高分辨率极化SAR对象化目标分解与分类方法研究

发布时间：2022-12-08 05:20

　　随着极化合成孔径雷达（Polarimetric Synthetic Aperture Radar）影像分辨率的不断提高,传统中低分辨率的基于像素的影像解译手段变得不再适用。针对高分辨率极化SAR影像的新特点,本文基于“矩阵估计-对象构建-目标分解-对象分类”这一研究主线,采用了对象化的思维来解决传统基于像素方法信息利用不全、易受相干斑噪声影响等的问题,并提出了一系列适用于高分辨率极化SAR数据的自适应的处理方法,主要研究工作及成果包括:1)针对传统的窗口平均估计不再适用于不同异质度混杂的高分辨率极化SAR影像的问题,发展一种自选择矩阵估计方法。首先提出极化异质度指数,在对均质区和异质区进行区分的基础上,综合在各自区域最优的不动点迭代估计与窗口平均估计获得自选择的矩阵估计结果;在进一步对均质区与异质区之间的过渡区分析之后,通过对不动点迭代估计和窗口平均估计进行线性加权来对过渡区域进行估计,进一步发展适用于全局的完全自适应的极化SAR相干矩阵估计方法。2)针对传统的超像素不能综合利用全局图像信息等问题,提出了一种引入Wishart能量的改进SEEDS算法（Superpixels Extra... 

【文章页数】：137 页

【学位级别】：博士

【文章目录】：
作者简历
摘要
abstract
第一章 绪论
    1.1 背景与意义
    1.2 国内外研究现状
        1.2.1 极化SAR矩阵估计
        1.2.2 极化SAR超像素分割
        1.2.3 极化SAR目标分解
        1.2.4 极化SAR分类方法
    1.3 论文研究内容
    1.4 论文组织结构
第二章 极化SAR成像理论与数据特征
    2.1 极化SAR成像原理及技术发展
    2.2 极化SAR数据表达
    2.3 极化SAR数据特性
        2.3.1 极化SAR图像散射对称性
        2.3.2 SAR相干斑噪声
        2.3.3 极化白化滤波及其变换
    2.4 本章小结
第三章 极化SAR自适应矩阵估计方法
    3.1 极化SAR矩阵估计方法总结与分析
        3.1.1 矩阵SCM估计
        3.1.2 矩阵FP估计
    3.2 极化SAR异质度指数
    3.3 极化SAR自选择矩阵估计方法
        3.3.1 估计样本自适应选择
        3.3.2 自选择矩阵估计方法
        3.3.3 自选择矩阵估计实验验证
    3.4 综合考虑过渡异质区的自适应矩阵估计方法
        3.4.1 自适应矩阵估计方法
        3.4.2 自适应矩阵估计实验验证
    3.5 本章小结
第四章 引入Wishart能量的改进SEEDS超像素算法
    4.1 超像素算法总结与分析
    4.2 引入Wishart能量的改进SEEDS超像素生成算法
        4.2.1 极化SAR超像素生成的层次能量模型
        4.2.2 顾及极化SAR完整信息的块层次更新
        4.2.3 基于Wishart能量的像素层次更新
        4.2.4 碎斑超像素去除及算法参数设置
    4.3 实验及讨论
        4.3.1 Wishart能量性能评价
        4.3.2 模拟数据评价实验
        4.3.3 真实数据评价实验
        4.3.4 参数敏感性实验
    4.4 本章小结
第五章 对象化极化SAR统一分解方法
    5.1 极化SAR目标分解方法总结与分析
        5.1.1 面向散射矩阵的相干目标分解
        5.1.2 面向相干矩阵的非相干目标分解
    5.2 相干非相干统一分解
        5.2.1 极化相干性划分
        5.2.2 统一分解方法
        5.2.3 对象化统一分解
    5.3 统一分解实验验证
        5.3.1 相干性参数分析
        5.3.2 统一分解结果及分析
    5.4 本章小结
第六章 基于潜在概率语义模型的极化SAR图像分类算法
    6.1 极化SAR分类研究总结与分析
    6.2 极化SAR分类输入特征空间构建
        6.2.1 分类特征选择
        6.2.2 自适应估计对(?)分解参数影响评价
    6.3 基于潜在概率语义的对象化分类
        6.3.1 分类特征的对象化
        6.3.2 分类特征的高维语义提取
        6.3.3 对象化语义分类方法流程
    6.4 对象化语义SVM实验验证
    6.5 本章小结
第七章 总结与展望
    7.1 论文内容总结
        7.1.1 论文主要研究内容
        7.1.2 论文主要创新点
    7.2 研究展望
致谢
参考文献


【参考文献】：
期刊论文
[1]空间感知矩阵学习的极化SAR图像分类[J]. 孙宸,成立业.  西安电子科技大学学报. 2018(06)
[2]多源遥感影像湿地检测概率潜在语义分析[J]. 许凯,张倩倩,王彦华,刘福江,秦昆.  测绘学报. 2017(08)
[3]选择利用Wishart和K统计描述的极化SAR图像分割[J]. 刘修国,徐乔,陈启浩,陈奇.  电子科技大学学报. 2016(05)
[4]基于同质像素预选择的极化SAR图像非局部均值滤波[J]. 杨学志,陈靖,周芳,郎文辉,郑鑫,李国强.  电子与信息学报. 2015(12)
[5]结构保持的双边滤波极化SAR图像降噪[J]. 杨学志,叶铭,吴克伟,郎文辉,郑鑫,李国强.  电子与信息学报. 2015(02)
[6]极化SAR相干斑抑制的非局部加权最小均方误差滤波算法[J]. 马晓双,沈焕锋,杨杰,张良培.  中国图象图形学报. 2015(01)
[7]基于双边滤波的极化SAR相干斑抑制[J]. 王爽,于佳平,刘坤,侯彪,焦李成.  雷达学报. 2014(01)
[8]极化SAR图像处理中L分布杂波统计分析[J]. 刘涛,黄高明,王雪松,肖顺平.  自然科学进展. 2009(01)



本文编号：3713631