极化SAR图像非监督分类:散射模型与Wishart融合策略

2 下载量 4 浏览量 更新于2024-08-28 收藏 1.96MB PDF 举报
本文主要探讨了一种结合散射模型与Wishart分类的极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)图像非监督分类方法。在传统的极化SAR图像处理中,图像分类是一个关键环节,它有助于提取地表信息和理解目标特性。本文的主要贡献在于提出一种创新的策略来优化这个过程。 首先,作者采用去取向三分量散射模型作为初步分类工具。这个模型是基于极化SAR数据的多角度分析,通过将每个像素分为三个基本散射类型(如单极化、双极化和体散射)以及混合散射类型,简化了复杂的散射现象。去取向处理消除了地物极化方向对分类的影响,提高了分类的准确性。 接着,作者在基本散射类型内部,根据占优散射机制的功率进行细化分类。这一步骤旨在进一步区分不同类型的地物,比如区分植被、水体和建筑物等,依据它们的特定散射特性,如后向散射、横波散射或表面反射。 随后,Wishart分类器被引入进来。Wishart分布是多维概率分布,常用于处理高维数据,如多通道极化SAR数据。通过对细分类结果应用Wishart距离,分类器可以衡量不同类别的相似性,并进行类别合并,以达到预设的类别数量。这种方法能够有效地整合类似但不完全相同的地物类别,提高分类的稳定性和精度。 最后,针对四种散射类型的像素,作者采用了Wishart迭代过程,这是一种迭代优化技术,进一步优化了分类结果。这种迭代方法有助于减少误分类和体散射的过度估计,提高了分类的精确度。 为了验证这种方法的有效性,研究者使用了美国AIRSAR机载系统的实际测量数据进行实验。通过与现有的分类方法进行对比,结果显示,本文提出的散射模型与Wishart分类相结合的方法显著提升了极化SAR图像的分类性能,尤其是在减少体散射误差方面表现优异。 总结来说,本文的核心内容包括了极化SAR图像处理中的重要概念——散射模型、三分量分解、去取向处理以及Wishart分类,这些技术被巧妙地结合起来,提供了一种有效的非监督分类方法,适用于处理复杂多样的极化SAR图像数据。通过实验验证,这种方法在提升分类精度和减少误判方面展现出了显著的优势。