基于张量分解的独立成分分析方法的研究及应用

发布时间：2020-12-14 01:03

　　极化SAR图像上包含有大量可应用于目标的检测、分类和识别等领域上的信息,而这些信息须要通过极化SAR图像的极化特征才能被收集与应用。随着极化SAR理论和极化SAR系统的快速发展,大量极化特征得以发现和收集。由于每一个极化特征只是简单的描述了目标某一方面的散射特征,因而无法较好的区分拥有相似散射特征的不同种类型目标或是具有不同散射特征的同一种类型目标。因此,需进行多种极化特征相结合,才能更好的对目标进行分类和识别。虽然利用多种极化特征可以收集到目标更多的有用信息,但是同时也会加入大量的冗余信息,这不仅会大大的提高了算法的计算复杂度而且还会降低了实验最后的分类精度。同时,由于极化SAR图像存在着大量相干斑噪声,因此通过极化SAR图像获得的极化特征会残存着大量的噪声,若直接将这些极化特征应用于分类当中会获得较差的分类结果。而现有的基于张量分解的独立成分分析方法(Tensorial Independent Component Analysis,TICA)是一种通过结合多种极化特征进行极化SAR图像分类的算法,因而必然须面对这些弊端。针对上述问题,本文将对现有方法TICA进行相应的改进以求获得更... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

Flevoland全图及其子图

图 3.4 算法 WTICA 和算法 TICA 的平均 OA 值变化图(Flevoland 子图)进方法 WTICA 和原有方法 TICA 对 Flevoland 子图的分类结果如图 3.(a)和 3.5(b)显示的原有方法 TICA 的分类结果，可以看出分类结果中包立区域和像素点，分类结果并不理想。图 3.5(c)和 3.5(d)为改进算法 WT果。显而易见，该改进算法获得的分类结果具有较好的区域一致性，分存较少的孤立小区域和像素点。产生这种分类差别的原因主要是因为改A 对极化特征进行了去噪处理。

TICA和WTICA的Flevoland子图分类结果对比


本文编号：2915511