基于全极化SAR数据的影像分类与介电信息提取
本文关键词：基于全极化SAR数据的影像分类与介电信息提取 出处：《吉林大学》2016年硕士论文 论文类型：学位论文
更多相关文章： 影像分类 介电常数 粗糙度 小扰动模型 Oh模型
【摘要】：相比传统可见光、近红外传感器,SAR有着无可比拟的优点,能够全天时全天候进行全球范围内的对地工作,避免云雨等不良天气的影响。极化SAR以麦克斯韦方程组为数学基础,以雷达方程、极化电磁波理论、极化目标分解理论、微波散射理论为基本原理。极化SAR系统可以探测到更丰富的目标散射信息,为图像分类、目标识别和地表参数反演提供了新的方法,因此研究极化SAR的应用具有重要的理论与实际意义。论文选择辽宁省兴城地区作为研究区域,实验区涵盖多数地物类型,具有一定的代表性,具体包括海域、漫滩、城镇、农田、林地等。论文采用ALOS PALSAR全极化合成孔径雷达数据,对研究区进行地物分类和介电常数反演两方面的研究,取得了一定创新性的成果,具体如下:1、基于极化目标分解理论的非监督图像分类方法研究。论文在极化分解的理论基础上进一步得到了描述物体散射随机程度的熵(H)和反熵(A),以及代表散射体不同散射机制的平均散射角(α)。通过研究散射体在H/α平面内的位置以确定地物散射类型,并采取Wishart分类器进行聚合分类。由于极化散射矩阵服从多变量复Wishart分布且不易受到极化定标的影响,因此由复Wishart概率密度函数建立的Wishart距离估计在极化SAR分类应用中非常稳健且易于使用。在H/α/Wishart分类结果中引入反熵后丰富了极化信息,改善了相似的自然地物聚类可能跨越决策平面边界被随机分配到不同类别的情况,使得分类结果图像噪声减小,类别细致,精度提高。2、研究区内微波散射模型的适用性讨论。不同的微波散射模型适用于不同程度的地表粗糙度尺度范围,小扰动模型适用于相对平滑的地表,定量描述为kh00.3,k L3,s3;Oh模型适用的粗糙度范围较广,定量描述为0.1kh06,2.5k L20。考虑到实际情况并结合前人研究成果,论文反演了研究区内的粗糙度参数——均方根高度h0、均方根坡度s和相关长度L,证明了就粗糙程度而言所选模型适用于相应研究区。3、论文简化了小扰动模型,并利用简化后的模型反演了相对介电常数现有小扰动模型涉及了各极化后向散射系数、介电常数、磁导率、均方根高度、光谱密度、菲尼尔反射率、掩映函数、雷达入射角、波数等诸多参数,不便于计算待求物理量。在研究模型的过程中发现将水平极化后向散射系数方程与垂直极化后向散射系数方程做比值运算后可以简化反演过程。通过对物体导磁性的研究并结合前人已有研究成果,将磁导率取值常数1后模型仅为同极化率、波数、入射角与相对介电常数间的关系。利用简化后的小扰动模型反演的相对介电常数结果与研究区实际介电情况较吻合。4、讨论了Oh模型介电常数反演结果与岩性间的关系,并初步证明Oh模型适用于浅雪覆盖区。对比区域岩性地质图,发现Oh模型介电常数反演结果对红色花岗岩的分辨情况较好,其边界与岩性图中红色花岗岩边界形状较为吻合,总体呈高值分布。然而其他岩性的介电情况区分并不明显,这可能受到当时地表实际情况(如植被及积雪等)影响。论文利用同时相Landsat7卫星的742波段合成影像进行对比观察,发现ALOS卫星过境时研究区部分区域被积雪覆盖,因此笔者尝试将Oh模型应用在浅雪覆盖区。研究结果表明积雪覆盖区的介电常数值较低,融化区的介电常数较高,这可能是由于干雪的介电常数较小,雪融化后的土壤湿度增大导致了介电常数值的变化。通过野外采集的岩石样本验证了介电常数反演误差绝对值在10%左右,初步证明Oh模型可以用于浅雪覆盖区的相对介电常数反演。
[Abstract]:In this paper , we study the applicability of polarimetric SAR system in the field of polarimetric SAR classification . The paper selects Xingcheng district of Liaoning Province as the research area , and it is very robust and easy to use in the field of polarimetric SAR classification . In the process of studying the model , the relationship between the inversion result of the dielectric constant and the relative permittivity can be simplified .
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN957.52
【相似文献】
相关期刊论文 前10条
1 李良军;武彦斌;;开采沉陷遥感监测中多维纹理特征影像分类方法[J];煤田地质与勘探;2008年06期
2 常新盼;邓喀中;王行风;;极化SAR影像分类方法研究[J];测绘信息与工程;2010年04期
3 刘瑞;陈小涛;;城郊地区面向对象的多传感器影像分类[J];测绘与空间地理信息;2013年02期
4 赵银娣;张良培;李平湘;;广义马尔可夫随机场及其在多光谱纹理影像分类中的应用[J];遥感学报;2006年01期
5 秦永;宋伟东;;遥感影像特征提取与选择及在影像分类中的应用[J];测绘科学;2008年01期
6 王晓玲;杜培军;;基于形态学的空间信息和光谱信息SVM影像分类[J];测绘通报;2012年12期
7 李明诗,彭世揆,李海涛,王洪良;从遥感TM影像分类图提取小班界限的算法实现[J];南京林业大学学报(自然科学版);2001年05期
8 钟燕飞;张良培;龚健雅;李平湘;;基于资源限制性人工免疫系统的多光谱遥感影像分类方法[J];武汉大学学报(信息科学版);2006年01期
9 余洁;刘振宇;燕琴;朱腾;;多尺度下的半自动面向对象SAR影像分类[J];武汉大学学报(信息科学版);2013年03期
10 李淼;张继贤;张永红;;支持向量机在MODIS影像分类中的方法研究[J];测绘与空间地理信息;2007年03期
相关会议论文 前1条
1 陈富龙;张红;王超;;基于智能CASE库的多时相SAR影像分类方法[A];第二届微波遥感技术研讨会摘要全集[C];2006年
相关硕士学位论文 前9条
1 张晨曦;基于全极化SAR数据的影像分类与介电信息提取[D];吉林大学;2016年
2 刘岳;基于词袋模型的医学影像分类的研究与实现[D];东北大学;2012年
3 周国琼;面向对象的TM影像分类[D];昆明理工大学;2012年
4 项霞;基于最小二乘支持向量机的多光谱遥感影像分类[D];武汉大学;2005年
5 谢春喜;极化SAR影像分类方法研究[D];辽宁工程技术大学;2008年
6 秦高峰;基于机器学习的多光谱遥感影像分类及城市扩展研究[D];重庆大学;2012年
7 付姣;基于纹理和极化特征的SAR影像分类[D];辽宁工程技术大学;2013年
8 李琳;决策树与SVM相结合的影像分类方法研究[D];中国地质大学（北京）;2009年
9 李兰;基于有限混合模型的极化SAR影像分类方法研究[D];西安科技大学;2013年
，本文编号：1376327
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/1376327.html
