基于SVM和散射机理的极化SAR影像地物分类

发布时间：2019-09-16 17:14

【摘要】：极化合成孔径雷达(极化SAR)已经成为国内外合成孔径雷达发展的重要方向之一。传统的单极化单通道合成孔径雷达,获得的地物讯息极度有限,而极化合成孔径雷达能够提取更多的信息,以至于可以快速、准确地对雷达图像进行解译。因此,研究极化SAR图像的理解与解译是必要的并且具有重大的现实意义。本文主要研究基于SVM和散射机理的极化SAR影像地物分类方法。SVM是一种基于统计学习理论的有效的监督分类器。它依据结构风险最小化原则,在固定风险的同时得到VC维最小的最优分类面,因此,能更好地避免过拟合问题,具有良好的泛化性能,因此,能很好地解决小样本和线性不可分问题。目前,SVM应用领域十分广泛,但在全极化SAR图像分类中的研究仍然处于处于萌芽阶段,所以本文主要研究基于SVM和散射机理的极化SAR影像地物分类方法,主要工作如下:1.提出了一种基于Wishart测度和SVM的极化SAR影像地物分类方法。该方法进行分类是所用的是其相干矩阵和H/alpha分解特征进行分类,主要考虑在概率统计上相干矩阵服从Wishart分布,并且H/alpha是一种有效的极化信息提取技术,多数实验证明散射熵和散射角在极化SAR影像地物分类中非常有效。所以将基于相干矩阵的相似度测量和基于极化特征的相似度测量结合起来作为SVM最终的核函数,这样的核函数在利用相干矩阵统计分布知识的基础上,加入了目标极化散射机制的约束信息,能够充分的描述目标间的相似性,至此达到更好的分类效果。2.提出了一种基于K均值聚类和深度SVM的极化SAR影像地物分类方法。该方法首先利用K均值聚类选出原始训练集中的有效信息作为最终的训练集来训练SVM分类器,这样可以大大减少训练集,并且能有效地节省训练和预测的时间,接着将堆叠SVM映射到多层,可以得到更深层的深度特征和更好的分类精度,以提高极化SAR影像地物分类的精度和效率的普适性、泛化性。3.提出了一种基于纹理特征和深度SVM的极化SAR影像地物分类方法。该方法主要研究了将极化特征和纹理特征相结合,并用深度支持向量机(SVM)分类器分类。在本文中采用相干矩阵T作为主要极化特征。主要是由于单纯的纹理特征对于极化SAR影像地物分类没有考虑到极化特征,所以分类的边缘效果比较差,将两类特征有效地结合,实验证明,这种方法是实际可行的。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TN957.52

【相似文献】