综合统计信息的极化SAR图像分割与分类方法

发布时间：2018-06-07 02:44

本文选题：极化SAR + 统计　；参考：《中国地质大学》2017年硕士论文

【摘要】：极化SAR通过交替发射和接受不同极化方式的电磁波,能够获取丰富的地物细节信息,已被广泛应用于目标检测与识别,参数反演和土地利用分类等领域。近年来,随着越来越多极化SAR系统的成功发射,积累了大量的极化SAR数据,迫切需要发展半自动或自动的极化SAR信息提取系统,其中极化SAR图像分割与分类方法是极化SAR图像信息自动提取的关键步骤。然而,极化SAR图像固有相干斑噪声的干扰使得极化SAR图像分割与分类效果不佳。统计信息是极化SAR相干斑噪声固有的特性,利用统计信息进行极化SAR图像分割与分类,有助于降低相干斑噪声的抑制作用,提高分割与分类的精度。本文在深入分析极化SAR统计模型的基础上,开展综合统计信息的极化SAR图像分割与分类方法的研究。在极化SAR图像分割方面,本文系统总结了现有的利用极化SAR统计信息的分割算法,并指出当前算法存在的问题,为后续的深入研究奠定基础;为得到合适的初始分割对象,发展一种适合于极化SAR图像的快速准确SLIC超像素生成算法;为准确利用极化SAR统计信息,提出一种极化SAR图像地物目标异质度指标,并实验确定不同极化SAR数据的异质度指标阈值;提出一种选择利用Wishart和K统计描述的极化SAR图像分割方法,通过模拟数据和真实数据进行分割实验,证明了本文提出的分割算法的有效性。在极化SAR图像分类方面,本文系统总结了当前利用统计信息的极化SAR图像分类算法存在的问题的,并指出发展面向对象的极化SAR图像分类算法的必要性;为快速准确利用对象间的空间邻域信息,将传统像素级概率松弛算法(PLR)扩展到对象尺度上;为确定合适的分类尺度,利用不同大小的超像素和本文分割算法在不同尺度下的分割结果作为分类对象,探讨不同分类尺度对分类结果的影响;提出一种利用K分布和空间邻域信息的极化SAR图像对象化分类算法,通过模拟数据和真实数据进行分类实验,证明了本文提出的分类算法的有效性。本文的主要创新点如下:1)为得到极化SAR图像中不同异质程度区域的准确分割,提出一种选择利用Wishart和K统计描述的极化SAR图像分割方法。该方法基于分形网络演化算法框架,首先将改进后适用于极化SAR数据的简单线性迭代聚类算法(SLIC)生成的超像素作为初始分割对象;再根据所提出的区域异质度指标,选择利用Wishart分布或K分布描述对象的统计相似性,实现对不同异质程度地物目标的准确建模;然后结合Pauli分解特征、形状特征定义对象相似性准则,最终实现综合利用Wishart和K统计描述的极化SAR图像分形网络演化分割;通过模拟数据、机载ESAR数据、星载RADARSAT-2数据及Terra SAR-X数据进行分割实验并与其它方法相比较,结果表明,本文方法能有效降低相干斑噪声的干扰,在整体上能准确分割不同异质程度的地物,在局部细节上分割结果边界更精细。2)针对相干斑噪声严重影响极化SAR图像分类精度及分类结果的连续性,提出一种基于超像素综合利用K分布和超像素间空间邻域信息的极化SAR图像分类方法。该方法将改进后的SLIC算法生成的超像素作为分类单元,采用有限混合模型的思想,利用基于K分布的随机期望最大算法(SEM)迭代计算各类别后验概率;并在迭代过程中,考虑超像素空间邻域信息,采用概率松弛算法(PLR)迭代修正SEM过程中计算的各超像素的类别后验概率;最后基于最大后验概率准则得到极化SAR图像分类结果;通过模拟数据、星载RADARSAT-2数据及机载AIRSAR数据进行实验并与其它方法相比较,结果表明本文方法能得有效抑制极化SAR图像中噪声的干扰,所得到的分类结果精度高且目视效果好。
[Abstract]:A polarimetric SAR image segmentation algorithm based on polarimetric SAR image is presented . A polarization SAR image classification method based on K - distribution and inter - pixel spatial neighborhood information is proposed by means of simulation data , airborne ESAR data , satellite - borne RADARSAT - 2 data , and the other methods .
【学位授予单位】：中国地质大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TN957.52

【参考文献】