1、1由于平时分类的时候，一般采用的是 Cloude 分解的得到的特征值进行分类的。而对于不同的数据，分解方式的不同，相应的分类结果也存在一定的差异，而且对于不同类型的数据，其最优分解方法并不一定是 Cloude 分解。所以对两组数据（旧金山数据和海南数据）进行基于不同分解方法的分类实验，对比不同分解下的效果。这部分实验首先对数据进行极化分解，然后利用分解得到的特征量进行分类。共进行了基于 Cloude，Freeman2 ， Freeman3，Krogager，Vanzel，Yamaguchi3，Yamaguchi4 ，7 种特征分解的分类实验，分类算法采用的基于 Wishart 分布的最大似然分
2、类器。旧金山数据的 7 种分解方法的分类结果Cloude 是用的最多的分解方法，除了把数据分解为与散射机制有关的三个特征值（分别代表三种散射机制：平面散射，二面角散射和体散射） ，还有具有旋转不321,变性的散射角 a 和熵 H。所以基于 cloude 分解的分类结果较为平稳。而对于其他 6 种分解方式，都是把数据分解为与某种散射机制类型对应的参数，代表该散射类型的强度，不具有旋转不变性的参数，所以适用数据的类型并不是很广，所以不像 Cloude 分解那样对各种类型的数据都适用。从下面 7 幅分类结果看到，基于 Cloude 分解的分类结果整体分类效果较好，不存在大范围的错误分类区。但是其他
3、6 种分解方式的分类结果，海洋均被划分为多个层次，所以这 6 种分解方式对海洋的分类适用性不好。但是对比 7 个分类结果发现，每种分解的分类结果各有优势，如 Yamaguchi4 和 Freeman2 中植被和城区的划分效果较好，马球场和高尔夫球场结构完整，而且城区内部道路细节分明，效果均优于 Cloude 分解的分类结果。图 1(a)基于 Cloude 分解的分类结果 图 1(b)基于 Vanzel 分解的分类结果2图 1(c)基于 Freeman2 分解的分类结果图 图 1(d)基于 Freeman3 分解的分类结果 图 1(e)基于 Yamaguchi3 分解的分类结果 图 1(f)基于
4、 Yamaguchi4 分解的分类结果图 1(g)基于 Krogager 分解的分类结果一、 基于多极化和多波段数据的分类研究由于全极化数据记录了 4 种极化方式下的地物散射回波信息，记录的物理和散射信息更加全面，所以全极化数据的分类效果一般是优于双极化或者单极化的。但是对于某些散射机制而言，其双极化或者单极化的分类效果可能就已经很接近全极化的分类效果，这种情况下，在无法获得全极化数据时，可以用其单极化或者双极化组合数据进行研究。图 3 实验区数据从上图看到整个图像上的地物类别差距很小，只有右下角的建筑物跟其他地物对比度相对大些。实验区共分为 4 类，红色代表的建筑，绿色代表的道路，黄色代表的
5、低矮植被 1，蓝色代表的高植被 2。3对全极化，双极化三种组合：HH-VV,HV-VH,HV-VV,以及三个单极化数据： HH,HV,VV 七组数据组合进行 SVM 分类研究。分类结果如下：图 4(a) HH 分类结果 图 4(b) HV 分类结果图 4(c)VV 分类结果图 5(a) HH-HV 分类结果 图 5(b) HH-VV 分类结果图 5(c) HV-VV 分类结果4图 6 全极化数据分类结果二、 文献总结Remote sensing of Environment:从 2007-2011 年 5 年内，以 SAR 为主题的文章主要有 82 篇，但是有些文章仅仅是提到SAR，跟 SAR
6、 的相关度不大，真正相关的有 71 篇。1.每年文章分布2007 年 14 篇；2008 年14 篇；2009 年11 篇；2010 年20 篇；2011 年23 篇；2.中国人在该杂志上发表文章数：2007 年 0 篇；2008 年0 篇；2009 年0 篇；2010 年0 篇；2011 年4 篇（其中2 个台湾的） ；3. 文章内容关于分类的文章 2 篇（其中一篇用 SVM 进行分类，中国的） ；关于检测的 4 篇；监测方面的文章 26 篇，其中监测的大部分与环境相关，均用多时态的多角度多极化数据进行实验的。由于该期刊是环境遥感，虽然接受遥感影像处理的论文，但是通过对 SAR 方面的论文的查阅与分析发现，大部分都是关于环境方面的，譬如生物量反演，土壤含水量获取，森林储水量，火灾对影像回波的影响等。在近 5 年 SAR 方面的论文中，有 23 篇是利用INSAR 做的，譬如水位检测，冰川移动，地壳变形等。探测不同 SAR 参数（波长，入射角，植被类别等）对数据影响的也有 6 篇。主要是关于应用的文章， SAR 理论的文章相对较少。
