基于稀疏表示分类器的极化SAR图像地物分类

发布时间：2017-04-25 10:24

  本文关键词：基于稀疏表示分类器的极化SAR图像地物分类，由笔耕文化传播整理发布。

【摘要】：极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,简称极化SAR)拓宽了合成孔径雷达(Synthetic Aperture Radar, SAR)的应用。目前极化SAR图像分类方法已成为遥感技术的重要组成部分,并成为一个热门的研究课题。相比传统的SAR图像其获取了HH,HV,VH,VV散射回波信息,从而可以获得更详细的地物信息,有了这些新功能的加入,就可以提高极化SAR图像的分类精确度。本文的主要内容是对极化SAR图像地物分类的研究。分类是图像解译技术的重要组成部分,它在地形制图,冰川识别,植被群落区分等方面发挥着重要的作用。本文首先将重点放在极化SAR的特征提取上,然后结合几种分类器对图像进行分类,主要包括以下两方面的内容：1.给出了一种基于栈式自编码器(SAE)和支持矢量机(SVM)的极化SAR图像地物分类。这个方法能够充分挖掘出极化SAR的特征信息,首先提取出极化SAR的偏振特征以及散射特征,把这两种特性进行融合得到极化SAR的初级特征值,将这些初级特征加入栈式自编码网络进行学习,学习出更加高级的特征,最后结合SVM以及Softmax进行最后的分类比较,实验验证了此方法的有效性。2.给出了一种基于散射偏振特征和稀疏表示分类器(SRC)的极化SAR图像分类方法。该方法是通过Cloude分解、Freeman分解等提取出极化SAR的有效信息,最后输入到SRC中进行分类,实验结果表明该方法具有较高的分类准确率,并且具有很强的抗噪能力。
【关键词】：极化SAR 偏振特征 散射特征 栈式自编码器 稀疏表示分类器
【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】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 符号对照表9-10
• 缩略语对照表10-13
• 第一章 绪论13-17
• 1.1 研究背景与意义13-14
• 1.2 极化SAR数据研究现状14-16
• 1.3 论文内容与安排16-17
• 第二章 极化SAR理论基础17-27
• 2.1 电磁波极化的表征17-19
• 2.1.1 Jones向量18
• 2.1.2 Stokes矢量18-19
• 2.1.3 Poincare球19
• 2.2 极化散射机理分析19-24
• 2.2.1 极化散射矩阵19-20
• 2.2.2 Muller矩阵20
• 2.2.3 Kennaugh矩阵20-21
• 2.2.4 极化C矩阵和T矩阵21-22
• 2.2.5 几种基本散射机制22-24
• 2.3 极化目标分解24-26
• 2.4 极化SAR的数据统计模型26
• 2.5 本章小结26-27
• 第三章 基于栈式自编码器的极化SAR分类27-43
• 3.1 极化SAR散射特征的提取27-29
• 3.1.1 基于Freeman分解提取散射特征27-28
• 3.1.2 基于Pauli分解提取散射特征28
• 3.1.3 基于Cloude分解提取散射特征28-29
• 3.1.4 其他分解方法提取散射特征29
• 3.1.5 提取偏振特征29
• 3.2 基于栈式自编码器的极化SAR分类29-34
• 3.2.1 栈式自编码算法29-31
• 3.2.2 Softmax分类算法31-32
• 3.2.3 SVM(支持矢量机)分类算法32-34
• 3.3 实验结果及分析34-41
• 3.3.1 Flevoland地区的实验结果35-37
• 3.3.2 德国地区实验结果37-38
• 3.3.3 San Francisco Bay 旧金山港湾地区38-41
• 3.4 本章小结41-43
• 第四章 稀疏表示分类器43-49
• 4.1 稀疏表示分类器43-44
• 4.2 实验结果与分析44-48
• 4.2.1 Flevoland荷兰农田全图44-47
• 4.2.2 Flevoland荷兰农田小图47-48
• 4.3 本章小结48-49
• 第五章 总结与展望49-53
• 5.1 工作总结49-50
• 5.2 极化SAR地物图像中主要问题50-51
• 5.3 进一步研究方向51-53
• 参考文献53-57
• 致谢57-59
• 作者简介59

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

2 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

3 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

4 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

5 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

6 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

7 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

8 梁晓捷;基于网络摄像头与稀疏表示分类法的实时人脸识别系统应用研究[D];五邑大学;2015年

9 张宏乐;语音信号稀疏表示方法研究[D];太原理工大学;2016年

10 郭欣;基于K-SVD稀疏表示的语音增强算法研究[D];太原理工大学;2016年

  本文关键词：基于稀疏表示分类器的极化SAR图像地物分类，由笔耕文化传播整理发布。

，

本文编号：326150