学位论文 > 优秀研究生学位论文题录展示

极化SAR图像分类技术研究

作　者: 吴永辉
导　师: 郁文贤；粟毅
学　校: 国防科学技术大学
专　业: 信息与通信工程
关键词: 极化合成孔径雷达图像分类散射机理极化目标分解特征选择图像分割支持向量机马尔可夫随机场统计分布
分类号: TN958
类　型: 博士论文
年　份: 2007年
下　载: 553次
引　用: 6次
阅　读: 论文下载

内容摘要

极化SAR是一种先进的遥感信息获取手段。与单极化SAR相比,它通过测量每个分辨单元在不同收发极化组合下的散射特性,更完整地记录了目标后向散射信息,为详尽分析目标散射特性提供了良好的数据支持。极化SAR图像分类是图像解译的重要步骤,分类图既可作为中间结果为边缘提取、目标检测、识别等提供辅助信息,也可作为最终结果直接输出给用户。开展极化SAR图像分类研究对于探索目标散射特性、提高极化SAR系统的应用水平具有重要的理论意义和实用价值。论文以揭示目标散射机理和提高分类精度为主要目的,系统地研究了极化SAR图像分类方法。揭示目标散射机理是极化SAR数据分析的重要目的之一,现有这方面研究一般只针对全极化数据。双极化是极化SAR常用的工作模式,为研究双极化SAR对目标散射机理的识别性能,论文对H-α方法进行了修正。推导了双极化H-α平面有效区域的边界,从理论角度研究了双极化SAR对各向同性表面、偶极子和各向同性二面角三种基本散射的识别能力,通过实验分析了双极化SAR对H-α平面有效区域内八种基本散射机理的识别性能,并给出了HH-VV双极化H-α平面的一种可行划分方式。现有极化SAR图像分类算法大多以像素为基本分类单元。为提高分类精度,论文从改进已有算法和引入发展于其它领域的算法两个角度,对基于像素的分类方法进行了研究。H-α方法是最为著名的极化SAR图像非监督分类方法之一,但其分类图存在地物类别模糊问题。针对该问题,通过结合C-均值算法,提出H-α-CM算法,从而将H-α方法的散射机理分类转化为地物分类。为自动确定迭代次数,定义了分类图像熵,以熵最大作为H-α-CM算法的迭代终止准则,并通过实验分析了该准则的合理性。SVM是一种较新的分类和回归算法,论文研究了它在极化SAR图像分类中的应用。为避免依据经验选择特征导致分类性能不稳定,提出以支持向量个数作为评估指标的NSVFS特征选择算法,并将其用作SVM分类的预处理,从而构成完整的利用SVM进行特征选择和分类的NSSVM算法。实验结果表明该算法对SVM参数的敏感性较低,具有较强的自适应性。最后,以SVM为分类器,定性、定量地比较了全极化、双极化和单极化SAR的分类性能,并从目标散射特性和分类器工作原理的角度阐明了三者性能差异的成因。基于像素的方法能保持分类图的地物细节,但其性能易受相干斑影响。基于区域的方法在分类过程中考虑像素空间相关性,可有效减弱相干斑的不良影响。MRF是一种常用的描述像素空间相关性的模型,在将MRF引入极化SAR图像分类的过程中,为充分利用数据的统计先验知识和避免拆分协方差矩阵导致信息损失,将MRF与协方差矩阵的Wishart分布结合,提出WMICM算法。随后,针对watershed算法过分割时存在锯齿效应的问题,采用MRF进行过分割,提出MOS-ML算法。WMICM和MOS-ML在分类的不同阶段考虑像素的空间相关性,前者由初始分类和ICM调整两个步骤构成,在第二步中引入相邻像素相关性:后者包括仞始过分割和ML分类,在构造过分割得到的大量子区域的过程中利用像素相关性。由于利用了极化数据的统计先验知识和相邻像素的空间相关性,因此两种算法均具有较高的分类精度,并能获得清晰平滑的分类图。

全文目录

摘要  12-14
ABSTRACT  14-16
第一章绪论  16-39
  1.1 研究背景及意义  16-23
  1.2 国内外研究现状  23-35
  1.3 论文主要工作  35-39
第二章雷达极化基础与极化SAR数据统计特性  39-64
  2.1 引言  39
  2.2 电磁波的表示  39-43
    2.2.1 Jones矢量和极化椭圆  40-41
    2.2.2 Stokes矢量和Poincare极化球  41-43
  2.3 雷达目标极化散射的表示  43-49
    2.3.1 散射矩阵和散射矢量  43-44
    2.3.2 Mueller矩阵  44-46
    2.3.3 Stokes矩阵  46-47
    2.3.4 协方差矩阵和相干矩阵  47-49
  2.4 极化合成  49-55
    2.4.1 基本理论  49-50
    2.4.2 极化特征图  50-55
  2.5 单极化SAR数据统计特性  55-58
    2.5.1 实部和虚部  55-56
    2.5.2 相位  56-57
    2.5.3 幅度  57
    2.5.4 功率  57-58
  2.6 极化SAR数据统计特性  58-62
    2.6.1 散射矢量  58-59
    2.6.2 协方差矩阵  59-61
    2.6.3 相位差  61-62
    2.6.4 幅度积  62
  2.7 小结  62-64
第三章基于H-α方法的极化SAR散射机理识别  64-90
  3.1 引言  64-65
  3.2 H-α方法原理  65-69
  3.3 双极化条件下修正的H-α方法  69-71
    3.3.1 HH-VV双极化  69-70
    3.3.2 HH-HV双极化  70
    3.3.3 HV-VV双极化  70-71
    3.3.4 边界条件  71
  3.4 双极化SAR对几种基本散射的识别  71-72
    3.4.1 HH-VV双极化  72
    3.4.2 HH-HV双极化  72
    3.4.3 HV-VV双极化  72
  3.5 实验结果及分析  72-89
    3.5.1 统计平均对(H，α)的影响  72-74
    3.5.2 旧金山极化SAR数据处理结果  74-81
    3.5.3 德国Oberpfaffenhofen极化SAR数据处理结果  81-88
    3.5.4 结论  88-89
  3.6 小结  89-90
第四章基于像素的极化SAR图像分类方法及不同极化组态SAR图像分类性能比较  90-131
  4.1 引言  90-91
  4.2 H-α-CM分类算法  91-99
    4.2.1 算法思路  91
    4.2.2 迭代终止准则  91-93
    4.2.3 算法流程  93-94
    4.2.4 实验结果及分析  94-99
  4.3 NSSVM特征选择与分类算法  99-119
    4.3.1 SVM原理  99-102
    4.3.2 SVM与ML的极化SAR图像分类性能比较  102-109
    4.3.3 NSVFS特征选择算法  109-114
    4.3.4 NSSVM算法流程  114
    4.3.5 实验结果及分析  114-119
  4.4 全极化、双极化与单极化SAR分类性能比较  119-129
    4.4.1 分类特征  120-121
    4.4.2 分类流程  121-122
    4.4.3 实验结果及分析  122-129
    4.4.4 结论  129
  4.5 小结  129-131
第五章利用MRF基于区域的极化SAR图像分类方法  131-157
  5.1 引言  131-132
  5.2 MRF基础  132-135
    5.2.1 邻域  132-133
    5.2.2 马尔可夫随机场  133
    5.2.3 子团  133-134
    5.2.4 吉布斯随机场  134
    5.2.5 GRF与MRF的等效性  134-135
  5.3 MAP准则和ICM算法  135-136
    5.3.1 MAP准则  135
    5.3.2 ICM算法  135-136
  5.4 WMICM分类算法  136-146
    5.4.1 初始分类  136-137
    5.4.2 算法流程  137-139
    5.4.3 实验结果及分析  139-146
  5.5 MOS-ML分类算法  146-155
    5.5.1 分割  146-147
    5.5.2 分割与分类的异同  147-148
    5.5.3 基于MRF的初始过分割  148-149
    5.5.4 以子区域为分类单元的ML  149
    5.5.5 算法流程  149-151
    5.5.6 实验结果及分析  151-155
  5.6 小结  155-157
结束语  157-159
致谢  159-161
参考文献  161-174
作者在学期间取得的学术成果  174

极化SAR图像分类技术研究

内容摘要

全文目录

相似论文