极化SAR影像分类综述.docx
- 文档编号:15390302
- 上传时间:2023-07-04
- 格式:DOCX
- 页数:17
- 大小:280.35KB
极化SAR影像分类综述.docx
《极化SAR影像分类综述.docx》由会员分享,可在线阅读,更多相关《极化SAR影像分类综述.docx(17页珍藏版)》请在冰点文库上搜索。
极化SAR影像分类综述
基于目标分解的极化SAR图像分类
摘要:
极化SAR图像分类是SAR图像解译的重要内容,从现有的文献来看,基于目标分解理论的极化SAR图像分类算法是所有分类算法中较为实用、准确,且发展较快的。
以此为研究背景,论文首先介绍了雷达极化的基础理论,并在此基础上系统地分析了当前各种典型目标分解算法的特性,最后总结了几种典型的基于目标分解理论的极化SAR图像分类算法。
关键词:
极化SAR目标分解图像分类
1引言
极化合成孔径雷达(SAR)通过测量地面每个分辨单元内的散射回波,进而获得其极化散射矩阵以及Stokes矩阵。
极化散射矩阵将目标散射的能量特性、相位特性和极化特性统一起来,相对完整地描述了雷达目标的电磁散射特性,为更加深入地研究地物目标提供了重要的依据,极大地增强了成像雷达对目标信息
的获取能力。
从极化SAR图像数据中,我们可以提取目标的极化散射特性,从而实现全极化数据的分类和聚类等其他应用。
这需要我们对极化数据进行分析,有效地分离出目标的散射特性,其理论核心是目标分解。
目标分解理论是Po1SAR图像处理技术中最基本的方法,目标分解的主要目的是把极化散射矩阵或相干矩阵和协方差矩阵分解成代表不同散射机理的若干项之和,每一项对应一定的物理意义。
目标分解的突出优点就是它们大都具有明确的物理解释。
因为目标回波的极化信息可以反映目标的几何结构和物理特性,所以极化目标分解理论可用于目标检测或分类。
目前,极化目标分解理论主要分为基于散射矩阵分解的相干目标分解方法和基于协方差矩阵或相干矩阵的部分相干目标分解两类。
本文从目标分解的基本理论出发,对这些分解方法进行了归纳和分析,以便对这些分解方法进行深刻的把握。
为目标分解方法应用于SAR图像分类提供一些参考。
2极化SAR图像的基本理论
2.1极化合成孔径雷达概述
极化合成孔径雷达是合成孔径雷达向多功能方向发展的一个重要内容,它能有效提高获取目标信息的能力,为提高目标分类的精度提供了有力的工具。
传统的单极化合成孔径雷达仅能获得地面场景在某一特定极化收发组合下的目标散射特性,所得到的信息量是有限的。
若想对地物的地理和电磁特性作进一步的分析与研究,需要了解地物目标在不同极化收发组合下的回波特性,即所谓的雷达极化信息。
这种能够获得地物目标极化散射特性的SAR系统称为极化合成孔径雷达系统。
应用极化合成孔径雷达系统进行观测,测量的数据不再只是目标的后向散射系数,而是一个2
2的复散射矩阵。
与传统的单极化合成孔径雷达相比,极化合成孔径雷达的突出优点在于测量数据包含了更丰富的目标信息,这样就为信息挖掘提供了可能,因此它在目标检测、识别、分类以及目标参数反演等方面具有显著的优势。
极化合成孔径雷达通过测量地面每个分辨单元内的散射回波,进而获得其Sinclair矩阵和Mueller矩阵,这些极化散射矩阵可以用来完全描述目标散射回波的幅度和相位特性。
利用极化合成技术,可以由目标回波的Mueller矩阵计算出天线在任意极化收发组合下所接收到的回波功率值。
也就是说,只需获得四种基本极化组合,即HH、HV、VH和VV极化,就可以准确地计算出天线在所有可能的极化状态下的接收功率值。
总之,极化合成孔径雷达通过调整收发电磁波的极化方式可以获得场景目标的极化散射矩阵,为更加深入地研究目标的散射特性提供了重要的依据,极大地增强了成像雷达对目标信息的获取能力。
2.2极化散射矩阵(Sinclair矩阵)与Mueller矩阵
在雷达目标电磁散射特性研究中,雷达散射截面(RCS)是最早出现且使用最为广泛的特征量,它能描述目标对电磁波散射效率,表征了目标散射场与入射场之间的幅度变换特性,但RCS缺乏对于目标回波相位和极化特性的表征能力。
随着雷达研究的进一步深入,更多的学者认识到极化特性对于雷达全面描述目标属性的作用极为重要,因此迫切需要对雷达极化特性具有描述能力的物理量,极化散射矩阵与Mueller矩阵等能够描述极化效应的量值随之产生。
2.2.1极化散射矩阵
通常情况下,雷达目标在远场区的电磁散射是一个线性过程,若选定了散射坐标系及相应的极化基,则雷达入射波和目标散射波的各极化分量之间存在着极化变换关系,因此,目标的变极化效应可用一个复二维矩阵的形式来表示,称为极化散射矩阵(Sinclair矩阵),它代表了特定姿态和观测频率下目标的全部极化信息。
在后向散射坐标系中,雷达发射、接收的电磁波可以表示为
(2-1)
(2-2)
式中
表示发射电磁波Jones矢量,
表示接收电磁波Jones矢量,h和v分别为选定的正交极化基。
根据电磁散射的线性性质,发射电磁波
与接收电磁波
之间的关系可通过一个2
2矩阵来表示,此矩阵就称为极化散射矩阵,即:
(2-3)
或者可表示为:
(2-4)
式中r为散射目标与接收天线之间的距离,k为电磁波的波数,S表示极化散射矩阵。
一般情况下,散射矩阵S具有复数形式,它是目标变极化效应的定量描述,与雷达的照射和观测接收方向有关。
在特定的照射和观测方向上,对于给定的工作频率和目标姿态,散射矩阵完全表征了照射一观测方向上目标的相干极化电磁散射特性。
在满足互易性原理并使用后向散射坐标系条件下
,若再忽略绝对相位值,则极化散射矩阵中只有5个独立变量(3个幅度以及2个相位)。
实际上,目标的散射矩阵不但取决于目标本身的形状、尺寸、结构、材料等物理因素,同时也与目标和收/发测量系统之间的相对姿态取向、空间几何位置关系以及雷达工作频率等观测条件有关。
2.2.2Mueller矩阵
极化散射矩阵给出了入射波Jones矢量与散射波Jones矢量之间的关系,由电磁波极化理论可知,Jones矢量只能用来描述完全极化电磁波,对于广泛存在的不完全极化波和完全非极化波则需要用Stokes矢量来描述。
对于这种情况,同样需要一个矩阵来建立入射波和散射波之间的联系,该矩阵就是Mueller矩阵。
为了推导Mueller矩阵的形式,可以定义波的相干矢量如下:
(2-5)
其中“
”表示Kronecher直积,“*”表示取共轭,“<>”表示求集合平均。
目标入射和散射波的相干矢量分别为:
(2-6)
(2-7)
式中,
表示目标入射波,
表示目标散射波。
散射与入射电磁Jones矢量之间的关系为:
=S
(2-8)
式中
既可以是完全极化的,也可以是部分极化的。
极化散射矩阵S是目标本身所具有的特性,与入射电场
无关。
目标散射波的相干矢量为:
(2-9)
考虑到S与入射电场不相关,上式可变为:
(2-10)
式中中间矩阵W定义为:
(2-11)
利用电磁散射理论中相干矢量与Stokes矢量之间的等价关系,可得到目标入射电场与散射电场Stokes矢量之间的关系为:
(2-12)
式中M即为目标的Mueller矩阵,其计算表达式为:
M=
(2-13)
其中变换矩阵R为:
(2-14)
从Mueller矩阵的定义式可以看出,M是由W经过相似变换得到的,可见M与W存在等价关系。
而中间矩阵W是由目标的极化散射矩阵得到的,与极化散射矩阵相比,丢掉了绝对相位信息。
事实上,还存在一种反映雷达接收功率与收发天线极化之间依赖关系的Stokes矩阵,它与Mueller矩阵之间的差异并不大,它们描述了同一个电磁散射过程的两个不同方面。
但两个矩阵所包含关于目标的电磁散射特性信息是完全相同的。
由以上分析可以看出,对于确定性目标,散射矩阵完全表征了目标在特定观测条件下的电磁散射特性,它给出了目标对于入射波与散射波Jones矢量的极化变化关系;而对于起伏性目标,Mueller矩阵从统计的角度描述了目标在特定观测条件下的极化散射特性,反映了目标对于入射波和散射波Stokes矢量的极化变换关系。
从信息量的角度讲,Mueller矩阵中仅包含关于目标极化散射过程的二阶矩信息,而没有包含一阶及三阶以上更高阶矩的信息,因此可以说Mueller矩阵所包含的信息对于描述目标电磁散射特性而言是不完全的。
2.3极化协方差矩阵与相干矩阵
在极化SAR数据的分析过程中,为了表述方便我们常常需要将目标的极化散射矩阵矢量化,从而得到散射矢量,并进一步得到目标的极化协方差矩阵和相干矩阵。
极化协方差矩阵和相干矩阵中包含了雷达测量得到的全部极化信息,其复元素是我们进行多极化SAR数据分析和处理的基础。
2.3.1协方差矩阵
根据数学法则,散射矩阵S的矢量化可以表示为:
(2-15)
其中上标T表示矩阵的转置运算,V(S)为矩阵矢量化算子,Trace为求矩阵对角线元素之和的运算符,
为一组2
2的复矩阵集,它是以Hermitian内积形成的一个正交基集。
对于散射矩阵S的矢量化,可以使用任意一个能够使矢量
的范数保持不变且包含4个2
2复矩阵的完全正交基集。
用来实现散射矩阵矢量化的一种常见完全正交基集如下所示:
(2-16)
在满足互易性原理的后向散射情况下,通过上述矢量化可得到常规散射矢量为:
(2-17)
其中系数
是为了保持散射矢量的范数不变,即令极化散射总功率(Span)的大小与基矩阵
的选择无关:
(2-18)
得到常规散射矢量
后,目标的极化协方差矩阵C可定义为
的Kronecker积:
(2-19)
2.3.2相干矩阵
除了上述给出的矢量化方法,不少学者还将最初在量子力学中用来描述旋转的正交复Pauli矩阵基集引入到极化散射矩阵的矢量化过程中,从而得到了另一种极为重要的矢量化方法。
著名的Pauli矩阵基集可表示为:
(2-20)
在满足互易性原理的后向散射情况下,通过矢量化可得到Pauli散射矢量为:
(2-21)
其中系数
和2同样是为了保持散射矢量的范数不变。
实际上,使用Paull基的好处在于Paull矩阵是以基本散射机理的形式给出的,由此得到的Pauli散射矢量就非常接近电磁波散射的物理特性,在随后的章节中会进一步发现这一特点。
由此,可定义目标的极化相干矩阵T为如下形式:
(2-22)
通过比较可以看出,极化协方差矩阵C与相干矩阵T是不同的,但两者之间有一些相同的特性,例如两者都是Hermitian半正定的,具有相同的非负特征值和正交特征矢量。
实际上,极化协方差矩阵与相干矩阵是线性相关的,两者通过以下方式可实现线性转化:
(2-23)
与MueUer矩阵相比,相干矩阵特征值分析往往能对物理机制给予更好的物理解释,因此在极化数据分解、极化数据相干性分析以及极化SAR干涉等许多研究领域都有广泛的应用。
3目标分解理论
目标分解理论是PolSAR图像处理技术中最基本的方法,目标分解的主要目的是把极化散射矩阵或相干矩阵和协方差矩阵分解成代表不同散射机理的若干项之和,每一项对应一定的物理意义。
目标分解的突出优点就是它们大都具有明确的物理解释。
因为目标回波的极化信息可以反映目标的几何结构和物理特性,所以极化目标分解理论可用于目标检测或分类。
目前,极化目标分解理论主要分为基于散射矩阵分解的相干目标分解方法和基于协方差矩阵或相干矩阵的部分相干目标分解两类。
3.1相干目标分解
相干目标分解方法主要包括Pauli分解、Krogager分解、Cameron分解以及一系列对Cameron分解的改进方法。
Pauli分解将散射矩阵分解为奇次散射、偶次散射以及与水平方向有45°倾角的偶次散射。
这3种成分是相互正交的,具有一定的抗噪性。
但是它们代表的目标特征不是相互独立的,只能区分单次散射和偶次散射两种散射机理,这限制了它的实际应用,因此我们常常用它来检验数据的有效性。
Krogager分解方法把散射矩阵分解为并不相互正交但是代表一定特殊目标特性的基,在圆极化基的基础上将散射矩阵分解为球、二面体和螺旋体(不同的情况对应不同的螺旋方向)3种成分,共有6个参数包括3个角度
、
、θ和3个实极化基的系数
、
、
3个系数分别表示3种成分所占的比重。
Krogager分解作用于相干基下的单个像素,充分利用了PolSAR数据内在的相干特性,对高分辨率SAR数据比较适用。
Cameron分解将散射矩阵分解为一个最大对称成分和一个最小对称成分(单站雷达目标互易情况下,散射矩阵不对称时分解为一个最大对称成分和一个非对称成分),最大对称成分再变换进行详细分类,得到三面体、二面体、窄二面体、偶极子、柱面体、1/4波振子,左螺旋体和右螺旋体8种成分。
由于这种方法假设目标的散射是相干的,在分解之前并不进行目标散射相干性的检验,因此在非相干散射区域就会产生错误。
Touzi针对Cameron分解的缺陷提出一种对称散射特征化方法(SSCM)。
这种方法在三面角和二面角正交基向量张成的空间中,用3个参数α、
和η以及三面角—二面角通道的相位差
来表示Cameron目标分解中的最大对称成分。
SSCM中,最大对称成分可以表示为庞加莱球中角
、
的函数,这比Cameron分解中的单位圆盘对称散射更完整。
SSCM能较好分割目标对称散射,从而较好地提取相干散射范围内最大的目标对称散射成分提供的信息。
目标散射矢量模型(TSVM)用Takagid共轭对角化方法得到5个独立的参数:
目标散射角Ψ和4个方位不变的目标参数(
、m、
αs、
)来描述散射特性。
对于对称目标,TSVM和Cloude分解相同,但Cloude分解依赖于目标方位角,而且TSVM能更好地描述非对称目标。
将Cloude分解和TSVM相结合,Touzi推导出相干目标分解TSVM-CTD模型,这种方法适用于点目标和分布式目标的单视和多视SAR数据。
随后,Touzi又提出了部分相干目标分解TSVM-ICTD模型。
基于散射矩阵的相干目标分解把数据全部对应于某几种特定的简单散射机理,只能用于确定性的纯目标的分解。
所谓纯目标是指散射特性完全可以用散射矩阵表示的目标。
对于分布式目标,需要考虑目标的二阶统计特性,需要采用部分相干目标分解方法进行研究。
3.2部分相干目标分解
部分相干目标分解的主要方法包括Cloude特征向量分解、Freeman分解、OEC分解和四成分散射分解等。
Cloude提出的基于目标相干矩阵的特征向量分解方法,用特征值分解方法将目标相干矩阵分解为3种相干矩阵的加权和,并由相干矩阵的特征值推导出3个特征参量:
熵H、各向异性A和α角,它们都与特定的物理特性相联系。
特征值的大小代表了某种散射在所有散射中所占的比重。
H的大小代表了散射随机性的大小;A的大小反映了分解中相对较弱的两个散射分量之间的关系;α角与目标的散射机理相联系,α接近0°表示目标接近于平面散射,α接近90°,表示目标接近于二面角散射,α在45°附近表示目标接近于偶极子散射等。
Ainsworth等从Cloude分解的特征向量出发,提出了一种基于特征向量的分解方法。
他们在圆极化基下,通过定义一组复旋转变换,同时保留特征向量的正交性,把特征向量分解成6个独立变量,其中的4个参数有着直接的物意义,另外两个为去极化参数。
Holm&Bames分解方法也是基于极化相干矩阵的特征分解方法,并且也分为3类,所不同的是,其中第一部分是唯一一个对应稳态目标的部分,且散射能量较大,可以认为它是该目标的主要散射分量;第二部分则使得任意极化入射的电磁波的散射都变为完全非极化波,即具有类似于噪声的性质;三部分为残留项。
一般情况下,只有第一部分的秩等于1,所以分解出来的3部分当中只有第一部分可以认为是一个固定目标的散射。
Freeman分解方法是将协方差矩阵分解为3种散射成分,由一系列的冠层定向偶极子得到的体散射成分,由二面角反射器得到的二次散射成分和由一阶Bragg面散射得到的面散射或单散射成分。
这种方法适用于分解P、L和C波段自然分布目标区域的PolSAR图像,已经成功地用于对称情形
的PolSAR图像的分解。
而且Freeman分解方法是后续一系列部分相干目标分解方法的基础。
考虑到城镇区域的非对称反射情况,即
≠0和
≠0。
Moriyama受Freeman分解方法的启示,建立的OEC模型将后向散射分为奇次散射、偶次散射和交叉散射3种散射成分,OEC适用于城镇地区建筑物的极化特征分解。
随后,Yamaguchi等在Freeman3种成分分解的基础上,增加螺旋散射成分,建立了四成分散射模型,从而将Freeman分解的适用范围推广到更一般的情况,四成分散射模型可以分析具有城镇区域或具有更复杂几何散射结构的区域。
因为相干矩阵和协方差矩阵所包含的信息相同,随后他们又提出基于相干矩阵的四成分PolSAR分解方法,该方法和基于协方差矩阵分解的结果相同,优点在于可以用散射矩阵元素明确表达4种散射成分,从而定量进行PolSAR图像的解译。
4基于目标分解理论的极化SAR图像分类
极化SAR图像分类就是根据极化SAR测量数据的物理、统计等特性把图像中各像索对应的地物划分为不同的类别,是雷达极化遥感重要的应用之一。
作为极化SAR图像研究领域的热点问题,极化SAR图像分类的各种方法层出不穷,但由于地物本身散射表征的复杂性,实现较为精确的地物分类是极为困难的。
随着相关研究的不断深入,越来越多的学者认识到:
通过目标分解理论提取各种能够表征地物特性的极化散射信息用于分类将有效地提高极化SAR图像的分类效果。
其中Krogager的SDH分解在圆极化基上将目标分解为球,二面体和螺旋体三种成分;Freeman等人基于具体物理散射模型,提出了三分量极化分解法,把极化数据分解成平面散射,二面角散射和体散射;1997年,利用提出的分解理论所获得的散射熵H与表征地物散射机理的角度
,Cloude率先得到了著名的H/
分类方算法,从而开启了利用目标分解理论研究极化SAR图像分类的新途径。
随后,基于目标分解理论的极化SAR图像分类方法蓬勃发展,不断改善着分类的效果和性能,成为该领域近10年来极有潜力的发展方向。
4.1H/
分类算法
散射熵H和散射角α是表征地物目标极化散射特性的两个重要参量,根据H和α的取值,可以形成H/α特征空间。
根据英国学者S.R.Cloude的方法,可以将整个H/α平面划分为9个区域,其中有8个有效区域,每一区域代表一种特殊的散射类别(见图4-1),各类别的主要说明见表4-1。
H/α目标分解方法通过估计潜在的目标散射机理来理解自然媒质的内在物理特性,可以进行极化雷达的分类和反演研究。
表4-1H/α特征空间主要散射类型及代表地物
H/α分解的H/α特征空间平面如图4-1所示:
图4-1H/α特征分解空间平面
图4.1中9个区域的物理散射特性可描述如下:
1.z1区—低熵表面散射:
本区中
为小于42.5“的低熵表面散射,包括镜面散射、布拉格表面散射和其它不会在hh和vv分量之间引起180
相移的特殊散射机理。
2.z2区—低熵偶极子散射:
属于本区的散射机理在hh和vv分量的幅度上有较大差异,通常产生于具有很强各向异性特性的植被区域。
此区域的范围可根据雷达测量hh与vv比率的能力,即定标的精度来确定。
3.z3区—低熵多次散射:
本区中的散射机理为具有较低散射嫡的二次及更高的偶数次散射,如各向同性的电介质或金属二面角的散射。
本区中散射类型的
大于47.5“。
此类散射机理下边界的选择取决于散射目标的介电常数以及雷达测量精度。
以上三个分类区域散射墒H的上边界选取为0.5,这是考虑到各次散射的影响以及系统测量噪声导致熵升高而选定的一个典型值。
4.z4区—中熵表面散射:
随着散射体表面粗糙度的增加,其散射熵也会增加。
通常说来,类似于树叶或者小圆盘一样的椭球形散射体所产生的散射熵一般介于0.6到0.7。
5.z5区—中熵体散射:
此区域中主要是具有中等散射熵的偶极子散射,包括具有各向异性散射特征的植被等地物类型。
6.z6区—中熵多次散射:
此区域中的散射机理为具有中等散射熵的二面角散射,其典型代表是城市区域的散射和穿透森林树冠后地面与树干间的散射。
z4、z5、z6区散射熵H的上边界可定为0.9。
7.z7区—高熵表面散射:
该区不在H/
平面的有效分类区内,因此无法在散射熵大于0.9的情况下区分出表面散射。
这说明随着嫡的增加,极化数据的可分性降低。
8.z8区—高熵体散射:
这种类型的散射来自大片具有各向异性的针状粒子或低损耗对称粒子,森林树冠以及某些具有高度各向异性特性的植被表面的散射就位于该区域。
因为此区域的散射熵很高,因此分到本区中的类别很可能仅仅是一些不含任何极化信息的噪声。
9.z9区—高熵多次散射:
本区中的散射类型在高散射墒时能区分开偶次散射,主要是具有粗壮树枝和浓密树冠的树木的散射。
由以上论述可以看出,H/
分类算法能较好地利用地物表现出的散射机理信息,通过将不同地物表现出的散射特性与H/
平面划分出的区域相对应,有效地实现了地物的非监督分类。
4.2基于Freeman分解与复Wishart分类器的分类算法
为了能够保持地物的极化散射特性,Lee等人于2004年提出了基于Freeman分解与复wishart分类器的地物分类算法,该算法进一步有效地利用了地物的散射机理信息,同时通过区分不同散射模型使得所分类地物的极化散射特性得以保持。
利用Freeman分解提供的三种散射机理模型,可将地物目标粗略划分为三大类别,然后在各大类别内进行基于Wishart迭代的小类合并与再次分类,由于较充分地利用了散射机理信息与统计分布信息,该算法能明显改善分类的最终效果。
下面是该算法的详细步骤:
1.如果原始数据并没有进行足够的多视平均,可以对数据进行滤波处理。
滤波可以降低噪声干扰,但过分的滤波则会导致空间分辨率的下降,所以是否需要滤波视具体情况而定。
2.对图像中的每个像素进行Freeman分解,计算出三种散射机理的功率幕Ps,几。
将每个像素中功率最大的散射机理标记为该像素的散射类型,从而得到三种散射类型分类一体散射V,表面散射S,偶次散射D。
3.将每一个散射类型中的像素按该散射类型功率的大小划分为30或更多小类,可得到90或更多初始小类,同时计算每个小类的平均协方差
。
4.在每个散射类型中,按照类间Wishart距离来合并初始小类
(4-1)
如果两个小类间具有最短的
且均属于同一散射类型,则两小类合并,通过此方法将所有初始小类合并为最终分类所需要的类数凡。
限定最后合并得到类的大小不超过
=2N/
,从而防止一类合并过大而吞噬其它小类。
另外,为了保持散射特性的纯正,较小的小类应首先合并,只有属于同一散射类型的小类方可合并。
考虑到在地物分类中偶次散射占主导的像素相对较少,为了更好地区分属于偶次散射类型的像素,限定每个散射类型中最终合并得到的类数不少于3个。
5.计算合并所得凡类的平均协方差矩阵,并使用这些矩阵作为相应类的类心。
所有像素根据其与各类类心的Wishart距离度量来重新分类
(4-2)
用V、S、D标记的各像素仅能重新指定到属于相同散射类型的小类中,这样确保了散射机理的同质性。
6.使用Wishart分类器迭代计算2至4次,使得重新分类过程更收敛。
7.各小类的合理着色对于最终分类结果的视觉评估是非常重要的,因此采用如下自动颜色选取规则:
首先,表面散射指定为蓝色系,体散射指定为绿色系,偶次散射指定为红色系;其次,在表面散射类中,具有最高表面散射功率的类将被指定为白色,说明该类接近于镜面反射;最后,每种散射类型中各小类颜色的深浅由该小类像素对应散射类型的平均功率大小决定一功率越大颜色越浅,功率越小颜色越深。
通过上述7个步骤,即可实现基于Freeman分解与Wishart分类器的地物分类算法。
由于在合理利用散射机理信息与统计分布信息的基础上,采取了较为精细的小类划分与合并,该算法可以得
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 极化 SAR 影像 分类 综述