基于SL-ICA算法的SAR图像混合像元分解

曹恒智; 余先川; 张立保

doi:10.11834/jrs.20090241

技术方法 | 浏览量 : 0 下载量: 938 CSCD: 3

PDF
导出
分享
收藏
专辑

基于SL-ICA算法的SAR图像混合像元分解
Decomposition of SAR images’ mixed pixels based on supervised learning ICA algorithm
2009年13卷第2期页码：217-223
纸质出版：2009
DOI： 10.11834/jrs.20090241
稿件说明：

移动端阅览

[1]曹恒智,余先川,张立保.基于SL-ICA算法的SAR图像混合像元分解[J].遥感学报,2009,13(02):217-223. DOI： 10.11834/jrs.20090241.

Decomposition of SAR images’ mixed pixels based on supervised learning ICA algorithm[J]. Journal of Remote Sensing, 2009, 13(2): 217-223. DOI： 10.11834/jrs.20090241.

摘要

为解决合成孔径雷达（SAR）图像存在大量混合像元的问题

针对传统ICA不能有效解决混合像元分解这一缺陷

提出一种新的独立成分分析算法——有监督学习ICA算法（SL-ICA）。其目标函数是在原ICA负熵目标函数基础上增加监督学习的约束条件项

进而在同一目标函数内实现负熵和约束条件的统一

在最大化负熵的同时也最小化了约束条件的误差

此外

采用一种新的双梯度下降法优化迭代

提高计算速度。并以人工模拟SAR图像和北京地区ENVISAT-ASAR作为数据源进行实验

实验结果明显优于主成分分析方法（PCA）的分解结果。

Abstract

For resolving the problem that there are lots of mixed pixels in the Synthetic Aperture Radar （SAR） images

against the flaw that the traditional Independent Component Analysis（ICA） can not solve the decomposition of mixed pixels effectively

we propose a new algorithm: Supervised Learning ICA algorithm（SL-ICA）. Adding supervised learning restrictive conditions to the negentropy objective function

we implement negentropy and restrictive conditions in a unified objective function

which minimizes the error while maximizing the negentropy. At the same time

we optimize the objective function using a new dual-gradient descent algorithm iteratively

which accelerates the computing speed. By testing SL-ICA and Principal Component Analysis （PCA）. on artificial simulated SAR images and ENVISAT-ASAR （Advanced Synthetic Aperture Radar） images of Beijing

the results show that SL-ICA can get more precise results than the PCA.