2020, Vol. 29
2. 河南大学 实验室与设备管理处, 开封 475004
2. Dvision of Laboratory and Equipment Management, Henan University, Kaifeng 475004, China
近年来, 随着极化SAR系统的不断发展, 可用的极化SAR数据逐渐增多, 分辨率也在不断提高. 与单极化SAR相比, 极化SAR进行的是全极化测量, 可以获取更丰富的目标信息, 因此极化SAR的应用也越来越广泛[1]. 采用极化SAR图像进行地物分类是极化SAR技术在实际应用中的一个重要发展方向, 也是SAR图像解译的重要研究内容.
通常地表地物类型是草地、森林、农田、城区、水域和裸地等, 采用极化SAR图像对这些地物类型的分类研究可以在民用领域和军用领域为人们提供帮助. 在民用领域可以对农作物的生长、城市的变迁等进行监测, 也可以测量土壤水分和对矿产资源进行勘探; 在军用领域, 可以识别战略目标, 为之后的战略部署等方面提供理论依据. 由以上可知, 极化SAR图像已经成为地理环境监测的重要组成部分. 目前在区域乃至全球的地表地物分类中, 采用极化SAR图像进行地物分类表现出巨大的应用前景和潜力.
极化SAR系统按照载体的不同可以分为机载SAR[2-8]和星载SAR[9-15], 部分机载和星载极化SAR系统如表1和表2所示. 表2中, 高分三号(GF-3)卫星[15]是中国首颗民用高分辨率星载极化SAR成像卫星, 于2016年8月10日发射升空, 空间分辨率从1米到500米, 幅宽从10公里到650公里, 有聚束和超精细条带等12种成像模式. 随着极化SAR数据的增多, 如何有效地利用其数据特征实现更精确地分类成为了当今研究的热门问题.
|
表 1 典型机载极化SAR系统 |
|
|
表 2 典型星载极化SAR系统 |
本文结构安排如下: 第1节对近几年极化SAR图像地物分类方法及其应用进行总结和论述, 第2节对极化SAR图像地物分类的发展趋势进行分析, 第3节对本文进行总结.
1 极化SAR图像地物分类的方法当雷达发射的电磁波接触地物时, 不同地物对应的雷达回波信息也不同, 所以极化SAR图像中每个像元所展示的信息也不同. 对极化SAR图像进行地物分类的实质是将图像的所有像元按其性质分为若干个类别的过程, 从而达到对地物进行分类的目的.
极化SAR图像进行地物分类的基本步骤为: 预处理→特征提取→分类处理. 预处理通常包括斑点滤波、几何校正和去取向角等. 特征提取一般为纹理特征提取和极化特征提取. 纹理特征的提取方法有局部傅立叶变换、曲波变换、Gabor小波和灰度共生矩阵等[16]. 极化特征可以通过目标分解获得, 其中比较著名的分解有Pauli分解[17]、Cloude分解[17]、Krogager 分解[18]、Freeman分解[19]、SSCM分解[20]、Yamaguchi四分量分解[21,22]、Touzi分解[23]和六分量分解[24]等.
对极化SAR图像进行地物分类处理的方法多种多样, 根据所用特征信息的不同, 可以将分类方法归结为基于极化目标散射特性的分类、基于统计分析的分类、基于目标散射特性和统计方法相结合的分类. 根据分类过程中是否需要人工标记样本, 可以分为监督分类、无监督分类和半监督分类3大类. 根据处理对象的不同可以分为基于像素级和基于对象级的分类. 根据采用的技术方法的不同可以将极化SAR图像地物分类方法分为6种, 分别是主动轮廓模型法、马尔可夫随机场模型法、模糊理论法、支持向量机法、神经网络法和融合算法, 如图1所示.
|
图 1 极化SAR图像地物分类方法 |
本节从技术方法的角度出发, 对近年来不同极化SAR图像地物分类方法进行总结和论述.
1.1 基于主动轮廓模型的分类1988年, Kass等提出了一种主动轮廓模型(Active Contour Model, ACM), 该模型主要原理是通过初始化曲线, 构造能量方程式, 最小化曲线的内外部能量, 使曲线逐渐接近待检测物体的边缘, 分割出目标. ACM方法中, 按照不同的轮廓曲线表达式可分为参数主动轮廓模型(Parametric ACM, PACM)和基于水平集的几何主动轮廓模型(Geometric ACM, GACM); 按照曲线的演化方式又可分为基于边界的主动轮廓模型(Edge-based ACM, EACM)和基于区域的主动轮廓模型(Region-Based ACM, RACM)[25]. ACM方法有很强的抗噪声能力, 所以也被应用于极化SAR图像分类中[26-30]. 但是该方法的缺点是计算量大, 效率低.
2014年, 清华大学的杨健团队采用多时相水平集主动轮廓模型对AIRSAR获取的荷兰弗莱福兰极化数据进行分类处理[30]. 图2为分类结果, 其中图2(a)为C波段、L波段和P波段的波段合成图, 图2(b)为ACM分类结果.
|
图 2 基于ACM的分类结果[30] |
1.2 基于MRF模型的分类
由于相干斑噪声的存在, 基于单个像素所提供的信息对极化SAR图像进行地物分类, 通常不能得到令人满意的结果. 为了获得可靠和满意的结果, 分类最好是基于集群的统计度量, 而不是基于单个像素的度量. 马尔可夫随机场(Markov Random Field, MRF)模型是一种概率图形模型, 它可以统计像素之间的空间上下文信息, 是处理图像分类问题的强有力工具. 在MRF模型中, 图像特征被提取为特征场, 图像中所有像素类别标记的集合为标记场, 在已知特征场的前提下, 分类结果通过最大标记场概率获得. MRF因其固有的抗噪声能力和减少类内差异的影响而被广泛采用. 针对极化SAR图像地物分类问题, 各国学者提出了一系列基于MRF模型的分类方法[31-35].
2014年, Doulgeris以Radarsat-2在C波段采集的美国旧金山海湾极化SAR图像为实验数据, 采用MRF模型提取上下文信息, 对地物进行分类[35]. 图3为MRF分类结果, 其中图3(a)为Pauli图像, 图3(b)为分类图像, 从分类图像中可以看出有取向角的建筑物和森林植被可以被区分开来, 提高了分类精度.
|
图 3 基于MRF的分类结果[35] |
1.3 基于模糊理论的分类
传统的极化SAR图像地物分类方法是为每个像元指定一个特定的类, 但是极化SAR图像中的一个像元可能包含多个地物类别, 对这类像元的分类会影响最终的分类精度, 采用模糊理论可以较好的解决此问题. 模糊理论思想是用0–1之间的值表示每个像元属于每个类的程度, 这些值被称为隶属度, 每个像元属于所有类的隶属度之和为1, 最终用隶属度的大小确定像元所属的分类. 经过多年发展, 模糊理论已经广泛用于极化SAR图像地物分类[36-40]. 本节将介绍FCM (Fuzzy C-Means, FCM)和最近邻方法在极化SAR图像地物分类中的应用.
1.3.1 基于FCM的分类FCM算法的思想是把n个数据集合A={a1, a2, ···, an}分成C个模糊组, 对每个数据集可用值在0~1之间的隶属度来确定其属于各个组的程度, 通过迭代使得非相似性指标的价值函数达到最小, FCM流程图如图4所示.
|
图 4 FCM流程图 |
2009年, 杨然等用模糊分类方法下的FCM算法与Yamaguchi分解相结合, 提出了一种新的分类模型[39]. 该模型把四个散射分量组成一组归一化的特征矢量, 进行FCM聚类分析, 并且用日本机载L波段PiSAR数据验证了该算法具有较高的分类精度和较好的视觉效果. 图5是FCM分类结果, 其中图5(a)为Niigata地区的极化合成图, A区为森林, B区为人工建筑, C区为河流, D区和E区都是耕地. 图5(b)是FCM分类结果.
|
图 5 基于FCM的分类结果[39] |
1.3.2 基于最近邻的分类
最近邻分类的原理是通过确定分类类别, 选择正确的不同类别样本, 计算测试样本与所有样本之间的距离, 并将距离转换为0–1之间隶属度, 如果隶属度大于设定的隶属度阈值, 则测试样本属于与它距离最近的样本所属的类别.
2018年, 陆翔等采用极化目标分解得到的极化散射特性和用灰度共生矩阵提取的纹理信息作为特征, 应用模糊分类方法下的最近邻分类器对TerraSAR-X在X波段采集的云南西双版纳勐腊县极化SAR图像进行地物分类, 图6为分类结果[40]. 其中图6(a)是勐腊县光学影像, 图6(b)为地物分类结果图, 图6(c)为不同地物的颜色表示.
|
图 6 基于最近邻的分类结果[40] |
1.4 基于支持向量机的分类
支持向量机(Support Vector Machines, SVM)是一种性能很强的分类器, 它的基本思想为: 建立一个分类超平面作为决策曲面, 使得不同样本的隔离边缘最大. 如图7所示, 圆圈和正方形分别代表了两种类型的样本, H为分类超平面, H1与H2为通过各类样本中最边缘的点, 且与H相互平行、距离相等的平面, 它们之间的距离是分类间隔. 最优分类超平面就是以最大间隔将两类样本分开的超平面. 1999年, Vapnik团队第一次将SVM用到图像的分类当中[41]. 经过多年的发展, SVM也广泛用于极化SAR图像的分类中[42-47].
2019年, 张腊梅提出了一种改进的SVM算法, 该算法结合了Pinball损失函数, 并将多成分目标分解, H/A/
|
图 7 最优分类超平面示意图 |
|
图 8 基于SVM的分类结果[42] |
1.5 基于神经网络的分类
传统分类算法在进行极化SAR图像地物分类时, 需要人工提取分类特征, 而神经网络是一种以人脑为模型的机器学习算法, 可以自动的提取分类特征, 在特征学习时不需要过多的人工干预, 通过对大量样本进行内部特征分析, 可以得到更好的分类效果. 1991年, Pottier等第一次利用人工多层感知神经网络对极化SAR图像进行了分类研究. 经过多年的发展, 神经网络算法已经广泛用于极化SAR图像的分类当中[48-59].
2018年, 张腊梅等将传统卷积神经网络改进为三维卷积神经网络(3D CNN)[57]. 并对UAVSAR系统采集的美国旧金山海湾某港口极化SAR图像进行地物分类, 该地区地物种类丰富, 共有11种地物类型, 包括浅海、海洋、森林、人造目标、道路、植被、平坦裸地、粗糙裸地及3种农田地区, 分类结果如图9所示, 其中图9(a)是Pauli图像, 图9(b)是三维卷积神经网络分类图像.
|
图 9 基于3D CNN的分类结果[57] |
2019年, 刘旭等提出了采用极化卷积神经网络(Polarimetric Convolutional Network, PCN)对极化SAR图像进行地物分类的方法[58]. 该方法采用极化散射编码方式来处理极化散射矩阵, 该编码模式可以完全保持散射矩阵的极化信息, 避免了将矩阵分解成一维向量, 并获得一个二维矩阵. 针对这种编码模式, 刘旭等人设计了一种基于卷积神经网络的算法, 并将其命名为PCN, 用于对极化SAR图像进行分类处理. 图10展示了RadarSat-2在C波段获取的荷兰弗莱福兰极化SAR图像进行分类处理的结果. 其中图10(a)是荷兰弗莱福兰Pauli分解图像, 图10(b)是PCN分类结果, 图10(c)为不同地物的颜色表示. 结果表明该方法取得了较好的分类效果, 具有巨大的极化SAR数据分类潜力.
1.6 基于融合算法的分类上述各种算法都有其固有的特点, 在极化SAR图像地物分类中也都取得了有效的研究成果, 推动了极化SAR图像地物分类的发展, 基于上述分类方法的不同特点, 研究者们提出将两种或多种算法进行融合, 以提高分类精度[60-66].
|
图 10 基于PCN的分类结果[58] |
2018年, Xie等提出了一种新的极化SAR图像分类模型, 该模型首先结合Wishart分布与自动编码器(Auto-Encoder, AE)神经网络提出了WAE (Wishart-Auto-Encoder)分类模型, 之后又结合K-means聚类算法提出了Clustering-WAE分类模型以提高分类能力[62]. 并对RadarSat-2采集的西安地区极化SAR图像进行地物分类处理, 结果如图11所示. 其中图11(a)是西安地区Pauli分解图, 图11(b)~图11(e)分别是K-means算法、Wishart算法、AE算法、WAE算法分类结果, 图11(f)是Clustering-WAE融合算法分类结果, 图11(g)为不同地物的颜色表示. 分类结果表示, Clustering-WAE融合算法分类效果要优于其他算法.
2018年, Guo等将模糊理论应用到超像素提取中, 采用FCM算法并对ESAR获取的德国奥伯菲芬-霍芬地区极化SAR图像进行模糊超像素提取, 之后采用SVM对图像进行地物分类[63], 结果如图12所示. 其中图12(a)是Pauli图像; 图12(b)是地面真实图; 图12(c)超像素提取结果图; 图12(d)为分类结果与地面真实地物比较图, 图中黑色部分表示分类结果与地面真实地物不一致; 图12(e)是不同地物的颜色表示.
1.7 各方法优缺点上述各方法在极化SAR图像地物分类中都有其优缺点, 具体如表3所示.
|
图 11 西安地区地物分类图[62] |
这些方法中, 主动轮廓模型因考虑了轮廓内外部信息, 可以获得较为平滑的分割轮廓, 但是其计算量大, 且易受噪声影响, 该方法适用于较均匀, 场景较小的图像. MRF模型在图像分类时考虑了像素点的空间上下文信息, 所以其抗噪声能力强, 但是计算量较大, 也只适用于场景较小的图像. 模糊理论可以解决图像中的模糊像素问题, 但只适用于分辨率较低的图像. 神经网络整体分类精度高, 对噪声有很强的鲁棒性, 但是需要大量样本集进行训练, 所以适用于有大量样本集的场景. 相比于神经网络, 支持向量机适用于小样本集的场景, 但是该方法中的一些参数需要凭实验和经验来进行设置. 融合算法可以综合多种算法的优点, 但是其算法复杂度较高, 根据其算法的不同, 不同的融合算法也适用于不同的场景.
|
图 12 奥伯菲芬-霍芬地区地物分类图[63] |
|
|
表 3 分类方法优缺点 |
2 极化SAR图像地物分类发展趋势
在极化SAR图像分类中, 基于SVM、MRF模型、模糊理论、神经网络等的分类方法仍是主流方法, 也取得了不错的分类效果, 但是仍然存在一些困难, 如计算量大、分类特征不多、不适用于复杂环境等. 而且在进行分类时, 分类的效果会与相干斑噪声、雷达的工作波段以及地物的类型等因素有关. 随着极化SAR图像地物分类技术的发展, 更多研究人员将深度学习技术, 多波段融合技术引入到极化SAR图像地物分类当中, 并着力于发现新的分类特征. 这些不断涌现的新思路、新方法指示着未来极化SAR图像地物分类的发展趋势, 大致可以归为以下几点.
2.1 新的分类特征在极化SAR图像地物分类中, 特征提取是其中重要的步骤, 常用的分类特征有纹理特征和极化特征. 基于这些特征, 研究者们结合着分类器对极化SAR图像进行地物分类, 近年来, 一些新的分类特征不断涌现, 以提高分类性能.
2014年, Uhlmann等利用伪彩图提取强大的颜色特征, 并首次将其用于极化SAR图像地物分类, 结果表明, 颜色特征具有较好的鲁棒性, 受图像的噪声等因素的影响非常小[67]. 之后, 研究者们也逐渐将颜色特征引入到极化SAR图像的分类当中. 如沈璐等于2017年提取颜色特征和极化特征组成特征向量, 采用SVM分类器对极化SAR图像进行分类[68]. 除颜色特征外, Liu等于2019年利用极化散射编码提取稀疏散射编码特征, 这种特征可以保持数据的空间结构[58].
以上研究者们所提出的新的分类特征在实际应用中都取得了非常显著的分类效果, 所以新的分类特征的发现与引入将是极化SAR图像地物分类中的主要发展趋势.
2.2 深度学习采用传统的神经网络对极化SAR图像进行地物分类虽然能提取出分类特征, 但是没有考虑到图像本身的二维空间信息, 而深度学习使用多层神经网络对图像进行特征学习, 可以提取出更高级的特征, 充分挖掘数据信息, 很大程度上提高了分类精度, 分类结果也表现更加稳定. 深度学习也是目前极化SAR图像地物分类中, 最常用和分类效果最好的方法.
目前, 有大量研究者们采用深度学习方法对极化SAR图像进行地物分类. 如2016年, Liu等采用深度置信网络(Deep Belief Network, DBN)对西安地区极化SAR图像进行地物分类[69]. 2016年, Jiao等结合深度堆叠网络(Deep Stacking Network, DSN)和Wishart距离提出了W-DSN模型, 并对荷兰弗莱福兰极化SAR图像进行分类[60]. 2019年, Liu等采用生成对抗网络(Generative Adversarial Network, GAN)对西安地区极化SAR图像进行地物分类[70]. 这些深度学习方法在极化SAR图像地物分类过程中都取得了非常精确的分类效果.
由上述可知, 深度学习方法已经成为目前极化SAR图像地物分类的主流方法. 可是深度学习依靠大量样本的学习, 目前公开的极化SAR图像地物样本数据集少之又少, 研究者们应首先考虑如何做出一个具有代表性的极化SAR图像地物样本数据集.
2.3 多波段融合极化SAR图像成像信息不仅与地物类型有关, 还与雷达发射波的波长有关, 不同波段的极化SAR其传输特性、目标回波的后向散射特性等不同, 相同的物体也有可能呈现不同的表现形式[71]. 在地物分类方面, 不同波段的极化SAR数据, 在实际测量中有着不同的优势, 如高频波段极化SAR图像对地物的纹理描述清晰, 有利于区分纹理差异较大的地物, 如城区和裸地等. 低频波段极化SAR图像对地物湿度和植被情况比较敏感, 有利于区分具有不同含水量的地物, 如旱地和沼泽地等.
综上所述, 不同波段的极化SAR系统在实际测量中都有其特点和优势, 因此研究者们利用信息融合技术将多波段极化SAR图像进行波段融合, 获取更丰富的目标信息以获得更好的地物分类效果. 如2014年, 杨健团队将C波段、L波段和P波段极化SAR图像进行融合, 之后采用水平集方法对地物进行分类, 结果表明相比于单波段极化SAR数据, 采用组合多波段数据进行地物分类的效果更好[30]. 因此, 将同一地区多波段数据进行融合也是未来极化SAR图像地物分类中的重要发展方向.
但是, 由于目前绝大多数星载极化SAR系统的工作波段只有一个, 所以获取同一地区的星载极化SAR多波段数据就变得尤为困难, 就极化SAR系统的发展趋势而言, 多波段星载极化SAR系统是未来的主要发展趋势.
3 结束语本文首先介绍了采用极化SAR图像进行地物分类的好处和重要性, 总结了近年来在国内外公开发表的基于极化SAR图像进行地物分类的研究成果, 并对其研究成果进行了简要概述. 基于这些方法的大量研究, 许多创新方法也在不断涌现, 如引入新的分类特征; 将深度学习技术引入到分类当中; 利用信息融合技术将多波段数据进行波段融合, 这些方法都极大推动了极化SAR图像分类的发展.
纵观极化SAR图像地物分类史, 新的研究成果在不断增加地物分类的准确度, 也在不断增强着地物分类的实用性. 但是仍然存在一些问题, 如怎样选取最适合的分类特征、同一地区多波段数据不多、如何更好地去除相干斑噪声等, 因此要加强对极化SAR技术的研究, 获取更深层次的成果. 相信在不久的将来, 极化SAR图像分类方法研究会越来越完善, 分类效果越来越精确.
| [1] |
王超, 张红, 陈曦, 等. 全极化合成孔径雷达图像处理. 北京: 科学出版社, 2008.
|
| [2] |
Van Zyl J, Carande R, Lou Y, et al. The NASA/JPL three-frequency polarimetric AIRSAR system. Proceedings of 1992 International Geoscience and Remote Sensing Symposium. Houston, TX, USA. 1992. 649–651.
|
| [3] |
Rosen PA, Hensley S, Wheeler K, et al. UAVSAR: A new NASA airborne SAR system for science and technology research. Proceedings of 2006 IEEE Conference on Radar. Verona, Italy. 2006. 22–29.
|
| [4] |
黄铁青, 赵涛, 翟金良, 等. 发挥空间信息技术优势, 服务汶川抗震救灾决策——中国科学院利用遥感与地理信息技术为汶川地震抗震救灾和恢复重建提供决策服务纪略. 遥感技术与应用, 2008, 23(4): 486-492. DOI:10.11873/j.issn.1004-0323.2008.4.486 |
| [5] |
Horn R, Nottensteiner A, Reigber A, et al. F-SAR-DLR’s new multifrequency polarimetric airborne SAR. Proceedings of 2009 IEEE International Geoscience and Remote Sensing Symposium. Cape Town, South Africa. 2009. II-902–II-905.
|
| [6] |
Uratsuka S, Satake M, Kobayashi T, et al. High-resolution dual-bands interferometric and polarimetric airborne SAR (Pi-SAR) and its applications. Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Toronto, ON, Canada. 2002. 1720–1722.
|
| [7] |
Horn R. The DLR airborne SAR project E-SAR. Proceedings of 1996 International Geoscience and Remote Sensing Symposium. Lincoln, NE, USA. 1996. 1624–1628.
|
| [8] |
Christensen EL, Dall J, Skou N, et al. EMISAR: C- and L-band polarimetric and interferometric SAR. Proceedings of 1996 International Geoscience and Remote Sensing Symposium. Lincoln, NE, USA. 1996. 1629–1632.
|
| [9] |
Melsheimer C, Bao MQ, Alpers W. Imaging of ocean waves on both sides of an atmospheric front by the SIR‐C/X‐SAR multifrequency synthetic aperture radar. Journal of Geophysical Research, 1998, 103(C9): 18839-18849. DOI:10.1029/98JC00457 |
| [10] |
Rosenqvist A, Shimada M, Ito N, et al. ALOS PALSAR: A pathfinder mission for global-scale monitoring of the environment. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3307-3316. DOI:10.1109/TGRS.2007.901027 |
| [11] |
廖明生, 田馨, 赵卿. TerraSAR-X/TanDEM-X雷达遥感计划及其应用. 测绘信息与工程, 2007, 32(2): 44-46. DOI:10.3969/j.issn.1007-3817.2007.02.019 |
| [12] |
Misra T, Kirankumar AS. RISAT-1: Configuration and performance evaluation. Proceedings of the 2014 31th URSI General Assembly and Scientific Symposium. Beijing, China. 2014. 1–4.
|
| [13] |
Kankaku Y, Suzuki S, Osawa Y. ALOS-2 mission and development status. Proceedings of 2013 IEEE International Geoscience and Remote Sensing Symposium. Melbourne, VIC, Australia. 2013. 2396–2399.
|
| [14] |
Chabot M, Decoust C, Ledantec P, et al. RADARSAT-2 system operations and performance. Proceedings of 2014 IEEE Geoscience and Remote Sensing Symposium. Quebec City, QB, Canada. 2014. 994–997.
|
| [15] |
庞丹, 潘晨, 紫晓. 高分三号: 辽阔疆域的“守望者”——写在高分三号卫星发射成功之时. 中国航天, 2016(9): 8-12. |
| [16] |
刘丽, 匡纲要. 图像纹理特征提取方法综述. 中国图象图形学报, 2009, 14(4): 622-635. DOI:10.11834/jig.20090409 |
| [17] |
Cloude SR, Pottier E. A review of target decomposition theorems in radar polarimetry. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498-518. DOI:10.1109/36.485127 |
| [18] |
Krogager E. New decomposition of the radar target scattering matrix. Electronics Letters, 1990, 26(18): 1525-1527. DOI:10.1049/el:19900979 |
| [19] |
Freeman A, Durden SL. A three-component scattering model for polarimetric SAR data. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973. DOI:10.1109/36.673687 |
| [20] |
Touzi R, Charbonneau F. Characterization of symmetric scattering using polarimetric SARs. Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Toronto, ON, Canada. 2002. 414–416.
|
| [21] |
Yamaguchi Y, Moriyama T, Ishido M, et al. Four-component scattering model for polarimetric SAR image decomposition. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699-1706. DOI:10.1109/TGRS.2005.852084 |
| [22] |
Yamaguchi Y, Sato A, Sato R, et al. Four-component scattering power decomposition with rotation of coherency matrix. Proceedings of 2010 IEEE International Geoscience and Remote Sensing Symposium. Honolulu, HI, USA. 2010. 1327–1330.
|
| [23] |
Touzi R. Target scattering decomposition in terms of roll-invariant target parameters. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(1): 73-84. DOI:10.1109/TGRS.2006.886176 |
| [24] |
Singh G, Yamaguchi Y. Model-based six-component scattering matrix power decomposition. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(10): 5687-5704. DOI:10.1109/TGRS.2018.2824322 |
| [25] |
牛世林, 郭拯危, 李宁, 等. 星载SAR水域分割研究进展与趋势分析. 聊城大学学报(自然科学版), 2018, 31(2): 72-86. |
| [26] |
杨新, 黄顺吉. 应用变分法的极化SAR图像分类方法研究. 电波科学学报, 2008, 23(4): 736-739. DOI:10.3969/j.issn.1005-0388.2008.04.028 |
| [27] |
Silveira M, Heleno S. Separation between water and land in SAR images using region-based level sets. IEEE Geoscience and Remote Sensing Letters, 2009, 6(3): 471-475. DOI:10.1109/LGRS.2009.2017283 |
| [28] |
Yin JJ, Yang J. Wishart distribution based level set method for polarimetric SAR image segmentation. Proceedings of 2011 International Conference on Electronics, Communica-tions and Control. Ningbo, China. 2011. 2999–3002.
|
| [29] |
Celik T, Ma KK. Multitemporal image change detection using undecimated discrete wavelet transform and active contours. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(2): 706-716. DOI:10.1109/TGRS.2010.2066979 |
| [30] |
Yin JJ, Yang J. A modified level set approach for segmentation of multiband polarimetric SAR images. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 7222-7232. DOI:10.1109/TGRS.2014.2309725 |
| [31] |
Dong Y, Milne AK, Forster BC. Segmentation and classification of vegetated areas using polarimetric SAR image data. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(2): 321-329. DOI:10.1109/36.905240 |
| [32] |
Wu YH, Ji KF, Yu WX, et al. Region-based classification of polarimetric SAR images using Wishart MRF. IEEE Geoscience and Remote Sensing Letters, 2008, 5(4): 668-672. DOI:10.1109/LGRS.2008.2002263 |
| [33] |
张涛, 胡风明, 杨汝良. 采用自适应邻域马尔可夫场的极化SAR图像分割. 测试技术学报, 2009, 23(5): 462-465. DOI:10.3969/j.issn.1671-7449.2009.05.017 |
| [34] |
Liu GF, Li M, Wu Y, et al. PolSAR image classification based on Wishart TMF with specific auxiliary field. IEEE Geoscience and Remote Sensing Letters, 2014, 11(7): 1230-1234. DOI:10.1109/LGRS.2013.2290066 |
| [35] |
Doulgeris AP. An automatic u-distribution and markov random field segmentation algorithm for PolSAR images
. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(4): 1819-1827. DOI:10.1109/TGRS.2014.2349575 |
| [36] |
Du L, Lee JS, Mango SA. Fuzzy classification of earth terrain covers using multi-look polarimetric SAR image data. Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Tokyo, Japan. 1993. 1602–1604.
|
| [37] |
Rignot E, Chellappa R, Dubois P. Unsupervised segmentation of polarimetric SAR data using the covariance matrix. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(4): 697-705. DOI:10.1109/36.158863 |
| [38] |
Kersten PR, Lee JS, Ainsworth TL. Unsupervised classification of polarimetric synthetic aperture radar images using fuzzy clustering and EM clustering. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3): 519-527. DOI:10.1109/TGRS.2004.842108 |
| [39] |
杨然, 李坤, 涂志刚, 等. 基于Yamaguchi分解模型的全极化SAR图像分类. 计算机工程与应用, 2009, 45(36): 5-7, 85. DOI:10.3778/j.issn.1002-8331.2009.36.002 |
| [40] |
陆翔, 章皖秋, 郑雅兰, 等. 特征选择的全极化SAR影像面向对象土地覆盖分类. 航天返回与遥感, 2018, 39(2): 93-103. DOI:10.3969/j.issn.1009-8518.2018.02.011 |
| [41] |
Chapelle O, Haffner P, Vapnik VN. Support vector machines for histogram-based image classification. IEEE Transactions on Neural Networks, 1999, 10(5): 1055-1064. DOI:10.1109/72.788646 |
| [42] |
张腊梅, 张思雨, 董洪伟, 等. 基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类. 雷达学报, 2019, 8(4): 448-457. DOI:10.12000/JR19055 |
| [43] |
张肖敏, 王鹏, 白艳萍. 基于改进的PSO-SVM的SAR图像分类识别. 重庆理工大学学报(自然科学), 2018, 32(8): 165-169. |
| [44] |
耿艳萍, 张建英. Lib SVM在彩色图像分类中的应用. 无线互联科技, 2018, 15(16): 134-136. DOI:10.3969/j.issn.1672-6944.2018.16.059 |
| [45] |
Maghsoudi Y, Collins MJ, Leckie DG. RadarSat-2 polarimetric SAR data for boreal forest classification using SVM and a wrapper feature selector. IEEE Journal Of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(3): 1531-1538. DOI:10.1109/JSTARS.2013.2259219 |
| [46] |
Guo J, Wei PL, Liu J, et al. Crop classification based on differential characteristics of H/α scattering parameters for multitemporal quad- and dual-polarization SAR images
. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(10): 6111-6123. DOI:10.1109/TGRS.2018.2832054 |
| [47] |
Pham MT. Fusion of polarimetric features and structural gradient tensors for VHR PolSAR image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(10): 3732-3742. DOI:10.1109/JSTARS.2018.2868545 |
| [48] |
del Frate F, Petrocchi A, Lichtenegger J, et al. Neural networks for oil spill detection using ERS-SAR data. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2282-2287. DOI:10.1109/36.868885 |
| [49] |
Zhang L, Ma WP, Zhang D. Stacked sparse autoencoder in PolSAR data classification using local spatial information. IEEE Geoscience and Remote Sensing Letters, 2016, 13(9): 1359-1363. DOI:10.1109/LGRS.2016.2586109 |
| [50] |
Chen YQ, Jiao LC, Li YY, et al. Multilayer projective dictionary pair learning and sparse autoencoder for PolSAR image classification. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12): 6683-6694. DOI:10.1109/TGRS.2017.2727067 |
| [51] |
Wang YY, Wang C, Zhang H. Integrating H-A-α with fully convolutional networks for fully PolSAR classification. Proceedings of 2017 International Workshop on Remote Sensing with Intelligent Processing. Shanghai, China. 2017. 1–4.
|
| [52] |
Hou B, Wu Q, Wen ZD, et al. Robust semisupervised classification for PolSAR image with noisy labels. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(11): 6440-6455. DOI:10.1109/TGRS.2017.2728186 |
| [53] |
Mei X, Nie W, Liu JY, et al. PolSAR image crop classification based on deep residual learning network. Proceedings of the 2018 7th International Conference on Agro-geoinformatics. Hangzhou, China. 2018. 1–6.
|
| [54] |
De S, Bruzzone L, Bhattacharya A, et al. A novel technique based on deep learning and a synthetic target database for classification of urban areas in PolSAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(1): 154-170. DOI:10.1109/JSTARS.2017.2752282 |
| [55] |
Wu WJ, Li HL, Zhang L, et al. High-resolution PolSAR scene classification with pretrained deep convnets and manifold polarimetric parameters. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(10): 6159-6168. DOI:10.1109/TGRS.2018.2833156 |
| [56] |
Si WC, Chen ST. PolSAR Image classification using polarimetric-feature-driven deep convolutional neural network. IEEE Geoscience and Remote Sensing Letters, 2018, 15(4): 627-631. DOI:10.1109/LGRS.2018.2799877 |
| [57] |
张腊梅, 陈泽茜, 邹斌. 基于3D卷积神经网络的PolSAR图像精细分类(特邀). 红外与激光工程, 2018, 47(7): 7-14. |
| [58] |
Liu X, Jiao LC, Tang X, et al. Polarimetric convolutional network for PolSAR image classification. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(5): 3040-3054. DOI:10.1109/TGRS.2018.2879984 |
| [59] |
Zhou Y, Wang HP, Xu F, et al. Polarimetric SAR image classification using deep convolutional neural networks. IEEE Geoscience and Remote Sensing Letters, 2016, 13(12): 1935-1939. DOI:10.1109/LGRS.2016.2618840 |
| [60] |
Jiao LC, Liu F. Wishart deep stacking network for fast PolSAR image classification. IEEE Transactions on Image Processing, 2016, 25(7): 3273-3286. DOI:10.1109/TIP.2016.2567069 |
| [61] |
Song WY, Li M, Zhang P, et al. Unsupervised PolSAR image classification and segmentation using Dirichlet process mixture model and Markov random fields with similarity measure. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(8): 3556-3568. DOI:10.1109/JSTARS.2017.2684301 |
| [62] |
Xie W, Xie ZW, Zhao F, et al. PolSAR image classification via clustering-WAE classification model. IEEE Access, 2018, 6: 40041-40049. DOI:10.1109/ACCESS.2018.2852768 |
| [63] |
Guo YW, Jiao LC, Wang S, et al. Fuzzy superpixels for polarimetric SAR images classification. IEEE Transactions on Fuzzy Systems, 2018, 26(5): 2846-2860. DOI:10.1109/TFUZZ.2018.2814591 |
| [64] |
Song WY, Li M, Zhang P, et al. Mixture WGΓ-MRF model for PolSAR image classification. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(2): 905-920. DOI:10.1109/TGRS.2017.2756621 |
| [65] |
Bi HX, Sun J, Xu ZB. A graph-based semisupervised deep learning model for PolSAR image classification. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(4): 2116-2132. DOI:10.1109/TGRS.2018.2871504 |
| [66] |
胡涛, 李卫华, 秦先祥, 等. 基于深度卷积神经网络和条件随机场模型的PolSAR图像地物分类方法. 雷达学报, 2019, 8(4): 471-478. DOI:10.12000/JR18065 |
| [67] |
Uhlmann S, Kiranyaz S. Integrating color features in polarimetric SAR image classification. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(4): 2197-2216. DOI:10.1109/TGRS.2013.2258675 |
| [68] |
卜丽静, 黄鹏艳, 沈璐. 一种结合颜色特征的PolSAR图像分类方法. 国土资源遥感, 2017, 29(3): 59-64. DOI:10.6046/gtzyyg.2017.03.08 |
| [69] |
Liu F, Jiao LC, Hou B, et al. POL-SAR image classification based on Wishart DBN and local spatial information. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(6): 3292-3308. DOI:10.1109/TGRS.2016.2514504 |
| [70] |
Liu F, Jiao LC, Xu T. Task-oriented GAN for PolSAR image classification and clustering. IEEE Transactions on Neural Networks and Learning Systems, 2019, 30(9): 2707-2719. DOI:10.1109/TNNLS.2018.2885799 |
| [71] |
赵竞超, 蔺素珍, 李大威, 等. 多波段图像融合的直觉模糊化处理方法比较. 红外技术, 2018, 40(9): 881-886. |