基于极化相干最优与极化总功率的Wishart-HAlpha分类.docx

基于极化相干最优与极化总功率的Wishart-HAlpha分类
极化相干最优与极化总功率的Wishart-HAlpha分类
引言
极化相干是指电磁波在传播时会同时发生振幅和相位的变化，电磁波通过物质时，波的振幅和相位特性会随着物质的不同而产生变化，这就使得极化相干成为了一种非常实用的物理量，在遥感图像分类、目标检测等领域中得到广泛应用。而极化总功率是极化相干的一种应用，也是在遥感图像处理方面经常被使用的一种方法。
Wishart-HAlpha分类是基于SAR遥感图像的一个分类方法，该方法在两个维度上同时考虑了差异，即考虑了极化相干和极化总功率两个方面进行分类，因此也被称为双重灰度共生矩阵(SGGCM)方法。这篇论文旨在介绍Wishart-HAlpha分类的原理以及在分类过程中应注意的问题。
原理
SAR遥感图像是一种能够观测地面的微波雷达图像，SAR图像因其能够穿透地面而在监测成像领域中占据重要地位。SAR遥感图像中的每个像素都包含了振幅和相位两个方面的信息，因此也具有不同的极化相干和极化总功率。
Wishart-HAlpha分类方法使用极化相干和总功率两个方面对SAR遥感图像进行分类，具体的步骤如下：
1.首先需要对SAR遥感图像进行预处理，包括去噪、尺度归一化和方位象限对称等处理。
2.根据操作的需求，确定像素范围，对于像素的极化相干，考虑到其集合内部的信息和外部的信息不一致，可以通过灰度共生矩阵(GCM)来对极化相干信息进行处理。
3.在极化相干方面，进行灰度共生矩阵的计算，得到了SGGCM矩阵，该矩阵用于储存针对两个相邻像素在其灰度值上出现的各种组合的计数。通常情况下，使用对称覆盖方法确保SGGCM矩阵在所有方向上都是均等的。SGGCM矩阵的特征提取通常使用Haralick纹理特征提取法进行。
4.根据提取到的特征向量，使用Wishart-HAlpha方法进行分类。该方法的基本原理是使用训练数据集计算出协方差矩阵和平均向量，在进行分类时，可以使用Mahalanobis距离进行分类。
应注意的问题
Wishart-HAlpha方法在使用过程中需要注意以下几点：
1.对遥感图像进行预处理时需要注意噪声的影响，尤其是在使用极化总功率时，由于其敏感度较高，噪声可能会导致计算时出现错误。
2.在提取特征向量时需要注意特征在不同的尺度上会产生不同的结果，因此需要对不同的尺度进行特征提取，并使用多尺度融合方法进行数据融合。
3.在模型训练时需要注意使用足够数量的样本，以确保分类器的泛化性能。同时还需要注意训练数据的采样方法和地物标记的准确性。
结论
Wishart-HAlpha分类方法基于极化相干最优和极化总功率的原理进行分类,可以有效地处理遥感图像中的极化信息，并具有较高的分类精度。然而，要保证分类的正确性，需要在预处理、特征提取和模型训练等方面进行细致的控制和调节。因此，Wishart-HAlpha分类方法仍然有许多可以完善的地方，希望未来能够有更深入的研究和改进。