Науковий вісник НГУ

Ефективний метод класифікації повністю поляриметричних РСА-зображень

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 07 лютого 2016

Опубліковано: 03 лютого 2016

Перегляди: 3975

Автори:

Сяожун Сюе, Аньянський педагогічний університет, м. Аньян, КНР

Вей Ван, Інститут попередження стихійних лих, м. Пекін, КНР

Хунфу Ван, Аньянський педагогічний університет, м. Аньян, КНР

Фан Сян, Аньянський педагогічний університет, м. Аньян, КНР

Реферат:

Мета. Радіолокатор синтезованої апертури (РСА) може бути використаний для здобуття знімків високого розділення наземних об'єктів (цілей) незалежно від часу доби та погодних умов, що є важливим для потреб національної економіки й оборони. Проте, згідно з характеристикам механізму побудови РСА-зображень, геометричні спотворення та, свого роду, мультиплікативний шум, відомий як когерентне оптичне випромінювання, часто, спотворюють отримане зображення. Класифікація РСА-зображень є основою їх інтерпретації. Із-за впливу спекл-шуму традиційні технології класифікації зображень працюють недостатньо добре. У статті описано запропонований нами ефективний метод класифікації поляриметричних РСА-зображень, що грунтується на поляриметричних властивостях, даних про інтенсивність розсіяного випромінювання та методу нечіткої кластеризації C-середніх.

Методика. Поєднавши розсіюючі властивості повністю поляриметричного РСА-зображення й дані про інтенсивність розсіяного випромінювання, ми отримали результат попередньої класифікації РСА-зображення. Остаточний результат класифікації поляриметричного РСА-зображення був отриманий за допомогою алгоритму нечіткої кластеризації C-середніх.

Результати. Експериментально доведено, що запропонований метод перевершує традиційні методи класифікації повністю поляриметричних РСА-зображень.

Наукова новизна. У запропонованому методі враховуються не лише властивості повністю поляриметричних РСА-даних, але й інформація про статистичні характеристики. Метод дозволяє отримати гарні результати класифікації поляриметричних РСА-зображень зі збереженням розсіюючих властивостей (у деякій мірі).

Практична значимість. Експериментальні дослідження показали, що запропонований алгоритм зберігає текстуру й деталі РСА-зображення краще, ніж традиційні методи та дає кращий результат класифікації повністю поляриметричних РСА-зображень. Метод може використовуватися для вирішення завдань інтерпретації РСА-зображень.

Список літератури / References:

1.  J.S. Lee and E. Pottier (2008), Polarimetric Radar Imaging, CRC Press, Boca Raton, FL, USA.

2. Yaqiu Jin and Feng Xu (2013), Polarimetric Scattering and SAR Information Retrieval, Wiley-IEEE Press, USA.

3. Stefan Uhlmann and Serkan Kiranyaz (2014), “Integrating color features in polarimetric SAR image classification”, IEEE Transactions on Geoscience and Remote Sensing, vol.52, no.4, pp. 2197−2216.

4. Lang Fengkai, Yang Jie, Zhao Ling, Zhang Jing and Li Deren (2012), “Polarimetric SAR Data classification with Freeman entropy and anisotropy analysis”, Journal of Surveying and Mapping, vol.9, no. 4, pp. 556−562.

5. Formont P., Pascal F., Vasile G., Ovarlez, J. and Ferro-Famil, L. (2011), “Statistical classification for heterogeneous polarimetric SAR images”, IEEE Journal of Selected Topics in Signal Processing, vol.5, no.3, pp. 567−576.

6. Xiaoshuang Ma, Huanfeng Shen, Jie Yang, Liangpei Zhang and Pingxiang Li. (2014), “Polarimetric-spatial classification of SAR images based on the fusion of multiple classifiers”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol.7, no.3, pp. 961−971.

7. Ciro D’Elia, Simona Ruscino, Maurizio Abbate, Bruno Aiazzi, Stefano Baronti and Luciano Alparone (2014), “SAR image classification through information-theoretic textural features, MRF segmentation, and object-learning vector quantization”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol.7, no.4, pp. 1116−1126.

8. Peter Yu, A.K. Qin, David A. Clausi (2012), “Unsupervised Polarimetric SAR Image Segmentation and Classification Using Region Growing with Edge Penalty”, IEEE Transactions on Geoscience and Remote Sensing, vol.50, no.4, pp. 1302−1317.

9. Shuiping Gou, Xin Qiao, Xiangrong Zhang, Weifang Wang and Fangfang Du (2014), “Eigenvalue Analysis-Based Approach for POL-SAR Image Classification”, IEEE Transactions on Geoscience and Remote Sensing, vol.52, no.2, pp. 805−818.

Chu He, Tong Zhuo, Dan Ou, Ming Liu, Mingsheng Liao (2014), “Nonlinear compressed sensing-based LDA topic model for polarimetric SAR image classification”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol.7, no.3, pp. 972−982.

2015_05_xue
2016-02-03  615.24 KB  1026

• < Попередня
• Наступна >