基于散射能量和Wishart的深度学习极化SAR分类

发布时间：2021-03-01 23:01

　　相比普通合成孔径雷达（SAR）图像,具有全天候运作能力的极化SAR系统能够同时发射和接受不同极化方向的电磁波能量,使得数据具有更加丰富的目标散射信息。然而对于复杂的极化SAR数据,普通的图像分类方法很难处理复数矩阵格式,并且传统的极化SAR图像分类方法只是关注极化SAR数据的散射特征或者数据统计特征。为了能够提取极化SRA图像中的整体图像特征信息,提高分类准确率和结果一致性。本文主要结合了极化SAR图像分类的传统方法和深度学习模型进行了研究。主要工作概括如下:（1）提出了一种基于散射能量特征的堆栈自编码极化SAR图像分类算法。该方法中,使用极化方位角补偿对极化SAR中的相干矩阵进行补偿,然后使用极化SAR中的Freeman-Durden分解方法提取极化SAR像素的散射能量特征,为提取极化SAR图像的图像空间特征,算法使用以像素点为中心的像素块作为堆栈自编码的输入,使用堆栈自编码网络作为分类算法进行分类。该方法使用散射能量作为极化SAR像素点特征,降低了数据复杂度,并使用像素块作为输入融合极化SAR图像的图像特征,使用深度学习模型中的堆栈自编码网络进行分类,实验结果表明,本章提出的算法,... 

【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】：93 页

【学位级别】：硕士

【部分图文】：

方位角补偿对100样本的T,，元素的影响

方位角补偿后，一些像素的乃２增大，由第一章中公式（２／２，所以方位角补偿后，ｒ２２＝４ｃｏｓ０ｓｉｎ６＾ｉ＿ｉｖ，乃２大小与交叉化。???．?????．?．——■?■—?????ｏｒｉｇｉｎａｌ??丨級／Ｍ．??Ｏ?１０?２０?：？＞?４０?５０?ｔ＞０?７０?ＳＯ?￡＞０?１００??Ｐｉｘｅｌ?Ｃｏｕｎｔ??图２．?３方位角补偿对１００样本的Ｔ３３元素的影响??３中这些像素的ｒ３３减小。这是因为方位角减少了相干矩阵中２，ｒ３３中降低的能量等于ｒ２２中增加的能量［４５〗。因此，方位

西安电子科技大学硕士学位论文??Ｘ?１０￣３??????｜???????１?，???Ｔ?Ｔ２２?来??ｏｒｉｇｉｎａｌ??｜＇??來?Ｃ３Ａｃｏｒｒ＾＞ｅｎｔ?＂??ｌＭｉｆＷ＇??°ｓ?ｗ／?＾??Ｏ??????＇?１?＊?■?１?＊?１???〇?１０?２０?３０?４－０?５０?６０?７０?ｅｏ?９０?１Ｏ０??Ｐｉｘｅｌ?Ｃｏｕｎｔ??图２．?２方位角补偿对１００样本的Ｔ２２元素的影响??２中，方位角补偿后，一些像素的乃２增大，由第一章中公２／２，所以方位角补偿后，ｒ２２＝４ｃｏｓ０ｓｉｎ６＾ｉ＿ｉｖ，乃２大小与交化。???．?????．?．——■?■—??

【参考文献】：
博士论文
[1]基于集成学习和特征选择的极化SAR地物分类[D]. 陈博.西安电子科技大学 2015



本文编号：3058148