CN112580687A - 基于毫米波全极化sar影像的无监督分类方法 - Google Patents

基于毫米波全极化sar影像的无监督分类方法 Download PDF

Info

Publication number
CN112580687A
CN112580687A CN202011319716.XA CN202011319716A CN112580687A CN 112580687 A CN112580687 A CN 112580687A CN 202011319716 A CN202011319716 A CN 202011319716A CN 112580687 A CN112580687 A CN 112580687A
Authority
CN
China
Prior art keywords
classification
polarization
unsupervised classification
scattering
unsupervised
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
Application number
CN202011319716.XA
Other languages
English (en)
Inventor
张帆
倪军
项徳良
韦立登
尹嫱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202011319716.XA priority Critical patent/CN112580687A/zh
Publication of CN112580687A publication Critical patent/CN112580687A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于毫米波全极化SAR影像的无监督分类方法，首先使用线性压缩方法对数据进行压缩，使得未定标数据能够应用于特定任务；然后，利用Wishart‑H/A/α无监督分类算法得到每个像素的类别属性；同时，使用自适应极化超像素生成算法(Pol‑ASLIC)实现超像素分割任务，以兼顾全极化SAR数据的空间统计特性；最后，利用超像素得到的空间信息与无监督像素标签信息融合实现最终的分类任务。

Description

基于毫米波全极化SAR影像的无监督分类方法
技术领域
本发明涉及一种基于毫米波全极化SAR影像的无监督分类方法，属于计算机视觉领域。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种利用传感器获取包含地物后向散射信息的高分辨率主动成像雷达，随着其性能的不断提升，低频段的SAR逐渐不能满足需求。毫米波SAR具有体积小、分辨率高电子对抗能力强等特点，逐渐成为雷达成像发展的重要方向。全极化SAR相比于单极化SAR数据携带有更多的地物散射特征，而全极化SAR数据分析和分类是解译全极化SAR图像的重要任务，因此研究毫米波全极化SAR的图像分类具有重要意义。
极化SAR的分类方法包括监督和无监督分类算法，监督分类方法需要地物的实际标记样本作为训练集结合机器学习的方法来实现监督分类任务，而地面实况在诸多应用中是无法轻易得到的，因此限制了其实际应用价值。无监督方法是基于物理散射机制和统计分布特性建立起来的，因此并不局限于特定的地物类别，具有更大的研究价值和实际意义。
在分类任务中，为了兼顾图像的空间信息，监督分类算法往往考虑将分类器得到的概率图与图像分割的算法结合，以兼顾空间信息，达到更优的分类效果。在无监督分类任务中，由于概率图不能直接通过分类器得到，有效的空间分割策略是融合无监督分类标签和空间信息的关键。其中，超像素分割算法能将相邻且颜色、亮度、纹理等特征相似的像素分割成诸多超像素，这些超像元保留了进行图像分割的有效信息且不会破坏图像中物体的边界信息。因此，利用极化SAR的统计分布特性和传统超像素分割算法进行结合，得到具有针对性的超像素分割模型具有重要意义。
发明内容
本发明的主要目的是针对于未经过任何定标的毫米波全极化SAR图像，给出了一种结合传统无监督分类算法与超像素分割算法而实现的无监督分类任务。针对极化SAR数据统计性分布特点，一种基于改进的超像素分割和融合算法被用于本实验的图像分割任务，基于统计特征与物理散射机制相结合的方法被用于实现基础的无监督分类过程，同时实现了无监督分类标签与图像分割结果进行融合，得到最终的无监督分类结果。
本发明所使用的无监督分类的总体架构如图1所示。分类任务共包括四个过程：数据压缩和相干T矩阵提取、超像素分割、无监督分类和决策综合分类。处理过程包括以下步骤：
步骤1：利用数据压缩的方法将未定标的极化数据进行线性压缩，使得全极化SAR在可计算范围内。
输入未定标的毫米波全极化SAR数据，将数据压缩后的毫米波全极化SAR数据。
步骤2：提取T3矩阵。输入步骤1的数据压缩后的毫米波全极化SAR数据，将数据压缩后的毫米波全极化SAR数据对应的T3矩阵。
步骤3：H/α/A分类，获得16类的无监督类别标签。输入步骤2的T3矩阵，毫米波极化SAR的无监督分类标签。
步骤4：利用wishart距离统计信息，对H/α/A分类结果进行统计整合，得到更加精确的极化SAR无监督分类结果。输入步骤3的无监督分类结果。无监督分类结果。
步骤5：利用Pol-ASLIC超像素分类算法得到初始的超像素分割结果，输入步骤2的T3矩阵。输出：初始超像素分割结果。
步骤6：利用SIPV与HoM融合的方法进行阈值融合判断，对相似的初始超像素进行融合得到最终的超像素分割结果。输入步骤2的T3矩阵和步骤5的初始超像素分割结果，得到超像素分割结果。
步骤7：利用全极化SAR的无监督分类结果与超像素分割结果进行融合得到最终的无监督分类结果。输入步骤4得到的无监督分类结果和步骤6得到的超像素分割结果，得到无监督分类结果。
具体地，各个步骤的实施过程如下：
(1)数据预处理
雷达***发射的电磁波信号与地物目标相互作用，导致电磁波的极化特性发生变化。极化散射矩阵S描述入射与散射电磁场之间的转化关系，假设雷达入射波和散射波为平面波，对应的Jones矢量分别为Et和Es，则目标散射过程可以表示为：
Figure BDA0002792483740000031
其中，G(r)为电磁波传播因子，揭示传播过程中幅度和相位的变化情况；对于散射矩阵S包含全部的极化信息：
Figure BDA0002792483740000032
每个元素Sij表示以i极化方式发射信号并以j极化方式接收目标的复后向散射系数，H表示水平极化，V表示垂直极化。对于单站后向散射情况，由于发射和接收天线位于同一个位置，由同一组正交基描述入射波和散射波的Jones矢量。
为了完全利用多极化SAR数据的所有极化信息，极化定标通常被应用于定量的分析不同通道不同极化之间的相互关系，经过定标之后的多极化SAR数据，再被用于地表散射特性分析。然而，极化SAR数据的定标过程是一个极其复杂且消耗较高成本的过程，对于未定标极化SAR数据而言，如何实现有效的图像解译过程是一个难点问题。
未经过内定标和外定标的极化SAR数据，通常情况下，由于数值较大，在极化数据的目标分解过程中，由于矩阵的乘/除(逆)等任务的需要，这些数据不再适用。因此，在数据处理前，首先需要数据压缩，使用基于极化散射矩阵S的线性压缩过程：
Figure BDA0002792483740000033
式中，N为极化SAR数据的压缩比例。压缩后的散射矩阵S′表示成Pauli基下的散射矢量
Figure BDA0002792483740000034
对于非相干散射的情况下，散射信息用相干矩阵T表示为
T＝<k·k*T> (5)
式中，<·>表示统计平均，在单站极化***下得到3×3的相干矩阵T3：
Figure BDA0002792483740000041
相干矩阵T3作为实验基础数据，被用于无监督分类和超像素分割过程。
(2)无监督分类过程
使用传统的wishart-H/α/A方法作为无监督分类模型，其包含了以下过程：
·基于Cloude分解的H/α/A无监督分类
Cloude分解将相干矩阵T分解为二面角、表面散射和体散射三种散射机制的加权，优点在于特征值不随极化基的变化而变化。分解特征描述任何一种散射机制，因此结合Cloude分解方法实现对目标更为精细的分类。通过Cloude分解中H和α的求解如下：
①将相干矩阵分解为两个酉矩阵和特征值构成的对角阵相乘的形式
Figure BDA0002792483740000042
Figure BDA0002792483740000043
其中，U为酉矩阵，其每一列都对应T的正交特征向量，且λi≥0，i＝1,2,3。
②由特征值λi求散射熵H和平均散射角α：
定义每种散射机制出现的概率为：
Figure BDA0002792483740000044
极化熵H的定义式为：
Figure BDA0002792483740000045
散射角α由归一化特征向量求得，其计算式为：
α＝arccos(|V(1,:)|)·P (15)
即特征值对应的第一行行向量|V(1,:)|乘以列向量P为常量散射角α。散射角α和方位角β的均值定义为：
Figure BDA0002792483740000046
Figure BDA0002792483740000047
角度α与目标的散射机制有关，对应α＝0°的表面散射、α＝45°体散射及α＝90°二面角散射过程。
极化熵H(0≤H≤1)描述的是散射体从各向同性(H＝0)至完全随机散射机制(H＝1)的随机性。当目标的去极化效应很弱，散射矩阵最大特征值对应的特征向量占优，可以忽略其他特征向量。如果H值很大，则其去极化效应很强。此时目标不只对应一个散射矩阵，因此需要将其所有特征值考虑进来。当H＝1时，目标不包含任何极化信息，此时散射机制为随机噪声。
Figure BDA0002792483740000051
表示从二面角到表面散射的平均散射机制。H和
Figure BDA0002792483740000052
可以对目标散射的特征进行有效描述，因此为了简化描述，
Figure BDA0002792483740000053
用来替代α。由H和α组成的二位空间可以划分为9个区域，忽略不存在的散射机制，则8个有效区域。
尽管极化熵H对于描述散射问题的随机性具有一定的标量表征，但它不能完全描述特征值的比值关系。因此，另一种特征参数：极化各向异性度A，被用于对极化特征值的另一种描述。将特征值按照λ1＞λ2＞λ3＞0的顺序排列，极化各项异性度A可以定义为
Figure BDA0002792483740000054
由于特征值是旋转不变的，极化各向异性度A也是旋转不变参数。作为极化熵H参数的补充，极化各向异性度A描述了由特征分解得到的第二个和第三个特征值的相对大小。引入各向异性度参数后，就有可能在不同的散射区域中识别出第二类散射目标。
·基于Wishart度量准则的无监督分类
Wishart分类器是一种基于复Wishart分布的最大似然分类。相干矩阵T的概率密度函数表示为：
Figure BDA0002792483740000055
其中，K为归一化因子V为聚类中心的相关矩阵。归一化因子的表达式为
Figure BDA0002792483740000056
其中Γ(·)为Gamma函数，满足自由度为n的复Wishart分布。若满足互易条件，则q＝3。定义每个目标点与第i类中心的最大似然距离为：
dm(<T>,Vi)＝n[ln|Vi|+Tr(Vi -1<T>)] (20)其中，Vi为第i类标签的中心散射矩阵，即：
Figure BDA0002792483740000061
式中，ni为第i类标签中的样本数。由最大似然准则，将满足以下关系的像素分为第i类：
dm(<T>,Vi)＝dm(<T>,Vj) (22)
Wishart分类器将初始分类作为其训练样本输入，在初始聚类中心Vi的基础熵不断迭代和调整。根据上式和新的分类结果更新Vi，并再次对图像进行迭代分类。迭代次数达到要求后，无监督分类停止。
为了充分发挥基于统计分布特性的分类方法和基于物理散射机制的目标分类方法的优势，Lee等提出把二者结合起来的PolSAR目标非监督分类方法。该类方法利用Cloude-Pottier分解或模型分解进行初分类，然后利用复Wishart分类器进行迭代分类结果。本专利使用这种Wishart-H/α/A方法对极化T矩阵进行无监督分类任务。
(3)毫米波极化SAR的超像素分割
超像素分割算法可以降低散射图像中的斑点噪声影响，有利于保存图像的结构信息，加快极化SAR图像的后处理过程，因此被广泛结合于极化SAR图像的分类、变化检测、目标跟踪等多种极化SAR图像的处理过程。
目前许多光学的超像素分割方法已经被应用在极化SAR图像中,其中有传统的分割方法，这些方法一般能在大多数PolSAR图像的异质性和均质区产生紧凑规则的超像元，但是在超像素生成中，由于缺少边缘约束，一些图像的边缘，特别是不同地表覆盖之间的边缘不能很好地保存下来。此外，这些超像素生成的结果都是图像过分割，主要关注于对图像局部结构和内容的精细描述。为了充分利用超像素和初始超分割结果，需要考虑图像的一些非局部线索，进一步将超像素，即同质的小区域分组为语义上有意义的大区域。
使用一种新的全极化超像素分割算法来实现毫米波极化SAR的图像分割过程，算法首先利用有向span驱动(directional span-driven adaptive,DSDA)窗来实现极化SAR的边缘提取，此边缘用于优化自适应极化超像素生成算法得到的超像素(adaptivepolarimetric superpixel generation algorithm,Pol-ASLIC)。统计区域合并(statistical region merging,SRM)图像分割算法能够捕捉图像的主要结构信息，使用简单但有效的统计分析，算法实现效率高，且具有较强的抗噪能力。基于Pol-ASLIC初始化超像素分割结果，利用SRM定义一种新的基于边缘惩罚和极化信息的超像素不相似度量方法，用于得到合理、准确的超像素对合并顺序。对于超像素的融合判断，采用极化的均衡性测量(homogeneity measurement,HoM)重新定义合并阈值，使融合判断和融合阈值自适应于PolSAR图像，以消除了传统SRM方法的图像复杂参数问题。
·基于DSDA窗的边缘检测
SIRV模型定义将Pauli基下的散射矢量k定义为独立复高斯圆向量z与正随机变量τ的平方根的乘积：
Figure BDA0002792483740000071
式中，z是标准的相干矩阵M＝E{z·z*T}且均值为0，变量τ看作是空间纹理。k的条件概率密度函数(probability density function,PDF)表示为：
Figure BDA0002792483740000072
式中，N表示数据独立观测的数量。假设给定M，通过极大似然估计可以求解
Figure BDA0002792483740000073
估计量：
Figure BDA0002792483740000074
因此，可以解得M的极大似然估计值：
Figure BDA0002792483740000075
此估计值能够用不动点递归的方式实现，无论M的初始化值是什么，它都具有较好的收敛效果。此参数估计被用于SIRV参数估计中，并利用DSDA窗口形状灵活可变性，准确地估计中心像素两侧的区域中心。
·Pol-ASLI超像素生成优化
在SLIC算法中，原始的K-means聚类算法对整个图像进行搜索，对相似的像素进行聚类，耗时较长，并不能很好地保存图像的局部属性。而Pol-ASLIC能够对有限的局部区域进行搜索，减少计算量的同时也能保留图像的局部信息。在Pol-ASLIC的基础上，带边界约束的区域搜索方法被用于重新设计分割模型，如图2所示。
在有限的2S×2S区域内聚类时，如果搜索边缘像素，则不会对边缘以外的像素进行遍历，因为这些像素由于边缘的存在与中心像素属性不同。该搜索区域既能保持边缘信息，又能加快搜索速度聚类迭代过程。
·极化SAR超像素的融合过程
为了获得准确的超像素对合并顺序，一种新的超像素间的差异度量方法被用于超像素的融合过程，它同时利用了极化信息和图像边缘惩罚项。SIPV乘积方法能够描述极化SAR数据的统计分布类别，归一化的相干矩阵和span数据能够在未设置任何纹理的先验信息的情况下进行估计。因此，SIRV距离度量算法能够在同质或异质的场景中有效地实现极化SAR的边缘检测和超像素生成。
假设
Figure BDA0002792483740000081
和
Figure BDA0002792483740000082
是两个超像素场景
Figure BDA0002792483740000083
和
Figure BDA0002792483740000084
的标准化相干矩阵，一种二元假设检验被定义为：
Figure BDA0002792483740000085
两个区域的相似性通过极大似然比来实现：
Figure BDA0002792483740000086
QM的最大值等于利用SIRV求解下式的最小值：
Figure BDA0002792483740000087
这种超像素间的距离度量考虑了超像素内邻域像素的极化信息，有利于减小乘性散斑影响。由于公式具有不对称性，因此可以考虑使用对称的度量方式：
Figure BDA0002792483740000088
利用边缘检测的方法，得到PolSAR图像的边缘强度图，它可以用来补偿超像素的合并顺序。假设像素i的边缘强度是Ei，两个超像素场景
Figure BDA0002792483740000089
和
Figure BDA00027924837400000810
的边缘惩罚项可以定义为：
Figure BDA00027924837400000811
式中，β被用于控制边缘惩罚项强度，则两个超像素区域的不相似性可以更新为：
Figure BDA0002792483740000091
通过将边缘惩罚项加入到超像素不相似度度量中，使得相邻的超像素只有在它们之间的边缘较弱时才有优先合并的权利。因此，上式中的边缘惩罚项可以增强超像素的合并顺序，避免重叠。
超像素的融合判断可以通过下式来实现：
Figure BDA0002792483740000092
式中，Thmerge为融合阈值，通过极化的HoM融合算法和非对称
Figure BDA0002792483740000093
进行求解。
与传统的极化SAR无监督分类过程相比，本发明主要针对于未定标的全极化SAR毫米波数据实现了其无监督分类过程。并在无监督分类的基础上，综合考虑了极化SAR影像的空间信息。利用针对于全极化SAR的超像素分割算法，实现对图像空间信息快速、有效的分割。
附图说明
图1未定标的毫米波全极化SAR图像无监督分类总体架构。
图2利用边缘约束优化处理搜索有限区域。
具体实施方式
本发明基于毫米波全极化SAR影像的无监督分类方法，具体包括以下步骤：
1)首先对未定标的全极化SAR数据进行数据压缩，使得未定标数据能够应用于特定任务。
2)利用Wishart-H/A/α无监督分类算法得到每个像素的类别属性。
3)使用自适应极化超像素生成算法(Pol-ASLIC)实现超像素分割任务，以兼顾全极化SAR数据的空间统计特性。
4)利用超像素得到的空间信息与无监督像素标签信息融合实现最终的分类任务。

Claims (5)

1.基于毫米波全极化SAR影像的无监督分类方法，其特征在于：所使用的无监督分类的总体架构中，分类任务共包括四个过程：数据压缩和相干T矩阵提取、超像素分割、无监督分类和决策综合分类；处理过程包括以下步骤：
步骤1：利用数据压缩的方法将未定标的极化数据进行线性压缩，使得全极化SAR在计算范围内；输入未定标的毫米波全极化SAR数据，将数据压缩后的毫米波全极化SAR数据；
步骤2：提取T3矩阵；输入步骤1的数据压缩后的毫米波全极化SAR数据，将数据压缩后的毫米波全极化SAR数据对应的T3矩阵；
步骤3：H/α/A分类，获得16类的无监督类别标签；输入步骤2的T3矩阵，毫米波极化SAR的无监督分类标签；
步骤4：利用wishart距离统计信息，对H/α/A分类结果进行统计整合，得到极化SAR无监督分类结果；
步骤5：利用Pol-ASLIC超像素分类算法得到初始的超像素分割结果，输入步骤2的T3矩阵，输出初始超像素分割结果；
步骤6：利用SIPV与HoM融合的方法进行阈值融合判断，对相似的初始超像素进行融合得到最终的超像素分割结果；输入步骤2的T3矩阵和步骤5的初始超像素分割结果，得到超像素分割结果；
步骤7：利用全极化SAR的无监督分类结果与超像素分割结果进行融合得到最终的无监督分类结果；输入步骤4得到的无监督分类结果和步骤6得到的超像素分割结果，得到无监督分类结果。
2.根据权利要求1所述的基于毫米波全极化SAR影像的无监督分类方法，其特征在于：极化散射矩阵S描述入射与散射电磁场之间的转化关系，假设雷达入射波和散射波为平面波，对应的Jones矢量分别为Et和Es；
在数据处理前，首先需要数据压缩，使用基于极化散射矩阵S的线性压缩。
3.根据权利要求2所述的基于毫米波全极化SAR影像的无监督分类方法，其特征在于：无监督分类过程包含以下过程：
1)基于Cloude分解的H/α/A无监督分类
Cloude分解将相干矩阵T分解为二面角、表面散射和体散射三种散射机制的加权，分解特征描述任何一种散射机制，结合Cloude分解方法实现对目标的精细分类；通过Cloude分解中H和α的求解如下：
①将相干矩阵分解为两个酉矩阵和特征值构成的对角阵相乘的形式；
②由特征值λi求散射熵H和平均散射角α；
由于特征值是旋转不变的，极化各向异性度A也是旋转不变参数；作为极化熵H参数的补充，极化各向异性度A描述由特征分解得到的第二个和第三个特征值的相对大小；引入各向异性度参数后，在不同的散射区域中识别出第二类散射目标；
2)基于Wishart度量准则的无监督分类
Wishart分类器将初始分类作为其训练样本输入，在初始聚类中心Vi的基础熵不断迭代和调整；根据分类结果更新Vi，并再次对图像进行迭代分类；迭代次数达到要求后，无监督分类停止。
4.根据权利要求1所述的基于毫米波全极化SAR影像的无监督分类方法，其特征在于：为获得超像素对合并顺序，采用超像素间的差异度量方法。
5.根据权利要求1所述的基于毫米波全极化SAR影像的无监督分类方法，其特征在于：利用边缘检测的方法，得到PolSAR图像的边缘强度图，用来补偿超像素的合并顺序；将边缘惩罚项加入到超像素不相似度度量中。
CN202011319716.XA 2020-11-23 2020-11-23 基于毫米波全极化sar影像的无监督分类方法 Pending CN112580687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011319716.XA CN112580687A (zh) 2020-11-23 2020-11-23 基于毫米波全极化sar影像的无监督分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011319716.XA CN112580687A (zh) 2020-11-23 2020-11-23 基于毫米波全极化sar影像的无监督分类方法

Publications (1)

Publication Number Publication Date
CN112580687A true CN112580687A (zh) 2021-03-30

Family

ID=75124217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011319716.XA Pending CN112580687A (zh) 2020-11-23 2020-11-23 基于毫米波全极化sar影像的无监督分类方法

Country Status (1)

Country Link
CN (1) CN112580687A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898224A (zh) * 2022-05-13 2022-08-12 北京科技大学 一种基于物理散射机制的变化检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982338A (zh) * 2012-10-25 2013-03-20 西安电子科技大学 基于谱聚类的极化sar图像分类方法
CN105138970A (zh) * 2015-08-03 2015-12-09 西安电子科技大学 基于空间信息的极化sar图像分类方法
CN106778821A (zh) * 2016-11-25 2017-05-31 西安电子科技大学 基于slic和改进的cnn的极化sar图像分类方法
CN107491734A (zh) * 2017-07-19 2017-12-19 苏州闻捷传感技术有限公司 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法
CN109145832A (zh) * 2018-08-27 2019-01-04 大连理工大学 基于dsfnn与非局部决策的极化sar图像半监督分类方法
US20200019817A1 (en) * 2018-07-11 2020-01-16 Harbin Institute Of Technology Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982338A (zh) * 2012-10-25 2013-03-20 西安电子科技大学 基于谱聚类的极化sar图像分类方法
CN105138970A (zh) * 2015-08-03 2015-12-09 西安电子科技大学 基于空间信息的极化sar图像分类方法
CN106778821A (zh) * 2016-11-25 2017-05-31 西安电子科技大学 基于slic和改进的cnn的极化sar图像分类方法
CN107491734A (zh) * 2017-07-19 2017-12-19 苏州闻捷传感技术有限公司 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法
US20200019817A1 (en) * 2018-07-11 2020-01-16 Harbin Institute Of Technology Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation
CN109145832A (zh) * 2018-08-27 2019-01-04 大连理工大学 基于dsfnn与非局部决策的极化sar图像半监督分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韦立登 等: "毫米波全极化SAR 影像无监督分类方法", 第七届高分辨率对地观测学术年会论文集, pages 1 - 25 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898224A (zh) * 2022-05-13 2022-08-12 北京科技大学 一种基于物理散射机制的变化检测方法

Similar Documents

Publication Publication Date Title
Yang et al. A novel CNN-based detector for ship detection based on rotatable bounding box in SAR images
Yang et al. CNN-based polarimetric decomposition feature selection for PolSAR image classification
Xiang et al. Adaptive superpixel generation for polarimetric SAR images with local iterative clustering and SIRV model
CN107102302B (zh) 基于非高斯参数的雷达目标融合检测方法
Xie et al. PolSAR image classification via D-KSVD and NSCT-domain features extraction
Zhang et al. Polarimetric HRRP recognition based on ConvLSTM with self-attention
CN106446935A (zh) 基于核稀疏表示和空间约束的极化sar图像分类方法
Xue et al. Dynamic coarse‐to‐fine ISAR image blind denoising using active joint prior learning
Wang et al. Feature Extraction Method for DCP HRRP-Based Radar Target Recognition via $ m-\chi $ Decomposition and Sparsity-Preserving Discriminant Correlation Analysis
Li et al. Object-oriented classification of polarimetric SAR imagery based on statistical region merging and support vector machine
CN104123563B (zh) 一种基于Cloude分解的极化SAR图像分类方法
Hua et al. Polarimetric SAR image classification based on ensemble dual-branch CNN and superpixel algorithm
Quan et al. Scattering feature-driven superpixel segmentation for polarimetric SAR images
CN112580687A (zh) 基于毫米波全极化sar影像的无监督分类方法
Liu et al. Simultaneous diagonalization of Hermitian matrices and its application in PolSAR ship detection
Zhang et al. Learning scattering similarity and texture-based attention with convolutional neural networks for PolSAR image classification
CN112215832B (zh) Sar尾迹图像质量评估及自适应探测参数调整方法
Chen et al. Experimental feature-based SAR ATR performance evaluation under different operational conditions
Bi et al. l 2, p-norm sequential bilateral 2DPCA: a novel robust technology for underwater image classification and representation
Fernández-Michelli et al. Unsupervised classification algorithm based on EM method for polarimetric SAR images
Zhang et al. Region-based classification by combining MS segmentation and MRF for POLSAR images
Mishra et al. Bistatic sar atr
Yang et al. An information-geometric optimization method for ship detection in SAR images
Zhu et al. Target classification by conventional radar based on bispectrum and deep CNN
Huang et al. An NSST-Based Fusion Method for Airborne Dual-Frequency, High-Spatial-Resolution SAR Images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination