全极化SAR分类若干关键技术研究

发布时间：2020-08-02 20:15

【摘要】：随着航空、航天遥感技术的不断发展,遥感应用需求日益迫切,海量的遥感数据和相对滞后的信息处理能力间的矛盾日益突出。机器学习方法以其先进性、智能性等技术特性,在海量数据处理、信号处理、特征提取、遥感图像处理等多个领域得到广泛应用。全极化合成孔径雷达作为当代遥感技术的一个热门研究领域,具有许多突出优点,如不受时间影响,可以24小时成像;不受天气影响,可以在各种特殊天气下成像等。近年来,全极化合成孔径雷达得到了广泛的关注,与其相关的成像、滤波、特征提取、分类等信息处理技术也在不断发展。本论文针对全极化SAR图像分类领域中的特征选择、小样本分类、多特征综合、多分类器集成、面向对象分类等关键问题,以核学习、集成学习等为基础开展全极化SAR图像分类方法研究,主要内容和研究结论如下:1)综合对比了常用的H/Alpha/A分解、Freeman-Durden分解、Yamaguchi分解、Pauli分解、Krogager分解、MCSM分解,Vanzyl分解等多种极化目标分解方法的分类效果,通过最小距离、马氏距离、神经网络、支持向量机等常规的遥感图像分类算法进行实验,结果表明Pauli分解法提取的极化特征有利于常规分类算法获得较高的分类精度。2)针对小样本情况下的分类问题,提出一种结合Wishart距离和图像分割的半监督学习与分类算法,将分割产生的对象内部像元作为候选样本,通过Wishart分类法对其进行初步分类并排序,得到对象内可靠的样本并将其加入到训练样本集,实现半监督学习和分类,通过实例验证了半监督学习算法的有效性。3)从核函数角度对常规支持向量机进行改进并将其应用到全极化SAR图像分类领域。将小波支持向量机引入到全极化SAR图像分类领域,较常规支持向量机能够获得更高的分类精度;提出一种简单的多核学习方法,分别在Pauli分解极化特征、纹理特征上训练出极化核、纹理核,并将其进行组合形成多核,以此来进行基于多核学习的支持向量机分类,并进行单核、多核支持向量机分类对比实验,结果表明在两个相同核函数以及两个不同核函数等多核情况下,分类精度均优于单核支持向量机。4)为充分利用不同分类器间的差异性以进一步提高分类精度,提出一种基于集成学习的分类算法,在极化相干矩阵信息上采用Wishart-KNN分类法、Wishart分类法,同时在纹理信息上通过核-KNN分类法得到三个基分类器的分类结果,然后通过改进的分类器动态选择法进行集成学习,实验结果表明该方法可以在单分类器的基础上进一步提高分类精度。5)针对面向对象分类算法精度较低的问题,提出一种改进的面向对象分类算法,通过随机选择的方法在分割产生的对象内部进行随机取样并形成对象内样本集合,然后对该样本集合进行分类,同时统计其中各类别比例,若没有类别占优,则认为该对象异质性高,改用基于像元法对该对象内像元进行分类,否则,将占优类别作为该对象类别,最后整合生成分类结果。实验结果表明该改进算法综合利用面向对象、基于像元法的优势,可以得到精度高、可视性好的分类结果。
【学位授予单位】：中国矿业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：P237
【图文】：

图 2-1 San Francisco 研究区概况Figure 2-1 Survey of San Francisco research area采用 ALOS 的 PALSAR 全极化 SAR 图像，研究 Pauli 分解图像为：

25图 2-2 南京研究区概况ure 2-2 Survey of Nanjing research体、建筑、耕地等地物类型。分类实验，第四章小波支持向段 AIRSAR 和 EMISAR 全极据的 Flevoland 研究区位于荷麻、红甜菜、道路、草地、油苜蓿等地物类型。如图所示：

图 2-3 Flevoland 研究区概况Figure 2-3 Survey of Flevoland research area图像大小为 1024*750 像素，距离向分辨率为角从19.7 到44.1 。 数据的研究区位于丹麦，研究区 Pauli 分解图 2-4 Foulum 研究区概况Figure 2-4 Survey of Foulum research area

本文编号：2779008