采用了NASA/JPL实验室AIRSAR系统(机载)1获取的荷兰中部Flevoland 地区L 波段全极化4视数据的一部分,像素水平方向(方位向) 分辨率为12.1m,垂直方向(距离向) 分辨率为6. 7m。所截取的图像大小为300×190，包含6类地物，除一块裸地外,其余地物为油菜、紫花苜蓿、土豆、甜菜、冬小麦5种农作物。图4.11给出了Flevoland 数据的极化白化滤波后的结果图、地物分布参考图。
图4.11是经过极化白化滤波处理后的图像，其中区域1为裸地，2为油菜地，3为苜蓿，4为土豆，5为甜菜，6为冬小麦。
图4.11 极化白化滤波图
本专著采用了3种不同的分割方法进行试验。3种方法主要区别在于采用的极化目标分解方式和初始分割结果的选取：①传统基于H/α分解Wishart分割。先对极化数据提取H分割和α分量，将地物初始分为8类作为初始分割结果，再计算Wishart距离进行聚类。②基于Freeman分解和散射熵 Wishart分割。由H/α分解将地物进行初始划分，再计算Wishart距离进行迭代聚类，聚类后的结果图作为WMRF的初始分割图。③MRF框架下基于Freeman分解的PolSAR影像分类方法。
从图4.12中可以看出，第三幅结果图效果明显地优于前两幅，其中区域性较好，孤立像素点较少，同时图4.12(a)和图4.12(b)没有把红色框中的油菜地和苜蓿地分割出来，而本专著算法则完整地分割出来，如图4.12(c)图中红色框中所示。
图4.12 实验结果图
为了对分割算法进行定量评价，本专著采取了德国Oberpfaffenhofen地区获取的L 波段多极化数据的一部分(大小200×200)，图4.13(a)为极化白化滤波图，其中为了对算法做定量的分析，图4.13(b)给出了人工标注图像，其中黑色表示的是树林，灰色表示的是裸地，白色表示的是草地。(www.xing528.com)
图4.13 ESAR Oberpfaffenhofen多极化数据
如图4.14所示，图4.14(a)和图4.14(b)分割精度较差，同时该种算法没有采用类间合并以及没有考虑到周围像素对当前像素的影响，故分割精度较差。从图中看出，本专著的算法分割效果跟人工标注将近一致。本专著对分割结果做了定量的分析，分别对这草地、裸地、树林这3个区域进行了定量的评价，如表4.3所示。
图4.14 实验结果图
表4.3 分割算法分割精度表
从表4.3可以看出，该种算法分割精度较好，图像的连通性也较好。由于树林主要体现为一种体散射，在树木与裸地的交界处一般会产生一种偶次散射，因此在其边缘处存在一些误分的现象。
基于物理散射机制进行迭代监督分类是一种简单容易操作的非监督分割方法。本节采用Freeman分解和H/α分解相结合，对地物进行初始分割，然后采用一种聚合的层次聚类算法进行类间合并，最后采用Wishart MRF进行迭代聚类。本专著充分利用了目标的物理散射机制以及像素分类号的空间相关性，实验以及结果证实，该种算法区域连通性好，精度较高。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
