全极化SAR图像分类新法：H/Alpha/A分解与WMRF的融合

本文探讨了一种创新的全极化合成孔径雷达（SAR）图像分类方法，发表在2011年的《武汉大学学报·信息科学版》第36卷第3期。研究者们提出了将H/Alpha/A极化目标分解与马尔科夫随机场（Markov Random Field, MRF）相结合的非监督分类技术。H/Alpha/A分解是一种根据地物散射机制对极化数据进行分析的方法，它能区分不同类型的地物，如植被、水体和建筑物等，从而获取初始的分类结果。 首先，作者基于地物的散射特性，通过H/Alpha/A分解来获取每个像素的初步分类。这种方法能够捕捉到地物的独特极化特性，例如，对于植被，其反射特征在H、Alpha和Alpha散射角上有所不同。然后，利用Wishart分布这一统计模型，通过最大似然估计进行迭代聚类，进一步优化分类结果。Wishart分布适用于多视角全极化图像的协方差矩阵描述，有助于提高分类的准确性和稳定性。 接着，作者引入了WMRF（Wishart Markov Random Field），这是一种将概率模型和图形结构结合的统计方法，用于建立像素间的依赖关系。通过迭代条件模型（Iterative Conditional Modes, ICM）求解最大后验概率问题，这有助于减少对初始分割的敏感性，提高最终分类的精度和一致性。 通过NASA/JPL实验室的实证数据验证，这种方法展现出良好的分类性能和较高的分类精度，尤其是在处理没有明确标注样本的非监督场景中，其自动化程度较高，且能有效克服监督分类对先验知识和大量训练样本的依赖。相比于传统的基于极化特征的监督分类，这种方法提供了一种更为灵活且有效的全极化SAR图像分类策略。 本研究的关键在于利用极化目标分解的物理特性，结合Wishart分布和马尔科夫随机场，开发出一种适应性强、分类精度高的全极化SAR图像非监督分类算法，为SAR图像的自动解读和理解提供了新的思路和技术支持。