基于极化散射特征与SVM的极化SAR影像分类方法研究

发布时间：2021-01-19 03:45

　　极化SAR影像分类是雷达遥感应用中一项非常重要的研究问题。随着极化散射特征与非参数模型分类方法的提出,关于极化SAR目标分解理论与机器学习算法的研究得到了进一步的发展,但是由于极化SAR影像特征维度高,因此造成用于分类模型的特征集信息冗余。针对这一问题,本文分别就全极化SAR与双极化SAR数据的特点,研究了基于极化散射特征与支持向量机（SVM）算法的极化SAR数据森林-非森林分类方法。在数据获取上,本研究选取呼伦贝尔市依根农林交错带作为实验区,获取了一景高分3号全极化数据,通过同步实地调查获取了验证分类精度的地面实况数据。然后,以呼伦贝尔市作为实验区,收集高分3号双极化数据共63景,并在同年实地考察该市的土地覆盖与森林分布情况,将获取的地类数据作为分类制图结果的验证数据。首先,本文基于极化SAR数据的目标分解理论与Stokes矢量特征,研究分析了不同分解方法下,高分3号全极化、双极化数据不同地物的极化散射特征,验证了Stokes矢量特征在指示地物极化散射特征中的有效性。其次,基于全极化SAR数据的极化散射特征与纹理特征,本研究对比了通过遗传算法、ReliefF算法以及SVM_R... 

【文章来源】：内蒙古师范大学内蒙古自治区

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

技术路线

实验区与实验数据覆盖情况示意图

为了确定实验区的实际情况，与 2017 年 8 月 1-6 日期间，对该实验区范内的典型地物类型进行了详细的调查，实验共测量了典型地物 67 个样点的数据其中小麦 35 个，油菜 21 个，燕麦 1 个，草地 1 个，落叶松 3 个和白桦 3 个，图 2-2 实验区地理位置示意图 图 2-3 实验区样地分布示意图

【参考文献】：
期刊论文
[1]基于联合特征和SVM的极化SAR图像分类方法[J]. 马騳骉,卢春燕.  无线电工程. 2017(03)
[2]结合ReliefF、GA和SVM的面向对象建筑物目标识别特征选择方法[J]. 薛章鹰,刘兴权.  测绘工程. 2017(02)
[3]基于多层支持向量机的极化合成孔径雷达特征分析与分类[J]. 宋超,徐新,桂容,谢欣芳,徐丰.  计算机应用. 2017(01)
[4]Model-based target decomposition with the π/4 mode compact polarimetry data[J]. Shenglong GUO,Yang LI,Wen HONG,Jianfeng WANG,Xiaoyang GUO.  Science China（Information Sciences）. 2016(06)
[5]基于模拟退火及蜂群算法的优化特征选择算法[J]. 戚孝铭,施亮.  计算机工程与设计. 2013(08)
[6]顾及特征优化的全极化SAR图像SVM分类[J]. 巫兆聪,欧阳群东,李芳芳.  测绘科学. 2013(03)
[7]基于目标散射相似性的POLSAR图像无监督地物散射分类新方案[J]. 陈强,蒋咏梅,陆军,匡纲要.  电子学报. 2010(12)
[8]基于神经网络集成的SAR图像目标识别[J]. 钱博,金林.  现代雷达. 2010(04)
[9]基于区域MRF的SAR图像快速分割算法[J]. 杨学志,沈晶.  工程图学学报. 2009(06)
[10]SAR图像统计建模研究综述[J]. 高贵.  信号处理. 2009(08)

硕士论文
[1]基于SVM的多时相极化SAR影像土地覆盖分类方法研究[D]. 冯琦.中国林业科学研究院 2012



本文编号：2986272