化方式的不同组合,简缩极化目前主要采用三种基本模式,分别是发射旋转π/4角度的线性极化波,分别接收水平极化波和垂直极化波的π/4模式[参考:J.C.Souyris,P.Imbo,R.Fjortoft,S.Mingot,J.S.Lee.Compact PolarityBased on Symmetry Properties of Geophysical Media:The π/4Mode.IEEETransaction on Geoscience and Remote Sensing,Vol.43,No.3,pp.634-646,2005.];发射左旋或右旋圆极化波,分别接收水平和垂直极化波的CL模式[参考:R.K.Raney.Hybrid-Polarity SAR Architecture.In IGARSS 2006,Denver,Colorado,July 2006.];发射左旋或右旋圆极化波,分别接收左旋和右旋圆极化波的CC模式[参考:N.Stacy,M.Preiss.CompactPolarimetric Analysis of X Band SAR Data.In EUSAR 2006 conference,Dresden,Germany,May 2006.]。其中,CL模式在解决长波段电离层法拉第旋转影响、极化合成孔径雷达系统通道功率不平衡问题、系统定标、极化数据的目标分解等方面都具有更显著的优势,是目前普遍推荐的简缩极化模式。
简缩极化系统无法接收全部的散射信息,只能接收部分信息,简缩极化数据具有独特的信息处理方法。通过特定的收发极化状态的设计,可以重建出全极化信号或采用极化特征参数进行目标分解,获取有关散射机制分析的足够信息。
Souyris等提出了简缩极化数据的全极化信息重建算法,该算法基于地理介质对称性假设和随机散射体理论,可以从简缩极化数据2×2维协方差矩阵中估计出3×3维全极化协方差矩阵[参考:J.C.Souyris,P.Imbo,R.Fjortoft,S.Mingot,J.S.Lee.Compact Polarity Based onSymmetry Properties of Geophysical Media:The π/4 Mode.IEEETransaction on Geoscience and Remote Sensing,Vol.43,No.3,pp.634-646,2005.]。Stacy等将全极化信息重建算法推广到CC模式[参考:N.Stacy,M.Preiss.Compact Polarimetric Analysis of X Band SAR Data.In EUSAR2006conference,Dresden,Germany,May 2006.]。R.K.Raney对CL模式的极化特征参数进行了研究,提出了简缩极化数据的参数提取算法,该算法不用重建全极化协方差矩阵,而是通过简缩极化数据直接获得极化特征参数进行目标分解,提取极化散射信息[参考:R.K.Raney.Hybrid-Polarity SAR Architecture.In IGARSS 2006,Denver,Colorado,July2006.]。
对应于简缩极化数据的两类信息处理算法,利用简缩极化数据进行地物分类的非监督分类算法也分为两类:一类是利用重建算法从简缩极化数据恢复全极化信息,然后利用全极化数据的非监督分类算法;一类是基于极化特征参数表征的散射特性分析,直接对简缩极化数据进行分类。
Aniworth等分别由π/4模式、CL模式和CC模式的简缩极化数据协方差矩阵中估计出全极化协方差矩阵,利用全极化数据非监督分类方法对重建的全极化数据进行分类,并比较了三种模式简缩极化数据的分类结果[参考:T.L.Ainsworth,J.S.Lee,and L.W.Chang.ClassificationComparisons Between Dual-Pol and Quad-Pol SAR Imagery.In IGARSS2007,Barcelona,Spain,pp.164-167,July 2007.]。目前常见的全极化数据非监督分类算法主要利用散射机制提取与统计的方法相结合。Cloude等利用特征值分解提取散射熵H和散射角α,将H和α构成的二维特征平面划分为8个子空间,每个子空间对应一类地物[参考:S.R.Cloude,E.Pottier.An Entropy Based Classification Scheme for Land Applications ofPolarimetric SAR.IEEE Transaction on Geoscience and Remote Sensing,vol.35,no.1,pp.68-78,January 1997.]。Freeman等基于散射模型将全极化数据分解为体散射、表面散射和偶次散射三个分量,用于分析地物的散射机制[参考:A.Freeman,S.L.Durden.A Three-Component ScatteringModel for Polarimetric SAR Data.IEEE Transaction on Geoscience andRemote Sensing,vol.36,no.3,pp.963-973,January 1998.]。Lee等提出了将散射机制提取与基于复维希特(Wishart)分布的最大似然估计相结合的非监督分类算法,将H/α平面的划分或基于散射模型的三成分分解结果作为初始分类,将初始分类作为复维希特(Wishart)监督分类的训练样本,进行迭代的分类,得到较好的分类结果[参考:J.S.Lee,M.R.Grunes,T.L.Aniworth,L.J.Du,D.L.Schuler,S.R.Cloude.UnsupervisedClassification Using Polarimetric Decomposition and the Wishart Classifier.IEEE Transaction on Geoscience and Remote Sensing,vol.37,no.5,pp.2249-2258,September 1999.;J.S.Lee,M.R.Grunes,E.Pottier.Unsupervised Terrain Classification Preserving Polarimetric ScatteringCharateristics.IEEE Transaction on Geoscience and Remote Sensing,Vol.42,No.4,April 2004.]。由于全极化信息重建算法中需要迭代的运算,因此这类基于重建算法的非监督分类算法的运算效率会受到影响。
发明内容
本发明的目的是提出一种基于简缩极化合成孔径雷达数据的地物分类方法,该方法原理简单、计算方便,可用于地物散射特性的分析与分类。
为达到上述目的,本发明的技术解决方案是:
一种基于简缩极化合成孔径雷达数据的地物分类方法,其包括步骤如下:
步骤一:对简缩极化合成孔径雷达数据进行预处理,构造其协方差矩阵,并由协方差矩阵中对应元素的计算获得四个斯托克斯(Stokes)参数;
步骤二:由斯托克斯(Stokes)参数提取反映地物散射特性的极化特征参数,包括极化度m、正交接收通道间的相对相位差δ、极化总功率span;
步骤三:将地物散射回波分解为三个散射分量之和,分别计算每个散射分量对应的功率,通过比较各个散射分量功率,确定每个像元的主要散射机制,对数据进行初始分类,每个类别包含的所有像元的主要散射机制是相同的;
步骤四:根据span值的大小,将每个类别中的像元进一步划分为样本数相等的N类,分别对应地物后向散射回波的强弱;
步骤五:基于数据的复维希特(Wishart)统计分布特性,分别计算每个像元与各类别中心的最大似然距离,重新调整像元的归属类别,迭代执行这一步骤,直到满足终止条件。
所述的地物分类方法,其所述的简缩极化合成孔径雷达采用右旋圆极化波发射,水平和垂直极化波接收的工作模式,得到的地物目标的简缩极化特征矢量为其中,R为右旋圆极化,H、V分别为水平极化和垂直极化,SRH表示右旋圆极化发射/水平极化接收通道复数据,SRV表示右旋圆极化发射/垂直极化接收通道复数据。
所述的地物分类方法,其所述步骤一中,由地物目标的简缩极化特征矢量构造其简缩极化协方差矩阵C:
其中,符号<·>表示在以该像元为窗口中心的滤波窗口中所有像元的简缩极化数据的算数平均;
由简缩极化协方差矩阵中元素的线性组合,计算斯托克斯(Stokes)参数S1、S2、S3、S4:
S1=C11+C22
S2=C11-C22
所述的地物分类方法,其所述步骤二中,由斯托克斯(Stokes)参数提取反映地物目标散射特性的极化特征参数,包括极化度m、正交接收通道间的相对相位差δ、极化总功率span;
计算公式如下:
δ=atan(S4/S3)
span=S1
其中,atan(·)表示计算数据的反正切函数值,δ的取值范围为[-180°,180°]。
所述的地物分类方法,其所述步骤三中,地物目标的散射可以用三种基本散射机制描述,分别是奇次散射、偶次散射和体散射,对应的,将地物散射回波分解为三个散射分量O、E、V之和:
span=O+E+V
由所述极化特征参数计算三个散射分量的功率:
O=S1·m·(1+sinδ)/2
E=S1·m·(1-sinδ)/2
V=S1·(1-m)
比较三个散射分量的大小,最大散射分量Domi为地物目标的主要散射分量:
Domi=max{O,E,V}
根据每个像元散射过程中占主要地位的散射机制,对简缩极化数据进行初始分类,将具有相同散射类型的地物划分为同一类:
其中,p表示待分类的像元,Cluster表示类别,下标o、e、v分别表示奇次散射、偶次散射和体散射,Clustero类中像元的主要散射机制均为奇次散射,Clustere类中像元的主要散射机制均为偶次散射,Clusterv类中像元的主要散射机制均为体散射,符号∈的左边是某个像元,右边是像元的集合,即某一类别,它表示该像元被划分到某一类别。
所述的地物分类方法,其所述步骤四中,根据span值的大小,将三个依据散射特性划分的类别进一步划分为样本数相等的N类,得到Clusteroi,Clusterej,Clustervl,其中,i,j,l=1...N。
所述的地物分类方法,其所述步骤五中,一个像元与各类别中心之间的最大似然距离的计算公式如下:
所述的地物分类方法,其所述步骤五中,根据像元与各类别中心之间的最大似然距离,重新判断该像元属于哪一类,判别准则如下:
对于任意i=1...N,
(1)当p∈Clusteroi,且满足d(C,Vm)≤d(C,Voi)时,如果j=1...N,则p∈Clusteroi;否则,p∈Clusterm;
(3)当p∈Clustervi,且满足d(C,Vm)≤d(C,Vvi)时,p∈Clusterm;
对极化图像中所有像元重复执行该步骤,直到满足迭代终止条件。
所述的地物分类方法,其所述迭代终止条件,为迭代次数达到设定次数Niteration或两次迭代间各类别间像素转移数目少于设定值Pswtch时,迭代终止。
本发明的方法通过直接分解简缩极化数据,提取极化散射信息,不需要重建全极化协方差矩阵,因此可以简化算法流程,提高运算效率。本发明方法原理简单、计算方便,可用于地物散射特性的分析与分类。
附图说明
图1本发明一种基于简缩极化合成孔径雷达数据的地物分类方法中采用的简缩极化数据测量原理示意图;
图2本发明一种基于简缩极化合成孔径雷达数据的地物分类方法的处理流程图;
图3a本发明的地物分类方法具体实施例的极化度m的量化图;
图3b本发明的地物分类方法具体实施例的正交接收通道间的相对相位差δ的量化图;
图3c本发明的地物分类方法具体实施例的极化总功率span的量化图;
图4本发明的地物分类方法具体实施例的初始分类结果;
图5本发明的地物分类方法具体实施例的最终分类结果。
具体实施方式
下面结合附图,详细说明本发明基于简缩极化合成孔径雷达数据的地物分类方法中所涉及的各个细节问题。应指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
简缩极化合成孔径雷达系统还在研究当中,目前缺乏实际的简缩极化数据来源。本发明实例中使用的数据是由全极化数据经极化基变换得到的仿真数据。参考图1,全极化合成孔径雷达采用正交的水平极化(H)和垂直极化(V)波发射和接收,采集到的HH、HV、VH、VV四种极化状态下的雷达信号分别经过成像处理获得的这四种极化状态下的复数据矩阵。右旋极化基的坐标矢量可以由(H,V)上的坐标矢量表示,变基公式为由全极化数据仿真简缩极化CL模式数据的公式为:
本发明实例中使用的数据是美国喷气推进实验室的机载合成孔径雷达系统AirSAR采集的美国旧金山地区的L波段全极化数据仿真得到的右旋圆极化发射,水平、垂直极化接收的简缩极化数据,图像尺寸为900×1024(行:方位位置,列:斜距位置,单位:像素)。该地区包括了海洋、山脉、建筑、道路、森林等典型地物。
本发明方法通过直接分解简缩极化数据,提取极化散射信息,不需要重建全极化协方差矩阵,因此可以简化算法流程,提高运算效率。
如图2所示,一种基于简缩极化合成孔径雷达数据进行地物分类的方法包含步骤如下:
步骤一:对简缩极化合成孔径雷达数据进行预处理,构造其协方差矩阵,并由协方差矩阵中对应元素的计算获得四个斯托克斯(Stokes)参数;
步骤二:由斯托克斯(Stokes)参数提取反映地物散射特性的极化特征参数,包括极化度m、正交接收通道间的相对相位差δ、极化总功率span;
步骤三:将地物散射回波分解为三个散射分量之和,分别计算每个散射分量对应的功率,通过比较各个散射分量功率,确定每个像元的主要散射机制,对数据进行初始分类,每个类别包含的所有像元的主要散射机制是相同的;
步骤四:根据span值的大小,将每个类别中的像元进一步划分为样本数相等的N类,分别对应地物后向散射回波的强弱;
步骤五:基于数据的复维希特(Wishart)统计分布特性,分别计算根据每个像元与各类别中心的最大似然距离,重新调整像元的归属类别,迭代执行这一步骤,直到满足终止条件。
步骤一是由仿真的简缩极化数据构造2×2维的协方差矩阵,并计算斯托克斯(Stokes)参数。
由地物目标的简缩极化特征矢量构造其简缩极化协方差矩阵C:
其中,符号<·>表示在以该像元为窗口中心的滤波窗口中所有像元的简缩极化数据的算数平均,滤波窗口大小选择为7×7个像元。
由简缩极化协方差矩阵中元素的线性组合,计算斯托克斯(Stokes)参数S1、S2、S3、S4:
S1=C11+C22
S2=C11-C22
步骤二是为了提取表示地物极化特性的特征参数。
由斯托克斯(Stokes)参数提取反映地物目标散射特性的极化特征参数,包括极化度m、正交接收通道间的相对相位差δ、极化总功率span:
δ=atan(S4/S3)
span=S1
将极化度m、正交接收通道间的相对相位差δ、极化总功率span的量化为灰度值,生成图3a、图3b、图3c,图像越亮表示值越大,图像越暗表示值越小。极化度m表示目标散射过程的随机程度,观察图3a可以发现,海洋区域的极化度最高,这是由于海洋地区是较为单一的布拉格散射。城市区域的极化度较低,城市区域主要是二面角散射,但是建筑的排列方向不同,且建筑中间还间杂植被等散射体,造成散射过程随机性变大。森林区域的极化度最低,这是由于森林区域的散射机理最为复杂,包括体散射,来自冠层和地面的布拉格散射,由地面与树干形成的二面角散射等等。正交接收通道间的相对相位差δ可以区分奇次散射和偶次散射,奇次散射时δ≤0,偶次散射时δ≥0。极化总功率span可以从总体上反映出目标的散射特性,并且能保持图像的空间信息。观察3c发现,海洋区域的极化总功率最低,森林区域的极化总功率较低,而城市区域的极化总功率最高。
步骤三通过分解目标散射回波,得到地物散射机理的分析。
将地物目标的散射分为三种基本散射机制,分别是奇次散射、偶次散射和体散射,对应的,将地物散射回波分解为三个散射分量O、E、V之和:
span=O+E+V
由于简缩极化数据是基于混合基测量,无法直接得到反应体散射成分的交叉极化功率,因此这里需要假设体散射成分对应于完全非极化分量。基于该假设,计算三个散射分量的功率:
O=S1·m·(1+sinδ)/2
E=S1·m·(1-sinδ)/2
V=S1·(1-m)
比较三个散射分量的大小,最大散射分量Domi为地物目标的主要散射分量:
Domi=max{O,E,V}
根据每个像元散射过程中占主要地位的散射机制,对简缩极化数据进行初始分类,将具有相同散射类型的地物划分为同一类:
其中,p表示待分类的像元,Cluster表示类别,下标o、e、v分别表示奇次散射、偶次散射和体散射,Clustero类中像元的主要散射机制均为奇次散射,Clustere类中像元的主要散射机制均为偶次散射,Clusterv类中像元的主要散射机制均为体散射。生成初始分类结果,如图4,其中,由黑色、灰色到白色依次表示奇次散射、体散射和偶次散射。
步骤四引入极化总功率信息,将每个类别进行细分。
根据span值的大小,将三个依据散射特性划分的类别进一步划分为样本数相等的5类,得到Clusteroi,Clusterej,Clustervl,其中,i,j,l=1...5。每个像元必须且只能划分到其中一个类别中。
步骤五是引入简缩极化数据的统计分布信息,重新调整像元的类别。由步骤三的初始分类结果可以看出,由数据的分解结果可以获得每个像元的散射机制,有助于解释分类结果。但是,由于对体散射作出的假设,导致体散射类型与其它两种散射类型的误分类。引入统计信息,可以改善这一缺欠。
计算每个像元与各类别中心之间的最大似然距离:
其中,C是该像元的协方差矩阵,是第m类中所有样本的协方差矩阵的算数平均,代表第m类的类中心,函数ln(·)是对数函数,|·|表示矩阵行列式的值,tr(·)表示求矩阵的迹。
基于简缩极化数据协方差矩阵服从复维希特(Wishart)统计分布的假设,可以计算像元与各类别中心之间的最大似然距离,像元被划分到距离最近的类别,由于奇次散射和偶次散射的初始分类比较准确,为了保持像元的散射特性,奇次散射和偶次散射类别中的像元不能互换,判别准则如下:
对于任意i=1...N,
(2)当p∈Clusterei,且满足d(C,Vm)≤d(C,Vei)时,如果j=1...N,则p∈Clusterei;否则,p∈Clusterm;
(3)当p∈Clustervi,且满足d(C,Vm)≤d(C,Vvi)时,p∈Clusterm。
对极化图像中所有像元重复执行该步骤,直到满足迭代终止条件。迭代终止条件为迭代次数达到设定次数10或两次迭代间各类别间像素转移数目少于设定值10%时,迭代终止,得到最终的分类结果。图5是AirSAR L波段旧金山地区数据的分类结果,海洋和陆地可以清晰地区分。海洋地区被分为不同的类,分别对应由入射角变化造成的雷达回波的强弱。分类结果对纹理信息保持得很好,图5中左上方的山脉可以看出清晰的轮廓。城区道路也可以清晰地与周围地物区分开来。
Claims (9)
1.一种基于简缩极化合成孔径雷达数据的地物分类方法,其特征在于:包括步骤如下:
步骤一:对简缩极化合成孔径雷达数据进行预处理,构造其协方差矩阵,并由协方差矩阵中对应元素的计算获得四个斯托克斯参数;
步骤二:由斯托克斯参数提取反映地物散射特性的极化特征参数,包括极化度m、正交接收通道间的相对相位差δ、极化总功率span;
步骤三:将地物散射回波分解为三个散射分量之和,分别计算每个散射分量对应的功率,通过比较各个散射分量功率,确定每个像元的主要散射机制,对数据进行初始分类,每个类别包含的所有像元的主要散射机制是相同的;
步骤四:根据span值的大小,将每个类别中的像元进一步划分为样本数相等的N类,分别对应地物后向散射回波的强弱;
步骤五:基于数据的复维希特统计分布特性,分别计算每个像元与各类别中心的最大似然距离,重新调整像元的归属类别,迭代执行这一步骤,直到满足终止条件。
4.如权利要求1所述的地物分类方法,其特征在于,所述步骤二中,由斯托克斯参数提取反映地物目标散射特性的极化特征参数,包括极化度m、正交接收通道间的相对相位差δ、极化总功率span;
计算公式如下:
δ=atan(S4/S3)
span=S1
其中,atan(·)表示计算数据的反正切函数值,δ的取值范围为[-180°,180°]。
5.如权利要求1所述的地物分类方法,其特征在于,所述步骤三中,地物目标的散射可以用三种基本散射机制描述,分别是奇次散射、偶次散射和体散射,对应的,将地物散射回波分解为三个散射分量O、E、V之和:
span=O+E+V
由所述极化特征参数计算三个散射分量的功率:
O=S1·m·(1+sin δ)/2
E=S1·m·(1-sinδ)/2
V=S1·(1-m)
比较三个散射分量的大小,最大散射分量Domi为地物目标的主要散射分量:
Domi=max{O,E,V}
根据每个像元散射过程中占主要地位的散射机制,对简缩极化数据进行初始分类,将具有相同散射类型的地物划分为同一类:
其中,p表示待分类的像元,Cluster表示类别,下标o、e、v分别表示奇次散射、偶次散射和体散射,Clustero类中像元的主要散射机制均为奇次散射,Clustere类中像元的主要散射机制均为偶次散射,Clusterv类中像元的主要散射机制均为体散射,符号∈的左边是某个像元,右边是像元的集合,即某一类别,它表示该像元被划分到某一类别。
6.如权利要求1所述的地物分类方法,其特征在于,所述步骤四中,根据span值的大小,将三个依据散射特性划分的类别进一步划分为样本数相等的N类,得到Clusteroi,Clusterej,Clustervi,其中,i,j,l=1...N。
8.如权利要求1或7所述的地物分类方法,其特征在于,所述步骤五中,根据像元与各类别中心之间的最大似然距离,重新判断该像元属于哪一类,判别准则如下:
对于任意i=1...N,
(1)当p∈Clusteroi,且满足d(C,Vm)≤d(C,Voi)时,如果j=1...N,则p∈Clusteroi;否则,p∈Clusterm;
(2)当p∈Clusterei,且满足d(C,Vm)≤d(C,Vei)时,如果j=1...N,则p∈Clusterei;否则,p∈Clusterm;
(3)当p∈Clustervi,且满足d(C,Vm)≤d(C,Vvi)时,p∈Clusterm;对极化图像中所有像元重复执行该步骤,直到满足迭代终止条件。
9.如权利要求1或8所述的地物分类方法,其特征在于,所述迭代终止条件,为迭代次数达到设定次数Niteration或两次迭代间各类别间像素转移数目少于设定值Pswtch时,迭代终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105913855A CN102540157A (zh) | 2010-12-08 | 2010-12-08 | 一种基于简缩极化合成孔径雷达数据的地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105913855A CN102540157A (zh) | 2010-12-08 | 2010-12-08 | 一种基于简缩极化合成孔径雷达数据的地物分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102540157A true CN102540157A (zh) | 2012-07-04 |
Family
ID=46347492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105913855A Pending CN102540157A (zh) | 2010-12-08 | 2010-12-08 | 一种基于简缩极化合成孔径雷达数据的地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102540157A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103217669A (zh) * | 2013-03-26 | 2013-07-24 | 中国科学院电子学研究所 | 一种基于子距离像偏移差的星载sar电离层定标方法 |
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 |
CN103792521A (zh) * | 2014-01-17 | 2014-05-14 | 西安空间无线电技术研究所 | 一种受Faraday旋转变化影响的雷达目标后向散射模拟方法 |
CN103941245A (zh) * | 2014-05-09 | 2014-07-23 | 中国科学院电子学研究所 | 简缩极化干涉数据的Freeman-Durden目标分解方法 |
CN104021261A (zh) * | 2013-02-28 | 2014-09-03 | 国际商业机器公司 | 医疗领域数据处理方法和装置 |
CN105137433A (zh) * | 2015-08-27 | 2015-12-09 | 北京航空航天大学 | 一种星载π/4模式简缩极化SAR相位重构方法 |
CN107144841A (zh) * | 2017-05-08 | 2017-09-08 | 河南科技大学 | 一种基于最小剩余功率的极化sar图像目标分解方法 |
CN108446652A (zh) * | 2018-03-27 | 2018-08-24 | 武汉大学 | 基于动态纹理特征的极化sar图像地物分类方法 |
CN108761397A (zh) * | 2018-05-30 | 2018-11-06 | 中南大学 | 基于电磁散射模拟的极化sar模型分解评价方法 |
CN109583283A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 玉米种植区域提取方法、装置及种植区域提取系统 |
CN110210574A (zh) * | 2019-06-13 | 2019-09-06 | 中国科学院自动化研究所 | 合成孔径雷达图像解译方法、目标识别装置及设备 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5057843A (en) * | 1990-06-25 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for providing a polarization filter for processing synthetic aperture radar image data |
CN1758070A (zh) * | 2005-11-10 | 2006-04-12 | 复旦大学 | 基于全极化合成孔径雷达数据的地表分类方法 |
CN101344587A (zh) * | 2008-08-15 | 2009-01-14 | 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 |
-
2010
- 2010-12-08 CN CN2010105913855A patent/CN102540157A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5057843A (en) * | 1990-06-25 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for providing a polarization filter for processing synthetic aperture radar image data |
CN1758070A (zh) * | 2005-11-10 | 2006-04-12 | 复旦大学 | 基于全极化合成孔径雷达数据的地表分类方法 |
CN101344587A (zh) * | 2008-08-15 | 2009-01-14 | 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 |
Non-Patent Citations (3)
Title |
---|
L.CHEN等: "Unsupervised Classification for Compact Polarimetric SAR Data", 《SYNTHETIC APERTURE RADAR, 2009. APSAR 2009. 2ND ASIAN-PACIFIC CONFERENCE ON》 * |
刘涛等: "SAR多视图像的Stokes参数的统计分布", 《电子与信息学报》 * |
曹芳: "基于Cloude-Pottier分解的全极化SAR数据非监督分类的算法", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021261A (zh) * | 2013-02-28 | 2014-09-03 | 国际商业机器公司 | 医疗领域数据处理方法和装置 |
CN103217669A (zh) * | 2013-03-26 | 2013-07-24 | 中国科学院电子学研究所 | 一种基于子距离像偏移差的星载sar电离层定标方法 |
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 |
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 |
CN103792521A (zh) * | 2014-01-17 | 2014-05-14 | 西安空间无线电技术研究所 | 一种受Faraday旋转变化影响的雷达目标后向散射模拟方法 |
CN103792521B (zh) * | 2014-01-17 | 2016-05-04 | 西安空间无线电技术研究所 | 一种受Faraday旋转变化影响的雷达目标后向散射模拟方法 |
CN103941245A (zh) * | 2014-05-09 | 2014-07-23 | 中国科学院电子学研究所 | 简缩极化干涉数据的Freeman-Durden目标分解方法 |
CN105137433A (zh) * | 2015-08-27 | 2015-12-09 | 北京航空航天大学 | 一种星载π/4模式简缩极化SAR相位重构方法 |
CN107144841A (zh) * | 2017-05-08 | 2017-09-08 | 河南科技大学 | 一种基于最小剩余功率的极化sar图像目标分解方法 |
CN107144841B (zh) * | 2017-05-08 | 2020-01-03 | 河南科技大学 | 一种基于最小剩余功率的极化sar图像目标分解方法 |
CN109583283A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 玉米种植区域提取方法、装置及种植区域提取系统 |
CN108446652A (zh) * | 2018-03-27 | 2018-08-24 | 武汉大学 | 基于动态纹理特征的极化sar图像地物分类方法 |
CN108446652B (zh) * | 2018-03-27 | 2021-09-03 | 武汉大学 | 基于动态纹理特征的极化sar图像地物分类方法 |
CN108761397A (zh) * | 2018-05-30 | 2018-11-06 | 中南大学 | 基于电磁散射模拟的极化sar模型分解评价方法 |
CN108761397B (zh) * | 2018-05-30 | 2022-05-27 | 中南大学 | 基于电磁散射模拟的极化sar模型分解评价方法 |
CN110210574A (zh) * | 2019-06-13 | 2019-09-06 | 中国科学院自动化研究所 | 合成孔径雷达图像解译方法、目标识别装置及设备 |
CN110210574B (zh) * | 2019-06-13 | 2022-02-18 | 中国科学院自动化研究所 | 合成孔径雷达图像解译方法、目标识别装置及设备 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102540157A (zh) | 一种基于简缩极化合成孔径雷达数据的地物分类方法 | |
Schneider et al. | Polarimetric and interferometric characterization of coherent scatterers in urban areas | |
BARBER et al. | SAR sea ice discrimination using texture statistics- A multivariate approach | |
US10107904B2 (en) | Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (IFSAR) measurements | |
CN103593669B (zh) | 一种极化合成孔径雷达影像四分量分解的方法 | |
CN101078769B (zh) | 单次全极化合成孔径雷达图像反演数字高程模型的方法 | |
CN103824084A (zh) | 基于sdit和svm的极化sar图像分类方法 | |
CN102262223B (zh) | 一种基于散射矩阵的相干目标分解方法 | |
CN102253377B (zh) | 基于特征值分析的极化干涉合成孔径雷达目标检测方法 | |
CN102968640B (zh) | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 | |
CN102914773B (zh) | 一种多航过圆周sar三维成像方法 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
Anfinsen | Statistical analysis of multilook polarimetric radar images with the Mellin transform | |
CN103969645A (zh) | 基于压缩多信号分类的层析合成孔径雷达测量树高的方法 | |
CN105005767A (zh) | 一种基于微波遥感影像森林类型识别方法 | |
CN104361346A (zh) | 基于k-svd和稀疏表示的极化sar图像分类方法 | |
CN103208118A (zh) | 一种高光谱遥感影像端元提取方法 | |
CN103630899B (zh) | 地面运动目标高分辨雷达压缩感知成像的方法 | |
CN107123125A (zh) | 基于散射特征与低秩稀疏模型的极化sar变化检测方法 | |
CN105138966A (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
CN104751173A (zh) | 基于协同表示和深度学习的极化sar图像分类方法 | |
Aanstoos et al. | Use of remote sensing to screen earthen levees | |
Aanstoos et al. | Detection of slump slides on earthen levees using polarimetric SAR imagery | |
Crisp et al. | Comparison of ship detectors for polarimetric SAR imagery | |
CN103489208A (zh) | 一种高光谱图像非线性光谱混合模型及地质填图应用研究 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120704 |
|
WD01 | Invention patent application deemed withdrawn after publication |