简缩极化与全极化SAR的一体化目标分解与分类方法研究

In order to extract precisely the various polarimetric information from Polarimetric SAR (PolSAR) and Compact Polarimetric (CP) SAR, and to mine their application potentials, this project will take an in-depth study on the polarimetric target decomposition and scattering property extraction, through PolSAR data acquired from various sensors and platforms and CP data simulated under different modes. The two kinds of polarimetric SAR data will be analyzed within a unified theoretical framework. A model of the relation between PolSAR and CP will be built, by analyzing the polarimetric characterization of targets, by converting polarimetric characterization parameters into compact polarimetric space and by studying their spatial distribution characteristics. This model assures that PolSAR data and CP data are processed under the same theoretic basis and analyzed uniformly. Based on these techniques, we will develop optimized classification methods using the characteristic space of polarimetric scattering properties. These methods will offer reliable data and critical technique for a wide variety of applications, for example, land resources survey, precise agriculture management, vegetation type identification and ground object characterization.

为了准确提取全极化SAR和简缩极化SAR所包含的丰富的极化信息，挖掘简缩极化SAR和全极化SAR的应用潜力，本课题将利用不同传感器、不同平台获取的全极化数据及模拟的不同模式的简缩极化数据，深入开展极化SAR和简缩极化SAR的目标极化分解与散射特征提取研究。针对这两类极化SAR数据，我们将其散射机制分析统一于一个理论框架下，从目标极化特性分析入手，通过改进物理散射模型以提高目标分解可靠性，并将全极化模式下的极化特征参数转换到简缩极化空间中，分析其空间分布特征，建立简缩极化与全极化数据关系模型，从而保证简缩极化与全极化数据处理具有相同的理论基础，以实现简缩极化与全极化模式下目标散射特性分析的统一性。并在此基础上发展极化散射机制特征空间智能优化的地物分类技术，为国土资源普查、精细农业管理以及地物特性分析等提供科学数据和关键技术支撑。

为了准确提取全极化 SAR 和简缩极化 SAR 所包含的丰富的极化信息，挖掘简缩极化 SAR 和全极化 SAR的应用潜力，本课题利用不同传感器、不同平台获取的全极化数据及模拟的不同模式的简缩极化数据，深入开展极化 SAR 和简缩极化 SAR 的目标极化分解与散射特征提取研究。通过四年的研究，在如下四个方面取得突破性进展：（1）首次实现了全面的多模式极化SAR数据特征分析。将广义相似性测度推广到双极化和简缩极化模式下，定量分析了全极化、双极化和简缩极化各模式下极化特征量的关系。（2）建立了基于非相干分解的简缩极化SAR与全极化SAR定量分析方法，提出了基于散射机制密度的特征空间划分方法，构建了与全极化模式H-α特征空间结构更接近的简缩极化ED-α经验特征空间，实现简缩极化与全极化模式下目标散射特性分析的统一性。（3）提出了顾及全极化、双极化和简缩极化SAR数据的典型地物分类策略，实现了多种农作物的高精度分类。将复Wishart-Span/H/α散射机制非监督分类方法引入到双极化和简缩极化数据处理中；建立了典型地物在多模式极化SAR数据中的相似解译标志，实现基于经验知识的多模式极化SAR典型地物分类。（3）提出了基于图像分类策略的极化SAR数据变化检测方法。将极化SAR数据的变化检测问题转化成了图像分类问题，利用极化观测值和极化分解的结果计算一系列差异特征图，利用机器学习方法进行训练，并预测实验区的变化类型。该方法避免了对图像的重复分割与分类，避免了最优特征的选择，同时可获取变化区域及变化类型信息。（4）提出了结合超像素分割（SLIC）与卷积神经网络的极化SAR图像分类方法， SLIC算法作为前端，利用关于像元的低级别的强度和位置信息来将图像分割成均质的超像素。深度卷积神经网络作为后端将提取高级别的上下文信息和极化特征信息并为每一个超像素进行分类，在高效地完成分类任务，具备良好的边界保持性和抗干扰能力。.发表论文42篇（SCI 论文9篇），出版专著1部，发明专利1项，软件著作权3项。全面完成各项研究内容。