基于特征分解的全极化SAR数据BP神经网络分类

发布时间：2017-06-11 04:08

  本文关键词：基于特征分解的全极化SAR数据BP神经网络分类，由笔耕文化传播整理发布。

【摘要】：全极化SAR图像与光学遥感图像和单极化SAR图像相比,能够获得更丰富的地物信息,为图像的深层次解译和分析提供了更多的依据,在目标检测、识别和几何参数的提取方面具有更大的潜力。因此,全极化SAR数据分类已成为当前国内外研究的热点之一。本文以全极化SAR成像理论和数据特点作为理论基础,探讨了全极化SAR数据的土地覆盖分类方法,并对传统方法进行了一定的改进。论文首先介绍了极化SAR图像数据的成像机理与主要极化散射机制。进而研究了极化SAR数据的极化特征分解理论,为后续进行土地覆盖分类提供了重要基础。在此基础上,研究了当前光学遥感影像或基于SAR原始数据的BP神经网络分类算法。最后,综合极化特征分解和BP神经网络分类的优势,将二者结合起来进行全极化SAR数据的分类。本文以北京地区RADARSAT-2全极化SAR图像数据为例,首先利用几种典型的特征分解方法,对图像进行特征分解提取极化信息。并利用所得到的极化特征分解数据,分别进行了BP神经网络分类,得出基于Freeman分解的BP神经网络分类方法具有较高的精度。最后将本文分类方法与传统的BP神经网络的分类方法、SVM监督分类和K-均值非监督分类方法的分类结果进行了比较。结果表明,结合Freeman分解的BP神经网络分类方法较大幅度地提高了全极化SAR数据土地覆盖分类的精度。
【关键词】：全极化SAR 特征分解 Freeman分解 BP神经网络 土地覆盖分类
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：P237
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1 绪论10-16
• 1.1 研究背景和目的意义10-11
• 1.1.1 研究背景10
• 1.1.2 研究目的和意义10-11
• 1.2 国内外研究现状11-14
• 1.2.1 国外研究现状11-13
• 1.2.2 国内研究现状13-14
• 1.3 论文的研究内容和组织结构14-16
• 1.3.1 论文的研究内容14-15
• 1.3.2 论文的结构安排15-16
• 2 极化SAR的基本理论16-28
• 2.1 电磁波极化的表征16-20
• 2.1.1 极化椭圆16-18
• 2.1.2 Jones矢量表示法18
• 2.1.3 Stokes矢量表示法18-19
• 2.1.4 极化基变换19-20
• 2.2 SAR成像机理20-24
• 2.2.1 脉冲压缩技术原理21-22
• 2.2.2 合成孔径技术原理22-24
• 2.3 目标极化散射特性的表征24-26
• 2.3.1 极化散射矩阵24
• 2.3.2 Stokes矩阵24-25
• 2.3.3 极化协方差矩阵和相干矩阵25-26
• 2.4 典型地物的极化散射特性26-27
• 2.4.1 奇次散射26-27
• 2.4.2 偶次散射27
• 2.4.3 体散射27
• 2.5 本章小结27-28
• 3 极化SAR特征分解28-37
• 3.1 基于目标散射矩阵的分解28-31
• 3.1.1 Pauli分解28-30
• 3.1.2 Krogager分解30-31
• 3.2 基于散射模型目标相关矩阵的分解31-33
• 3.3 基于目标相干矩阵特征值的分解33-36
• 3.4 本章小结36-37
• 4 极化SAR图像的分类37-44
• 4.1 监督分类37
• 4.2 非监督分类37-38
• 4.3 基于BP神经网络的SAR图像分类38-43
• 4.3.1 BP神经网络的结构和算法38-40
• 4.3.2 BP神经网络结构设计40-42
• 4.3.3 BP神经网络的优势42-43
• 4.4 本章小结43-44
• 5 全极化SAR数据分类实验44-58
• 5.1 实验数据44-45
• 5.2 实验一45-51
• 5.2.1 极化SAR数据预处理45-46
• 5.2.2 特征分解46-49
• 5.2.3 BP神经网络分类49
• 5.2.4 精度评价与实验结果分析49-51
• 5.3 实验二51-57
• 5.3.1 极化SAR数据预处理52
• 5.3.2 特征分解52-53
• 5.3.3 BP神经网络分类53-55
• 5.3.4 精度评价与实验结果分析55-57
• 5.4 本章小结57-58
• 6 结论与展望58-60
• 6.1 结论58
• 6.2 展望58-60
• 参考文献60-65
• 作者简历65-67
• 学位论文数据集67

【参考文献】

中国期刊全文数据库 前10条

1 赵一博;邹焕新;秦先祥;;一种基于RBF神经网络的极化SAR图像分类方法[J];现代雷达;2013年08期

2 赵一博;秦先祥;邹焕新;;基于目标分解和SVM的极化SAR图像分类方法[J];航天返回与遥感;2013年02期

3 赵伶俐;杨杰;李平湘;郎丰铠;史磊;;极化SAR影像弱散射地物统计分类[J];遥感学报;2013年02期

4 王庆;曾琪明;焦健;;全极化SAR极化特征谱应用研究[J];遥感技术与应用;2012年06期

5 汪海波;;特征提取与主成份分析的合成孔径雷达图像的分类方法研究[J];计算机应用与软件;2012年12期

6 史磊;李平湘;杨杰;赵伶俐;;机载极化SAR地物类型逐步精细分类研究[J];遥感学报;2012年06期

7 杨文;颜卫;涂尚坦;廖明生;;基于贝叶斯信息准则的极化干涉SAR图像非监督分类[J];电子与信息学报;2012年11期

8 张祥;邓喀中;范洪冬;赵慧;;基于目标分解的极化SAR图像SVM监督分类[J];计算机应用研究;2013年01期

9 何楚;刘明;许连玉;刘龙珠;;利用特征选择自适应决策树的层次SAR图像分类[J];武汉大学学报(信息科学版);2012年01期

10 杨杰;郎丰铠;李德仁;;一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法[J];武汉大学学报(信息科学版);2011年01期

  本文关键词：基于特征分解的全极化SAR数据BP神经网络分类，，由笔耕文化传播整理发布。

本文编号：440735