基于统计分布和随机场模型的极化SAR图像分类算法研究
发布时间：2021-09-28 01:44
极化SAR（polarimetric synthetic aperture radar,PolSAR）采用水平极化和垂直极化的方式交替发射与接收雷达信号,测量的数据不仅仅是目标的后向散射系数,而是复散射矩阵或复协方差矩阵,因此极化SAR数据包含了更完整更丰富的目标信息,为深入研究地物目标的散射特性提供了重要依据。随着越来越多星载/机载极化SAR系统的成功研制与应用,海量的极化SAR图像资源被获取,为分析和解译极化SAR图像提供了必要的数据支持。极化SAR图像分类是图像解译中一个既实用又关键的步骤,其目的在于根据分类单元特性的异同,将其归入不同的地物类别,能够揭示图像的结构和本质,为极化SAR系统的自动目标识别与检测奠定了基础,在民用和军事领域中的作用也日渐突出。为此,本论文对极化SAR图像分类技术展开研究。本论文以极化SAR图像为研究对象,以随机场模型为基础理论,从提高统计分布普适性、提高模型抗噪性和边界保持性、实现随机场模型的快速和无监督改进、实现极化SAR图像的多特征提取与融合等方面展开基于统计分布和随机场模型的极化SAR图像分类算法研究。本论文的研究内容和研究成果主要概括为以下五...
【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】：146 页
【学位级别】：博士
【部分图文】：
Flevoland数据在不同ML分类器下的分类结果(a)WMM(b)KMM(c)WGГ(d)WGГMM(e)
(3-7)图3.2 边界惩罚函数的曲线图3.4.2 MWGГ-MRF 模型综上分析可知，对极化 SAR 数据而言，混合模型中的每一分量对应了一种特定的类别，且在目标最终的模型推断中存在着一定差异，为此，本章将式 (3-7) 所示的相关项模型引入到 MWGГ-MRF 混合模型的每一分量中，来改善分类结果。结合式(3-4) 和 (3-7)，MWGГ-MRF 混合模型在像素点 s 处的混合能量表达式为： 1edge1log= log exp logKMWM s s k s skKWk s skW x E xW x p C CC(3-8)其中， k s sE x C 为 MWGГ-MRF 混合模型中第 k 个分量的能量函数， 为平衡参数
Bare field(b) (c) (d)图3.6 仿真数据 (a) Foulum 图像的 Pauli 分解图 (b) 仿真数据 Pauli 分解图 (c) 参考图 (d) 类别表3.1 实验数据的先验信息极化 SAR 图像 图像大小 波段 类别数目 雷达系统Case 1 仿真数据 128×128 L 5 EMISARCase 2 Flevoland mask 1 379×275 L 8 AIRSARCase 3 Flevoland mask 2 481×387 L 9 AIRSARCase 4 Niigata 358×396 L 5 PISARCase 5 Foulum 1100×800 L 6 EMISAR3.6.2 边界提取结果及分析图 3.7 给出了待分类极化 SAR 图像、span 能量图和由不同方法得到的边界提取结果。从视觉上看，本章提出的边界提取方法较基于区域的边界提取方法能够获取到更清晰更准确的边界定位，在强边界处边界强度更明显，弱边界也得到改善，且非边界处的区域一致性更好。由于仿真数据的边界信息是已知的，本章采用以下实验来验证边界惩罚函数 , s tg e e 的有效性，从而验证将边界惩罚函数引入 MWGГ-MRF 混合模型是有意义的。首先，从仿真数据中选取 4 块同质区域和 6 块边界区域，图 3.8 标记为 I、II、III、IV 的区域为同质区域，图 3.9 标记为 I、II、III、IV、V、VI 的区域为边界区域
【参考文献】：
博士论文
[1]基于广义Gamma分布的SAR图像统计建模及应用研究[D]. 秦先祥.国防科学技术大学 2015
[2]基于三重马尔可夫场的无监督SAR图像分割算法研究[D]. 甘露.西安电子科技大学 2015
[3]极化SAR图像特征提取与分类方法研究[D]. 刘高峰.西安电子科技大学 2014
[4]基于统计模型的SAR图像降斑和分割方法研究[D]. 张鹏.西安电子科技大学 2012
[5]极化SAR图像分类方法研究[D]. 周晓光.国防科学技术大学 2008
[6]极化SAR信息处理技术研究[D]. 王文光.北京航空航天大学 2007
本文编号：3411007
【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】：146 页
【学位级别】：博士
【部分图文】：
Flevoland数据在不同ML分类器下的分类结果(a)WMM(b)KMM(c)WGГ(d)WGГMM(e)
(3-7)图3.2 边界惩罚函数的曲线图3.4.2 MWGГ-MRF 模型综上分析可知，对极化 SAR 数据而言，混合模型中的每一分量对应了一种特定的类别，且在目标最终的模型推断中存在着一定差异，为此，本章将式 (3-7) 所示的相关项模型引入到 MWGГ-MRF 混合模型的每一分量中，来改善分类结果。结合式(3-4) 和 (3-7)，MWGГ-MRF 混合模型在像素点 s 处的混合能量表达式为： 1edge1log= log exp logKMWM s s k s skKWk s skW x E xW x p C CC(3-8)其中， k s sE x C 为 MWGГ-MRF 混合模型中第 k 个分量的能量函数， 为平衡参数
Bare field(b) (c) (d)图3.6 仿真数据 (a) Foulum 图像的 Pauli 分解图 (b) 仿真数据 Pauli 分解图 (c) 参考图 (d) 类别表3.1 实验数据的先验信息极化 SAR 图像 图像大小 波段 类别数目 雷达系统Case 1 仿真数据 128×128 L 5 EMISARCase 2 Flevoland mask 1 379×275 L 8 AIRSARCase 3 Flevoland mask 2 481×387 L 9 AIRSARCase 4 Niigata 358×396 L 5 PISARCase 5 Foulum 1100×800 L 6 EMISAR3.6.2 边界提取结果及分析图 3.7 给出了待分类极化 SAR 图像、span 能量图和由不同方法得到的边界提取结果。从视觉上看，本章提出的边界提取方法较基于区域的边界提取方法能够获取到更清晰更准确的边界定位，在强边界处边界强度更明显，弱边界也得到改善，且非边界处的区域一致性更好。由于仿真数据的边界信息是已知的，本章采用以下实验来验证边界惩罚函数 , s tg e e 的有效性，从而验证将边界惩罚函数引入 MWGГ-MRF 混合模型是有意义的。首先，从仿真数据中选取 4 块同质区域和 6 块边界区域，图 3.8 标记为 I、II、III、IV 的区域为同质区域，图 3.9 标记为 I、II、III、IV、V、VI 的区域为边界区域
【参考文献】：
博士论文
[1]基于广义Gamma分布的SAR图像统计建模及应用研究[D]. 秦先祥.国防科学技术大学 2015
[2]基于三重马尔可夫场的无监督SAR图像分割算法研究[D]. 甘露.西安电子科技大学 2015
[3]极化SAR图像特征提取与分类方法研究[D]. 刘高峰.西安电子科技大学 2014
[4]基于统计模型的SAR图像降斑和分割方法研究[D]. 张鹏.西安电子科技大学 2012
[5]极化SAR图像分类方法研究[D]. 周晓光.国防科学技术大学 2008
[6]极化SAR信息处理技术研究[D]. 王文光.北京航空航天大学 2007
本文编号：3411007
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3411007.html
