Evaluation of Polarimetric SAR Despeckling Methods for Crop Classification from RCM Compact Polarimetry Data
Notice bibliographique
Résumé
Abstract. The presence of speckle in RADARSAT Constellation Mission (RCM) Compact Polarimetry (CP) Synthetic Aperture Radar (SAR) images can impair the performance of information extraction applications such as classification. Therefore, a critical preprocessing step known as despeckling is necessary to mitigate this granular, noise-like phenomenon in these images. This paper compared several PolSAR speckle reduction methods, including Box Car, IDAN, Lee Refined, Lee Sigma, Improved Lee Sigma, and Lopez filters. A CP SAR dataset collected over agricultural land in southern Quebec, QC, Canada, was utilized for the study. The assessment of despeckling was based on various no-reference quantitative indicators. Each despeckling method was evaluated for its effectiveness in reducing speckle in homogeneous areas, preserving details, and avoiding radiometric distortion. Additionally, the impact of despeckling on the classification of this agricultural land was assessed using the Random Forest classifier. The Stokes parameters, m-chi decomposition, and intensity images were utilized for this purpose. Experimental results indicated that the Box Car method excelled in speckle suppression at the expense of edge over-smoothing. Furthermore, the Lee Sigma and Improved Lee Sigma methods were the most effective in speckle reduction from homogeneous areas while preserving edges and preventing radiometric distortion. Moreover, the classification results demonstrated that appropriate despeckling could significantly enhance classification accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».