基于FcenterF方法的极化SAR图像分类系统

资 源 简 介

本项目实现了一种针对极化合成孔径雷达（PolSAR）图像的高精度分类算法，核心算法采用FcenterF特征提取与分类框架。系统通过对极化SAR获取的T3相干矩阵或C3协方差矩阵进行深度解析，结合了极化散射分解技术与中心特征融合策略。FcenterF方法重点改进了散射功率分量的提取过程，通过对地物散射机制的精细建模，包括单次散射、二次散射和体散射分量的重新评估，使算法能够更准确地描述负载杂波环境下的地物物理特性。该实现不仅包含了基础的极化分解模块，还引入了空间邻域信息的自适应处理，有效降低了相干斑噪声对分类结果的影响，显著提升了城市建筑区、植被覆盖区及水体等复杂场景的区分度。项目代码涵盖了从RAW数据预处理、极化特征参数计算、特征空间构建到最终利用分类器生成分类图的全流程，具有较好的适应性和鲁棒性，广泛应用于遥感监测、土地资源调查、军事目标识别及灾害评估等领域。

详 情 说 明

基于FcenterF方法的极化SAR图像分类系统

项目介绍

本项目实现了一种针对极化合成孔径雷达（PolSAR）图像的高精度分类系统。核心采用FcenterF（Feature Centering and Fusion）特征提取与分类框架，旨在通过深度解析极化相干矩阵（T3），实现对复杂地物目标的精确识别。系统重点改进了散射功率分量的提取过程，利用极化分解技术建模单次散射、二次散射和体散射机制，并结合空间邻域信息处理和特征归一化策略，有效提升了极化数据的分类精度。该系统适用于遥感监测、土地资源调查及军事目标识别等应用场景。

功能特性

• 极化数据模拟：系统内置了极化T3矩阵模拟模块，能够生成包含水体、植被、建筑三种典型地物的极化特征数据及其地面真值（Ground Truth）。
• 空间相关性处理：采用Boxcar滤波技术对极化矩阵进行平滑预处理，有效抑制极化SAR图像特有的相干斑噪声，提升特征的鲁棒性。
• 改进型四分量分解：基于Yamaguchi分解逻辑，提取螺旋散射（Pc）、表面散射（Ps）、二次反射（Pd）及体散射（Pv）分量，精细刻画地物物理属性。
• 多维特征空间构建：集成了散射分量、总功率（Span）、极化熵（H）及平均散射角（Alpha）等多维度极化参数。
• 中心化特征融合（FcenterF）：通过对特征矩阵进行中心化和归一化处理（Mean-Variance Scaling），消除不同量纲特征间的差异。
• 监督分类与评估：内置基于最小距离准则的监督分类器，支持训练样本随机抽取，并提供总体精度（OA）、Kappa系数及混淆矩阵等量化评价指标。
• 综合可视化方案：提供Pauli合成图、特征分布图、分类结果图及地物散射空间散点图等多种可视化手段。

逻辑实现细节

1. 极化散射机制建模

系统首先构建T3相干矩阵。针对不同的地物类型设置了差异化的散射权重：

• 水体：以T11分量为主，模拟表面散射（Surface Scattering）。
• 植被：增加T33分量权重，模拟随机偶极子产生的体散射（Volume Scattering）。
• 建筑：强调T22分量，模拟人造建筑产生的二次反射（Double-bounce Scattering）。

2. 特征提取算法

• 四分量逻辑：

- 计算螺旋散射 $P_c = 2|text{Im}(T_{23})|$，并从剩余矩阵中扣除其贡献。 - 根据 $T_{33}$ 计算体散射分量 $P_v$。 - 通过对比剩余矩阵中 $T_{11}$ 与 $T_{22}$ 的大小，判定主导机制并提取表面散射 $P_s$ 和二次反射 $P_d$。

• H/Alpha分解：利用特征值分解方法计算极化熵 $H$（表征散射随机性）和 Alpha 角度（表征平均散射机制）。

3. FcenterF 特征优化

提取出的所有特征（$P_s, P_d, P_v, text{Span}, H, alpha$）被串联成多通道特征张量。为了解决特征取值范围不一导致的权重偏移，系统对特征空间进行全局中心化处理，计算每个维度特征的均值和标准差，通过特征中心化融合策略使模型更具鲁棒性。

4. 分类器实现

• 样本选择：自动从标注真值中选取10%的像素作为训练样本。
• 分类逻辑：计算训练样本在特征空间中的类别中心，对全图像素采用欧氏距离最小化准则进行类别判定。

使用方法

1. 环境准备：确保安装了MATLAB环境。
2. 运行程序：直接运行主脚本函数。系统将自动执行数据模拟、特征计算、分类判别及精度评估。
3. 结果查看：程序运行结束后将自动弹出图形窗口，展示极化特征分布和最终分类图，并在控制台输出混淆矩阵与OA指标。

系统要求

• 软件平台：MATLAB R2018b 或更高版本。
• 核心函数依赖：

- Image Processing Toolbox（用于 imfilter 空间滤波）。 - Statistics and Machine Learning Toolbox（用于 confusionmat 性能评估）。

• 硬件配置：标准个人电脑即可，建议内存4GB以上以支持大尺寸矩阵运算。