結合旋轉域極化特征的極化SAR地物分類

陶臣嵩 陳思偉 李永禎 肖順平

(國防科學技術大學電子科學與工程學院電子信息系統復雜電磁環境效應國家重點實驗室 長沙 410073)

結合旋轉域極化特征的極化SAR地物分類

陶臣嵩 陳思偉*李永禎 肖順平

(國防科學技術大學電子科學與工程學院電子信息系統復雜電磁環境效應國家重點實驗室 長沙 410073)

地物分類是極化合成孔徑雷達(SAR)圖像理解與解譯的重要應用方向。利用H/A/α/SPAN等旋轉不變特征參數的極化SAR地物分類是一種常用的分類方法。然而，目標的后向散射響應與其方位取向等姿態密切相關，極易引起散射機理的解譯模糊，也限制了僅使用旋轉不變特征參數作為分類特征集的極化SAR地物分類方法的精度。針對這一問題，有文獻提出了在繞雷達視線的旋轉域中解譯目標散射特性的統一的極化矩陣旋轉理論，并導出了一系列旋轉域極化特征，刻畫目標旋轉域隱含信息。基于該理論，該文將旋轉域極化特征用于極化SAR地物辨識與分類，并發展了一種結合旋轉域極化特征與旋轉不變特征H/A/α/SPAN的極化SAR地物分類方法。該方法將優選的旋轉域極化特征參數和H/A/α/SPAN作為支持向量機(SVM)分類器的輸入，利用兩類特征對不同地物類別區分辨識能力的互補，以達到更好的分類性能。對AIRSAR和UAVSAR實測數據的對比實驗表明，相較于僅以H/A/α/SPAN作為SVM分類器輸入的傳統方法，該方法得到更好的分類精度和穩健性。其中，對于AIRSAR數據十五類地物的分類，該方法總體分類精度達到92.3%，優于傳統方法的91.1%。此外，對于多時相UAVSAR數據七類地物的分類，該方法平均總體分類精度達到95.72%，顯著優于傳統方法的87.80%，驗證了該方法對多時相數據的穩健性。該文研究進一步證實了通過深入挖掘旋轉域中目標極化散射信息能夠為極化SAR圖像的解譯與應用提供新的可行途徑。

極化合成孔徑雷達；極化特征；旋轉域；支持向量機；地物分類

1 引言

極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar, PolSAR)具有全天時和幾乎全天候的工作能力，通過收發極化狀態正交的電磁波以獲取目標的全極化散射信息[1]。地物分類是農作物生長監控、農村與城市用地普查、環境監測等應用領域的共性基礎問題，也是極化SAR圖像理解與解譯的重要應用方向。高精度的地物分類結果能夠為上述應用領域提供可靠的信息支撐。

通常，提高極化SAR地物分類精度主要有兩種途徑[2]。第1種途徑專注于極化特征的挖掘與優選，通過精細化的極化散射機理建模與解譯，從全極化信息中提取出對不同地物類別具有更強區分度的特征。常用的極化散射機理解譯方法有基于特征值分解的方法和基于模型分解的方法。基于這些極化目標分解方法所得到的極化特征參數經常被用于極化SAR地物分類，例如Cloude-Pottier分解所得的極化熵/極化平均角/極化反熵(H//A)參數[3]，Freeman-Durden分解[4]、Yamaguchi分解[5]和近年來提出的精細化極化目標分解[6]所得的各散射機理的散射能量參數(如奇次散射、偶次散射、體散射、螺旋散射等)[7]。第2種途徑則從分類器入手，使用性能更好的分類器，以對現有的極化特征進行充分利用。常用的分類器包括C均值分類器、Wishart分類器、支持向量機(Support Vector Machine, SVM)分類器、隨機森林分類器、神經網絡分類器以及近來年在諸多領域取得成功應用的以卷積神經網絡為代表的深度學習分類方法等[8–11]。當然，對特征和分類器同時進行優化和優選也是提高極化SAR地物分類精度的有效途徑。

在傳統基于特征的極化SAR地物分類中，具有旋轉不變特性的極化特征參數得到了廣泛應用。例如，基于H//A和總散射能量SPAN的極化SAR地物分類就是一種常用的分類方法。然而，目標的極化響應與目標和SAR的相對幾何關系密切相關。同一目標在不同方位取向下，其后向散射可以是顯著不同的。同時，不同目標在某些特定方位取向下，其后向散射又是十分相似的。例如，具有不同方位取向的建筑物與森林等植被就是極化SAR圖像解譯的難點。這是諸多傳統極化目標分解方法存在散射機理解譯模糊的重要原因之一，同時也限制了基于旋轉不變極化特征參數的傳統分類方法所得精度的進一步提升。為避免這種解譯模糊，一種思路是構建更精細化的目標散射模型和精細化的極化目標分解方法。而另一種思路則是挖掘利用目標方位取向與其后向散射機理之間的隱含關系。文獻[12]提出的統一的極化矩陣旋轉理論就是一種代表性的方法。該方法提出了在繞雷達視線的旋轉域中理解目標散射特性的新思路，并導出了一系列旋轉域極化特征。部分旋轉域極化特征參數已經在農作物辨識[13]、目標對比增強[12]、人造目標提取[14]等領域獲得了成功應用。

由于這些旋轉域極化特征包含有目標在旋轉域中隱含的極化散射信息，且與其方位取向具有一定關系。若將它們與傳統的旋轉不變極化特征參數于聯合作為地物分類特征集，則從極化特征挖掘的角度來看，兩類不同的極化特征對于不同地物類別的區分能力勢必會形成一定程度的互補，進而使分類精度得到進一步提升。基于這一思路，本文提出了一種結合旋轉域極化特征與旋轉不變特征的極化SAR地物分類方法。具體即基于不同地物類別樣本集類間距最大的特征優選準則，以部分優選的旋轉域極化特征參數與聯合作為地物分類所用特征，并選用性能較為穩定的SVM[15]作為分類器進行分類處理。由于該分類方法額外使用了目標在方位取向方面的隱含信息，故相較于僅使用旋轉不變特征作為輸入的SVM分類器[10]，其能夠達到更優的分類性能表現。

本文第2節簡要介紹了統一的極化矩陣旋轉理論及其所導出的旋轉域極化特征參數；第3節提出結合旋轉域極化特征的極化SAR地物分類方法；第4節基于AIRSAR和多時相UAVSAR實測數據開展了地物分類對比實驗及分析；第5節總結本文方法并對后續研究工作進行展望。

2 統一的極化矩陣旋轉理論

極化SAR獲得的目標全極化信息可以通過極化相干矩陣T表示。滿足互易性原理時，極化相干矩陣T可以表示為：

其中，旋轉矩陣為：

其中，A為振蕩幅度，B為振蕩中心，為角頻率，θ0為初始角度。文獻[12]將這4類極化特征參數稱為振蕩參數集，其完整表征極化相干矩陣的各元素在旋轉域中的特性。這樣就可以導出一系列旋轉域極化特征參數，如表1所示。其中，Angle{a}表示復數a的相位，相應取值范圍為

表1 旋轉域極化特征參數[12]Tab. 1 Polarimetric feature parameters derived from rotation domain[12]

基于上述振蕩參數集，文獻[12]還導出了一系列的極化角參數集，如極化零角參數、極化最大化角參數以及極化最小化角參數等。其中，極化零角參數的定義為在繞雷達視線的旋轉域中使極化相干矩陣某元素取值為零的旋轉角，即：

3 結合旋轉域極化特征的分類方法

3.1 旋轉域極化特征的優選

在此之前，需要基于地物分類的應用背景對眾多的旋轉域極化特征進行優選處理。在文獻[12]所導出的一系列旋轉域極化特征之中，以不同地物類別樣本集相互之間的“類間距最大化”為準則，進行相應的旋轉域極化特征優選。具體步驟為：首先對各旋轉域極化特征參數進行歸一化處理；然后將不同的地物類別兩兩組合形成若干的地物類別對；接著針對各地物類別對，以其中兩地物類別之間的類間距為標準，優選出使其取值達到最大的旋轉域極化特征，則每個地物類別對均對應于一個優選的旋轉域極化特征；最后，將各地物類別對的優選結果進行“取并集”處理，進而得到最終的優選結果。

文獻[12]所導出相互獨立的旋轉域極化特征共有12個，分別為針對之后實驗部分所使用的AIRSAR數據(15類地物，兩兩組合形成105個地物類別對；其它說明見4.1節)以及多時相UAVSAR數據(7類地物，兩兩組合形成21個地物類別對；4個數據獲取日期；其它說明見4.2節)，上述特征優選流程所得結果如表2所示。

表2 針對不同極化SAR實測數據的特征優選結果Tab. 2 Selected features for different PolSAR data

綜合考慮表2中的優選結果，并在追求較高地物分類精度的同時，將兩組實測數據優選得到的旋轉域極化特征進行統一，故本文優選部分的最終結果為3個極化零角參數，即

3.2 本文分類方法

為了將目標在旋轉域中的隱含信息充分利用在極化SAR地物分類中，同時又發揮傳統的旋轉不變極化特征參數在極化散射機理解譯方面的優點，本文提出了一種結合旋轉域極化特征的極化SAR地物分類方法，其流程圖如圖1所示，相應的具體操作如下：

(1) 在進行Cloude-Pottier分解之前，需要對極化SAR數據進行相干斑濾波處理。本文采用新近提出的一種基于矩陣相似性檢驗的SimiTest自適應相干斑濾波方法[16]對極化SAR數據進行濾波預處理。

(2) 基于濾波后的極化相干矩陣，計算總散射能量SPAN。

(3) 同樣地，基于濾波后的極化相干矩陣，進行Cloude-Pottier分解，得到極化特征量

(4) 同時，將濾波后的極化相干矩陣繞雷達視線旋轉，計算上述優選部分所得的3個極化零角參數。

(5) 對上述7個極化特征參數分別進行歸一化處理，以作為地物分類特征集輸入至SVM分類器。

圖1 本文方法具體流程圖Fig. 1 Flowchart of proposed method

(6) 通過SVM相應的訓練與測試過程，實現對不同地物類別的分類處理。

4 對比實驗及分析

為了驗證新極化特征(即3個旋轉域極化零角參數)的引入對于傳統地物分類方法性能的提升作用，在對極化相干矩陣中全部極化信息進行利用的前提之下，將本文方法與僅使用旋轉不變特征作為SVM分類器輸入的傳統方法進行對比。首先使用AIRSAR數據15類地物的分類驗證本文方法的分類性能，再使用多時相UAVSAR數據7類地物的分類進一步驗證本文方法對多時相數據的穩健性。在對此兩組數據分別進行SimiTest相干斑濾波[16]時，所用滑窗大小均為15×15。對SVM分類器，各類地物樣本的一半用于訓練，另一半用于測試。

4.1 對AIRSAR數據的地物分類對比實驗

本文首先使用NASA/JPL AIRSAR系統在荷蘭Flevoland地區所獲取的L波段全極化SAR數據進行地物分類實驗。該數據方位向分辨率為12.1 m，距離向分辨率為6.6 m，所用區域大小為736×1010。SimiTest相干斑濾波后的Pauli RGB圖如圖2(a)所示。該區域的真值圖如圖2(b)所示，其中主要包含莖豆、豌豆、森林、苜蓿、小麥1、甜菜、土豆、裸地、草地、油菜籽、大麥、小麥2、小麥3、水域以及建筑物等15類地物。

使用傳統方法和本文方法分別對濾波后的數據進行分類處理，所得結果如圖3所示。

圖2 AIRSAR數據Fig. 2 AIRSAR data

圖3 AIRSAR數據的分類結果Fig. 3 Classification results of AIRSAR data

兩種方法對AIRSAR數據15類地物分類處理所得精度如表3所示。通過比較可知，本文方法得到的總體分類精度為92.3%，優于傳統方法91.1%的分類精度。且本文方法對草地77.3%的分類精度相較于傳統方法的59.3%提升了18個百分點。另外，由于SVM分類器所用分類策略以總體分類精度的最大化為目標，無法保證單一地物類別的分類精度均達到最優。例如，本文方法在苜蓿、小麥1、裸地、大麥以及建筑物等5種地物類別區域所得分類精度均不及傳統方法。針對其中分類精度差距最大(約8.3%)的裸地，由于其相應區域的主要散射機制為“面散射”，不同方位取向對其后向散射的影響較小，使用傳統的旋轉不變極化特征已經能較好地對其進行區分與辨識，本文方法額外引入的3個旋轉域極化零角參數可能造成了分類信息的冗余，進而導致所得分類精度的較大幅度下降。

4.2 對多時相UAVSAR數據的地物分類對比實驗

本文使用NASA/JPL UAVSAR系統在加拿大Manitoba地區所獲取的多時相L波段全極化SAR數據進行地物分類實驗。該數據方位向分辨率為7 m，距離向分辨率為5 m，所用區域大小為1325×1011。多時相極化SAR數據分別獲取于6月17日、6月22日、7月3日以及7月17日。SimiTest相干斑濾波處理之后多時相極化SAR數據對應的Pauli RGB圖如圖4所示。該區域的主要地物類型是以谷物和油種產品為代表的混合型牧場農作物。相應的真值圖如圖5所示，其中主要包含闊葉林、草料、大豆、玉米、小麥、油菜籽以及燕麥等7類地物。

表3 兩種方法所得AIRSAR數據15類地物及總體的分類精度(%)Tab. 3 Classification accuracy of different terrains in AIRSAR data using two methods (%)

使用傳統方法和本文方法分別對濾波后的多時相極化SAR數據進行相互獨立的分類處理，所得結果分別如圖6和圖7所示。

如圖6(c)和圖7(c)所示，基于7月3日獲取的數據，傳統方法將紅色圓框內小麥與燕麥的絕大部分錯分為了大豆，而本文方法在該區域的分類性能相較于前者有顯著提升。又如圖6(d)和圖7(d)所示，基于7月17日獲取的數據，傳統方法將白色圓框內小麥的絕大部分錯分為了大豆，而本文方法在該區域的分類精度相較于前者也有較大提升。

圖4 多時相UAVSAR數據濾波后Pauli RGB圖Fig. 4 Filtered Pauli RGB images of multi-temporal UAVSAR data

圖5 所用區域的真值圖Fig. 5 Gound truth of the multi-temporal data

圖6 傳統方法對多時相UAVSAR數據分類結果Fig. 6 Classification results of multi-temporal UAVSAR data using conventional method

圖7 本文方法對多時相UAVSAR數據分類結果Fig. 7 Classification results of multi-temporal UAVSAR data using proposed method

兩種方法對多時相UAVSAR數據7類地物分類處理所得精度如表4所示。通過比較可知，對不同日期獲取的數據，本文方法所得各類地物及總體的分類精度均優于或相當于傳統方法。其中，對6月17日、6月22日、7月3日以及7月17日4個不同日期所獲取的數據，本文方法得到的總體分類精度分別為94.98%, 95.12%, 95.99%以及96.78%，而傳統方法所得總體分類精度則波動于80.87%至90.75%之間，出現約10%的起伏。具體就小麥和燕麥而言，本文方法得到的分類精度均分別保持在94%和92%以上，而傳統方法所得相應分類精度則分別出現了約30%和23%的波動起伏。另外，本文方法95.72%的平均總體分類精度相較于傳統方法的87.80%提升了約8個百分點。故本文方法較好的分類性能對于同一系統的多時相數據更具穩健性。

表4 兩種方法所得多時相UAVSAR數據7類地物及總體的分類精度 (%)Tab. 4 The classification accuracy of different terrains in multi-temporal UAVSAR data using two methods (%)

另外，對于6月22日所獲取數據中的闊葉林和小麥，以及7月17日所獲取數據中的玉米，本文方法所得分類精度均略低于傳統方法，且分類精度的差距均在1%以內。

在上述兩組相互獨立的對比實驗所得結果中，本文方法所得分類精度均優于傳統方法。故本文方法所表現出的較好分類性能對于不同系統的數據也具有較強穩健性。

5 結論

目標方位取向對其后向散射響應的直接影響極易引起散射機理的解譯模糊，進而限制僅使用旋轉不變特征參數作為分類特征集的極化SAR地物分類所得精度。針對這一問題，本文將刻畫目標旋轉域隱含信息的旋轉域極化特征用于極化SAR地物分類，并提出了一種結合旋轉域極化特征和旋轉不變特征H/A//SPAN的極化SAR地物分類方法，該方法將旋轉域極化零角參數和H/A//SPAN聯合作為分類特征集輸入至SVM分類器。

將本文方法與僅使用旋轉不變特征H/A//SPAN作為SVM分類器輸入的傳統方法進行比較：對AIRSAR數據15類地物分類而言，本文方法總體分類精度達到92.3%，優于傳統方法的91.1%。對多時相UAVSAR數據7類地物分類而言，本文方法平均總體分類精度達到95.72%，顯著優于傳統方法的87.80%，表明本文方法對同一系統的多時相數據更具穩健性。這兩組對比實驗也表明本文方法較好的分類性能對于不同系統的數據具有較強穩健性。

通過對旋轉域中目標極化散射信息的深入挖掘，能夠為極化SAR圖像的解譯與應用提供一條新的可行途徑。下一步將考慮旋轉域極化特征與具有深度學習能力的卷積神經網絡等分類器相結合，以實現更高的分類精度。另外，對極化特征參數更優的選擇準則及相互融合也是我們未來將要深入研究討論的內容。

[1]Lee J S and Pottier E. Polarimetric Radar Imaging: From Basics to Applications[M]. Boca Raton, FL, USA, CRC Press, 2009.

[2]吳永輝, 計科峰, 郁文賢. SVM全極化SAR圖像分類中的特征選擇[J]. 信號處理, 2007, 23(6): 877–881.Wu Yonghui, Ji Kefeng, and Yu Wenxian. A new feature selection algorithm for SVM-based fully polarimetric SAR image classification[J].Signal Processing, 2007, 23(6):877–881.

[3]Cloude S R and Pottier E. A review of target decomposition theorems in radar polarimetry[J].IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498–518. DOI:10.1109/36.485127.

[4]Freeman A and Durden S L. A three-component scattering model for polarimetric SAR data[J].IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963–973. DOI:10.1109/36.673687.

[5]Yamaguchi Y, Moriyama T, Ishido M,et al.. Fourcomponent scattering model for polarimetric SAR image decomposition[J].IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699–1706. DOI: 10.1109/TGRS.2005.852084.

[6]Chen S W, Wang X S, Xiao S P,et al.. General polarimetric model-based decomposition for coherency matrix[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(3): 1843–1855. DOI: 10.1109/TGRS.2013.2255615.

[7]Chen S W, Li Y Z, Wang X S,et al.. Modeling and interpretation of scattering mechanisms in polarimetric synthetic aperture radar: Advances and perspectives[J].IEEE Signal Processing Magazine, 2014, 31(4): 79–89. DOI:10.1109/MSP.2014.2312099.

[8]Cloude S R and Pottier E. An entropy based classification scheme for land applications of polarimetric SARs[J].IEEE Transactions on Geoscience and Remote Sensing, 1997,35(1): 68–78. DOI: 10.1109/36.551935.

[9]Lee J S, Grunes M R, Ainsworth T L,et al.. Unsupervised classification of polarimetric SAR images by applying target decomposition and complex Wishartdistribution[J].IEEE Transactions on Geoscience and Remote Sensing, 1999,37(5): 2249–2258. DOI: 10.1109/36.789621.

[10]趙一博. 基于SVM和RBF神經網絡的極化SAR圖像分類方法研究[D]. [碩士論文], 國防科學技術大學, 2013.Zhao Yibo. Classification of polarimetric SAR image based on SVM and RBF neural network[D]. [Master dissertation],National University of Defense Technology, 2013.

[11]吳永輝, 計科峰, 郁文賢. 基于H-alpha和改進C-均值的全極化SAR圖像非監督分類[J]. 電子與信息學報, 2007, 29(1): 30–34.Wu Yonghui, Ji Kefeng, and Yu Wenxian. Unsupervised classification of fully polarimetric SAR image using H-alpha decomposition and modified C-Mean algorithm[J].Journal of Electronics and Information Technology, 2007, 29(1):30–34.

[12]Chen S W, Wang X S, and Sato M. Uniform polarimetric matrix rotation theory and its applications[J].IEEE Transactions on Geoscience and Remote Sensing, 2014,52(8): 4756–4770. DOI: 10.1109/TGRS.2013.2284359.

[13]Chen S W, Li Y Z, and Wang X S. Crop discrimination based on polarimetric correlation coefficients optimization for PolSARdata[J].International Journal of RemoteSensing, 2015, 36(16): 4233–4249. DOI: 10.1080/01431161.2015.1079345.

[14]Xiao S P, Chen S W, Chang Y L,et al.. Polarimetric coherence optimization and its application for manmade target extraction in PolSARdata[J].IEICE Transactions on Electronics, 2014, 97(6): 566–574.

[15]Chang C C and Lin C J. LIBSVM: Alibrary for support vector machines[J].ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 389–396.

[16]Chen S W, Wang X S, and Sato M. PolInSAR complex coherence estimation based on covariance matrix similarity test[J].IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4699–4709. DOI: 10.1109/TGRS.2012.2192937.

陶臣嵩(1993–)，男，廣西人，國防科學技術大學電子科學與工程學院在讀碩士研究生，主要研究方向為成像雷達極化信息的解譯與處理、極化特征的提取與優選等。

E-mail: taochensongnudt@163.com

陳思偉(1984–)，男，四川人，博士，國防科學技術大學電子科學與工程學院講師，主要研究方向包括雷達極化信息處理、成像雷達信息處理、目標散射建模與解譯、微波遙感大數據處理與應用、微波遙感環境與災害應用研究等。

E-mail: chenswnudt@163.com

李永禎(1977–)，男，內蒙古人，博士后，國防科學技術大學電子科學與工程學院研究員，電子信息系統復雜電磁環境效應國家重點實驗室副主任，主要研究方向為新體制雷達與電子對抗。

E-mail: e0061@sina.com

肖順平(1964–)，男，江西人，博士，國防科學技術大學電子科學與工程學院教授，博士生導師，電子信息系統復雜電磁環境效應國家重點實驗室主任，國家高技術863專家，總裝備部仿真專業組專家，中國電子學會高級會員，主要研究方向包括雷達極化信息處理、電子信息系統仿真評估技術、雷達目標識別等。

s: The National Natural Science Foundation of China (41301490, 61490692)

Polarimetric SAR Terrain Classification Using Polarimetric Features Derived from Rotation Domain

Tao Chensong Chen Siwei Li Yongzhen Xiao Shunping
(The State Key Laboratory of Complex Electromagnetic Environment Effects on Electronics and Information System,School of Electronic Science and Engineering,National University of Defense Technology,Changsha410073,China)

Terrain classification is an important application for understanding and interpreting Polarimetric Synthetic Aperture Radar (PolSAR) images. One common PolSAR terrain classification uses roll-invariant feature parameters such asH/A/α/SPAN. However, the back scattering response of a target is closely related to its orientation and attitude. This frequently introduces ambiguity in the interpretation of scattering mechanisms and limits the accuracy of the PolSAR terrain classification, which only uses roll-invariant feature parameters for classification. To address this problem, the uniform polarimetric matrix rotation theory, which interprets a target’s scattering properties when its polarimetric matrix is rotated along the radar line of sight and derives a series of polarimetric features to describe hidden information of the target in the rotation domain was proposed. Based on this theory, in this study, we apply the polarimetric features in the rotation domain to PolSAR terrain discrimination and classification, and develop a PolSAR terrain classification method using both the polarimetric features in the rotation domain and the roll-invariant features ofH/A/α/SPAN. This method also uses both the selected polarimetric feature parameters in the rotation domain andH/A/α/SPAN as input for a Support Vector Machine (SVM) classifier and achieves better classification performance by complementing the terrain discrimination abilities of both. Results from comparison experiments based on AIRSAR and UAVSAR data demonstrate that compared with the conventional method, which only usesH/A/α/SPAN as SVM classifier input, the proposed method can achieve higher classification accuracy and better robustness. For fifteen terrain classes of AIRSAR data, the total classification accuracy of the proposed method was 92.3%, which is higher than the 91.1% of the conventional method. Moreover, for seven terrain classes of multi-temporal UAVSAR data, the averaged total classification accuracy of the proposed method was 95.72%, which is much higher than the 87.80% of the conventional method. These results demonstrate that our proposed method has better robustness for multi-temporal data. The research also demonstrates that mining and extracting polarimetric scattering information of a target deep in the rotation domain provides a feasible new approach for PolSAR image interpretation and application.

Polarimetric Synthetic Aperture Radar (PolSAR); Polarimetric features; Rotation domain; Support Vector Machine (SVM); Terrain classification

TN957.52

A

2095-283X(2017)05-0524-09

10.12000/JR16131

陶臣嵩, 陳思偉, 李永禎, 等. 結合旋轉域極化特征的極化SAR地物分類[J]. 雷達學報, 2017, 6(5):524–532.

10.12000/JR16131.

Reference format:Tao Chensong, Chen Siwei, Li Yongzhen,et al.. Polarimetric SAR terrain classification using polarimetric features derived from rotation domain[J].Journal of Radars, 2017, 6(5): 524–532. DOI:10.12000/JR16131.

2016-11-30；改回日期：2017-01-24；網絡出版：2017-04-07

*通信作者： 陳思偉 chenswnudt@163.com

國家自然科學基金(41301490, 61490692)