全极化SAR图像非监督分类的去取向理论方法

"基于去取向理论的全极化SAR图像非监督分类" 全极化合成孔径雷达（SAR）图像分析是遥感领域的重要研究方向，其可以提供丰富的地表信息，包括地物类型、纹理和结构等。然而，由于地表目标的取向具有随机性，这会导致散射回波的复杂性，使得传统的分类方法在处理这些图像时面临挑战，可能产生分类混淆。针对这一问题，本文提出了一种基于去取向理论的全极化SAR图像非监督分类方法。 首先，该方法通过极化去取向处理来减少由于目标取向不一致导致的散射差异。去取向处理旨在消除目标相对于雷达视线方向的随机取向影响，从而提取更稳定的极化特性。这一过程通常涉及对原始数据的数学变换，例如利用拉普拉斯变换或傅里叶变换等，以消除或减小因目标取向引起的极化交叉散射。 接下来，论文提取了两个关键的极化特征参数，即双极化互相关系数（II）和双极化差分熵（DD）。这两个参数能够有效地描述地物的极化特性，并且对地表目标的随机取向不敏感。同时，极化熵（IV）也被用于进一步区分不同地物的极化多样性。这些特征参数结合在一起，为非监督分类提供了有力的数据基础。 然后，利用这些特征参数，论文应用了改进的c-均值聚类算法进行初始分类。c-均值算法是一种广泛应用的聚类方法，它通过最小化类内平方和距离来确定类别中心。在本文中，为了更好地适应全极化SAR图像的特点，算法的初始类别划分基于去取向处理后的特征参数，而不是随机选择。通过迭代优化，在由u、v、H三个极化通道构成的特征空间中，算法可以更准确地对地物进行分类。 最后，为了验证所提方法的有效性，论文对NASA/JPL实验室的实测全极化SAR数据进行了实验分析。实验结果表明，基于去取向理论的非监督分类方法能够显著提高分类精度，减少地物混淆，尤其是在处理具有复杂取向的地表目标时。 这项工作为全极化SAR图像的分析提供了一个创新的非监督分类框架，特别适用于处理地表目标取向随机分布的情况。通过去取向处理和优化的c-均值算法，该方法能有效提取和利用极化信息，提高地物分类的准确性，对于地表监测和环境分析具有重要的实际应用价值。