改进三分量分解与Wishart分类法提升极化SAR建筑提取精度

本文主要探讨了一种利用改进的三分量分解和Wishart分类技术在极化合成孔径雷达（PolSAR）图像中的建筑提取方法。该研究发表于2015年的《测绘学报》卷44, 第2期，针对Freeman分解在建筑提取中可能存在的问题，作者提出了创新策略。 首先，针对传统Freeman分解在处理建筑提取时可能会受到地物复杂极化散射特性的限制，文章提出采用圆极化相关系数来增强选择性去取向能力。这种方法旨在通过利用不同极化模式之间的相关性，提高对建筑物这种特定地物的区分度，减少与其他地物如植被的混淆。 接着，文章引入了广义体散射模型，这有助于构建一个更加精确的三分量分解模型。这种改进模型考虑了更全面的地物散射特性，使得分析结果更为准确，有助于提取到更精确的建筑信息。 进一步，作者将这个改进的三分量分解模型与Wishart迭代分类算法相结合。Wishart分类是一种统计方法，常用于处理多维数据的高维稀疏性，特别是在遥感图像处理中，它能有效地处理高维极化数据，提高分类的精度和稳定性。 通过利用E-SAR全极化数据进行实验，研究结果表明，作者提出的这种方法显著减少了建筑与植被的误分类，提高了建筑信息的提取准确性。这证明了改进的三分量分解与Wishart分类策略对于极化SAR图像建筑提取的有效性和实用性。 本文的研究成果不仅提供了处理极化SAR图像中复杂地物识别的新思路，也为建筑目标的自动检测和分析提供了强有力的技术支持，对于遥感科学和技术领域具有重要的理论价值和实际应用潜力。