近些年，利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据，利用不同的特征提取算法提取特征，并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数，采用灰度共生矩阵提取纹理特征参数；然后将提取的所有特征进行不同的组合，构成不同的特征集；最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差；利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果；综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果，总体精度和Kappa系数可以达到94.44%和0.9305，表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.
2021-12-09 21:38:54
2.63MB
1
matlab
佛度的代码全极化
SAR
数据
(MF4CF)
的无模型
4
分量散射功率分解
一般信息
极化合成Kong径雷达
(PolSAR)
数据的目标分解方法解释了来自目标的散射信息。
在MF4CF中，非常规3D
Barakat偏振度用于获得散射电磁波的偏振态。
3D
Barakat
偏振度用于获得偶数反弹、奇数反弹和漫射散射功率分量。
与此同时，计算了目标散射不对称的度量，然后适当地利用它来获得螺旋功率。
所有的功率分量都是滚动不变的、非负的和明确的。
功能流程图
算法
无监督聚类
clustering_four_component.m
中提供了不同散射机制的无监督clustering_four_component.m
。
不同簇与散射功率分量的物理关系如下所示：
启动并运行
这是一个基于MATLAB的代码。
用户必须选择PolSARpro格式的T3矩阵。
默认窗口大小设置为
7，这是在变量wsi下定义的。
请根据您的要求更改此窗口大小。
请使用MF4C.m计算目标表征参数和四个散射功率分量。
clustering_four_component.m执行无监督聚类。
NB
还提供
2021-07-25 13:12:34
143KB
1
给出了一种散射模型与Wishart分类相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像非监督分类方法。首先利用去取向三分量散射模型进行粗分类,将像素划分为三种基本散射类型和混合散射类型;然后,在基本散射类型内根据占优散射机制的功率进行细分类,并根据Wishart距离对细分类的结果进行类别合并,合并到指定的类别数;最后对四种散射类型的像素分别重新进行Wishart迭代,从而实现极化SAR数据的非监督分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并且同已有分类方法进行比较,结果表明本文方法改善了分类效果,且降低了体散射过估计。
2021-07-12 11:49:35
1.96MB
1