极化SAR图像非监督分类：散射模型与Wishart融合策略

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。