基于Hα和改进C均值的全极化SAR图像非监督分类方法

"这篇论文介绍了一种基于Hα分解和改进C均值的全极化合成孔径雷达（PolSAR）图像非监督分类方法，适用于地物分类。该方法首先利用Hα分解分析全极化SAR图像的散射特性，然后结合改进的C均值聚类算法进行类别划分，通过新的迭代终止准则优化聚类过程。实验结果证明了这种方法在保持物理散射机理的同时能有效实现地物分类。" 详细说明： 1. Hα分解：Hα分解是一种用于极化SAR图像处理的技术，它基于散射机理，能够提取图像中的不同散射成分，帮助识别地表特征。Hα表示的是Hermite矩阵的α阶元素，可以揭示图像中各种散射机制，如双线性、单散射和多散射等，这对于理解地表的物理属性至关重要。 2. 全极化SAR图像：全极化SAR图像包含了多种极化状态下的雷达回波信息，如HH、HV、VV和 VH等，这些信息提供了丰富的地表特征，使得非监督分类更加准确。 3. C均值聚类算法：C均值聚类是一种广泛应用的数据分割算法，它通过最小化类内平方误差和最大化类间距离来确定聚类中心。然而，标准C均值算法可能会陷入局部最优，因此需要改进。 4. 改进的C均值算法：在本文中，作者提出了改进的C均值算法，其关键在于如何确定迭代次数。论文提出了一个新的迭代终止准则，即利用图像熵来判断聚类是否收敛。这有助于避免过早停止或无限循环，提高分类的稳定性和准确性。 5. 非监督分类：非监督分类是遥感图像处理中的一种技术，它不需要预先标记的训练样本，而是根据图像数据自身的相似性进行自动分组。 6. 实验验证：作者使用NASA/JPL实验室的AIRSAR系统获取的L波段旧金山全极化SAR数据进行了实验，结果表明，提出的分类方法在保留物理散射特性的同时，提高了地物分类的效能。 7. 关键词：涉及的主要概念包括极化合成孔径雷达（PolSAR）、极化分解、非监督分类以及图像熵，这些都是遥感图像处理和模式识别领域的关键点。 8. 应用领域：这种方法对于环境监测、灾害评估、地理信息系统（GIS）以及军事侦察等应用具有重要意义，因为它能够提供高分辨率和高精度的地表信息。 这篇论文介绍的非监督分类方法结合了Hα分解的物理解释力和改进C均值聚类的高效性，为全极化SAR图像的地物分类提供了一个有力的工具。这种方法有助于提升遥感图像分析的准确性和实用性，特别是在复杂地形和地物识别场景下。