学位论文 > 优秀研究生学位论文题录展示

极化合成孔径雷达图像分类

作　者: 谢艳
导　师: 皮亦鸣
学　校: 电子科技大学
专　业: 通信与信息系统
关键词: 极化SAR图像非监督分类模糊集理论极化分解独立分量分析主分量分析
分类号: TN958
类　型: 硕士论文
年　份: 2006年
下　载: 312次
引　用: 0次
阅　读: 论文下载

内容摘要

合成孔径雷达(SAR)图像分类是SAR图像解译的关键技术之一。快速、准确的SAR图像分类是实现各种实际应用的前提。根据我国SAR系统的发展现状和SAR信息处理技术的应用需求,本文主要针对极化SAR数据进行了分类方法的研究。美国在整个SAR图像解译领域处于国际领先水平。其它一些国家,例如加拿大、德国和日本等也都进行了SAR图像解译的研究。我国的SAR信息处理技术基本上还停留在SAR图像解译的初级阶段。在实际的SAR图像分类应用中,我们关于类别的先验知识非常少,极化信息的利用也不充分。另外,许多分类错误是由SAR图像的像素点类别混淆和相干斑噪声干扰引起的。为了得到更快速、更准确的分类结果,本文围绕预处理、分类器的选择和特征提取等问题研究了一些非监督分类方法。我们采用SIR-C/X极化SAR数据来说明这些方法的有效性。我们首先研究了基于模糊集理论的非监督分类方法。该方法是原始SAR数据极化信息的利用和基于模糊集理论的非监督分类方法的结合。我们使用图像量化和图像增强技术对原始SAR数据进行预处理;在特征空间中利用极化信息、使用模糊c均值(FCM)算法对预处理后的SAR图像进行分类。我们接着研究了基于极化分解的非监督分类方法。该方法是极化分解和基于模糊集理论的非监督分类方法的结合。我们使用极化分解对原始极化SAR数据进行特征提取;对提取出的极化分量进行指数量化;使用FCM算法对量化后的极化分量图像进行分类。最后,我们研究了基于独立分量分析(ICA)的非监督分类方法。该方法是ICA和基于模糊集理论的非监督分类方法的结合。我们使用ICA对原始极化SAR数据进行特征提取;对提取出的独立分量进行指数量化;使用FCM算法对量化后的独立分量图像进行分类。实验表明,以上非监督分类发法可实现对极化SAR图像的自动分类,并且分类准确性高、收敛速度快、稳定性高。基于模糊集理论的非监督分类方法能够补偿像素点的类别混淆问题。基于极化分解的非监督分类方法能够更准确地

全文目录

第一章引言  12-20
  1.1 合成孔径雷达图像分类  12-13
  1.2 国内外研究现状  13-16
  1.3 论文的主要工作  16-20
    1.3.1 论文的研究重点  16-17
    1.3.2 论文的研究思路  17-18
    1.3.3 论文的章节安排  18-20
第二章合成孔径雷达图像的特性  20-33
  2.1 合成孔径雷达图像的物理基础  20-23
    2.1.1 后向散射现象的理论模型  20-21
      2.1.1.1 无限光滑散射平面  20-21
      2.1.1.2 瑞利散射体  21
    2.1.2 后向散射现象的实际模型  21-23
      2.1.2.1 粗糙平面的散射  21-22
      2.1.2.2 任意目标的散射  22
      2.1.2.3 目标群的散射  22-23
  2.2 合成孔径雷达图像的几何特性  23-27
    2.2.1 采样和分解  23-24
      2.2.1.1 方位向  23
      2.2.1.2 距离向  23-24
    2.2.2 雷达坐标系和地面坐标系  24-25
    2.2.3 合成孔径雷达图像的压缩和膨胀  25
    2.2.4 相干斑的基本概念  25-27
  2.3 合成孔径雷达图像数据  27-33
    2.3.1 原始数据  28
    2.3.2 单视复数据  28-30
    2.3.3 多视幅度数据  30-31
    2.3.4 衍生产品  31
    2.3.5 极化数据  31-33
      2.3.5.1 AirSAR 数据  31-32
      2.3.5.2 SIR-C/X-SAR 数据  32
      2.3.5.3 极化分解  32-33
第三章合成孔径雷达图像的预处理  33-40
  3.1 图像量化  33-35
    3.1.1 采样和量化的基本概念  33-34
    3.1.2 图像量化的方法  34-35
      3.1.2.1 均匀量化  34
      3.1.2.2 对数量化  34
      3.1.2.3 指数量化  34-35
    3.1.3 图像量化的结果和讨论  35
  3.2 图像增强  35-38
    3.2.1 图像的空间域增强  36-37
    3.2.2 灰度的线性变换  37
    3.2.3 图像增强的结果和讨论  37-38
  3.3 预处理的结果和讨论  38-40
第四章基于模糊集理论的极化合成孔径雷达图像分类  40-58
  4.1 模式识别的基本概念  40-41
    4.1.1 模式识别  40-41
    4.1.2 模式  41
  4.2 遥感图像的模式识别  41-44
    4.2.1 特征空间的定义  42-43
    4.2.2 模式识别方法的分类  43-44
  4.3 非监督分类算法  44-58
    4.3.1 迭代自组织数据算法  44-45
    4.3.2 自组织特征映射算法  45-46
    4.3.3 基于模糊集理论的分类算法  46-58
      4.3.3.1 模糊集理论的基本概念  47-49
      4.3.3.2 模糊集合的基本运算  49-51
      4.3.3.3 模糊c 均值聚类算法  51-54
      4.3.3.4 分类结果和讨论  54-58
第五章基于极化分解的极化合成孔径雷达图像分类  58-72
  5.1 极化的基本概念  58-65
    5.1.1 极化的定义  58-59
    5.1.2 电磁波的极化  59-62
    5.1.3 BSA 协议  62
    5.1.4 后向散射矩阵  62-65
  5.2 极化分解  65-69
    5.2.1 基于后向散射矩阵的极化分解  65-67
    5.2.2 Pauli 分解的实现  67-68
    5.2.3 SDH 分解的实现  68-69
  5.3 结果和讨论  69-72
第六章基于独立分量分析的极化合成孔径雷达图像分类  72-85
  6.1 独立分量分析的基本概念  72-75
    6.1.1 盲信号处理的定义  72
    6.1.2 独立分量分析的定义  72-73
    6.1.3 独立分量分析的发展简史  73-74
    6.1.4 独立分量分析研究中的主要问题  74-75
  6.2 源信号的概率密度函数、等价可分性和观测信号中的相关性的去除..  75-79
    6.2.1 源信号的概率密度函数描述  75-76
    6.2.2 源信号和混合矩阵的等价尺度变换  76
    6.2.3 解的等价性  76-77
    6.2.4 观测信号中的相关性的去除  77-79
  6.3 独立分量分析算法  79-81
    6.3.1 基本假设条件  79-80
    6.3.2 具体算法描述  80-81
  6.4 结果和讨论  81-85
第七章结论  85-87
致谢  87-88
参考文献  88-92
在学期间的研究成果  92

极化合成孔径雷达图像分类

内容摘要

全文目录

相似论文