基于目标分解的POLSAR图像分类方法研究

发布时间：2017-04-10 19:05

  本文关键词：基于目标分解的POLSAR图像分类方法研究，由笔耕文化传播整理发布。

【摘要】：极化合成孔径雷达(POLSAR)图像被广泛应用在图像分类中。POLSAR图像中包含着极化、纹理、颜色等多方面特征可作为图像分类的依据,不同的特征是地物目标多方面性质的体现,可为分类提供不同方面的信息。针对仅利用极化特征分类精度不高的问题,提出综合运用极化、纹理、颜色特征可以提高POLSAR图像的分类精度。本文分析了极化、纹理、颜色特征的提取方法,并将纹理和颜色特征与极化特征相结合用于POLSAR图像分类,主要的研究内容包括：(1)基于多种极化目标分解方法得到多个极化参数,组成6个包含不同极化参数的极化特征向量,用于POLSAR图像分类,分析不同的极化特征参数对分类结果的影响。(2)由灰度图提取纹理特征参数组成纹理特征向量,将该纹理特征向量与6个极化特征向量分别结合,构成6个结合了纹理和极化特征参数的特征向量,用于POLSAR图像分类,实验结果表明纹理特征与极化特征的结合可以提高POLSAR图像的分类精度。(3)对灰度图进行伪彩色增强得到伪彩色增强图像提取颜色直方图参数组成颜色特征向量,将该颜色特征向量与6个极化特征向量分别结合,构成6个结合了颜色和极化特征参数的特征向量,用于POLSAR图像分类,实验结果表明颜色特征与极化特征的结合可以提高POLSAR图像的分类精度。(4)将极化、纹理、颜色三类特征结合构成6个特征向量,用于POLSAR图像分类,实验结果表明三类特征结合使用的分类效果最优。极化、纹理、颜色三类特征在POLSAR图像分类中是相互促进的整体作用的过程,纹理特征和颜色特征的加入能有效提高分类精度。
【关键词】：POLSAR图像分类 极化目标分解 纹理特征 颜色特征 多特征组合
【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】：2015
【分类号】：TN957.52
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1 绪论10-17
• 1.1 研究背景与意义10-11
• 1.2 POLSAR分类技术研究现状11-14
• 1.3 论文的研究内容与章节安排14-17
• 1.3.1 论文的研究内容14-15
• 1.3.2 论文的章节安排15-17
• 2 POLSAR基本理论17-25
• 2.1 电磁波极化的表征17-21
• 2.1.1 极化椭圆17-19
• 2.1.2 Jones矢量19-20
• 2.1.3 Stokes矢量20-21
• 2.2 目标极化散射特性的表征21-24
• 2.2.1 极化散射矩阵21-22
• 2.2.2 Stokes矩阵22
• 2.2.3 极化协方差矩阵和极化相干矩阵22-24
• 2.3 本章小结24-25
• 3 极化目标分解理论25-41
• 3.1 相干极化目标分解25-28
• 3.1.1 Pauli分解25-27
• 3.1.2 Krogager分解27-28
• 3.2 非相干极化目标分解28-39
• 3.2.1 Huynen分解28-29
• 3.2.2 Freeman-Durden分解29-32
• 3.2.3 Yamaguchi分解32-35
• 3.2.4 Cloude-Pottier分解35-39
• 3.2.5 Touzi分解39
• 3.2.6 Van Zyl分解39
• 3.3 本章小结39-41
• 4 POLSAR图像分类特征向量构建与组合41-62
• 4.1 实验数据41-42
• 4.2 构建极化特征向量42-48
• 4.2.1 测量矩阵特征参数提取42-44
• 4.2.2 Cloude-Pottier分解特征参数提取44-45
• 4.2.3 Pauli分解、krogager分解和Touzi分解特征参数提取45-46
• 4.2.4 Freeman分解、Huynen分解特征参数提取46-47
• 4.2.5 VanZyl分解、Yamaguchi分解特征参数提取47-48
• 4.2.6 构建极化特征向量48
• 4.3 构建纹理特征向量48-51
• 4.3.1 纹理特征参数的提取48-50
• 4.3.2 构建纹理特征向量50-51
• 4.4 构建颜色特征向量51-58
• 4.4.1 颜色特征的表征方法51-52
• 4.4.2 获取伪彩色增强图像52-56
• 4.4.3 颜色特征参数的提取56-58
• 4.4.4 构建颜色特征向量58
• 4.5 极化、纹理、颜色特征向量组合58-60
• 4.6 本章小结60-62
• 5 POLSAR图像分类实验与精度分析62-89
• 5.1 SVM分类器62-64
• 5.2 分类精度评价指标64-65
• 5.3 分类实验结果与精度分析65-87
• 5.3.1 实验一 基于六个极化特征向量的分类65-69
• 5.3.2 实验二 基于极化与纹理结合特征向量的分类69-72
• 5.3.3 实验三 基于极化与颜色结合特征向量的分类72-76
• 5.3.4 实验四 基于极化与纹理、颜色结合特征向量的分类76-80
• 5.3.5 实验五 分析各地类在不同特征向量下的精度变化80-87
• 5.4 本章小结87-89
• 6 结论与展望89-91
• 6.1 结论89
• 6.2 展望89-91
• 参考文献91-96
• 作者简历96-98
• 学位论文数据集98

【参考文献】

中国期刊全文数据库 前10条

1 刘利敏;余洁;王彦兵;陈蜜;朱腾;叶秋虹;;一种利用地物散射特性进行后续类别调整的极化SAR影像分类方法[J];光谱学与光谱分析;2014年01期

2 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

3 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

4 刘利敏;余洁;燕琴;刘振宇;朱腾;;引入纹理特征的SSVM算法在极化SAR影像分类中的应用[J];测绘通报;2012年08期

5 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

6 杨然;李坤;涂志刚;陈荣元;秦前清;;基于Yamaguchi分解模型的全极化SAR图像分类[J];计算机工程与应用;2009年36期

7 胡召玲;李海权;杜培军;;SAR图像纹理特征提取与分类研究[J];中国矿业大学学报;2009年03期

8 刘保利;;有效的SAR图像多尺度分类算法[J];计算机工程与设计;2008年06期

9 邹斌;张腊梅;裴彩红;张晔;;基于SVM的POL-SAR图像分类研究[J];遥感技术与应用;2007年05期

10 吴永辉;计科峰;郁文贤;;基于支持向量机的极化SAR图像分类[J];现代雷达;2007年06期

  本文关键词：基于目标分解的POLSAR图像分类方法研究，，由笔耕文化传播整理发布。

本文编号：297364