论文部分内容阅读
由于具有较强的地物信息的获取能力，极化SAR已经被广泛的应用到遥感领域。和传统的SAR相比，极化SAR通过组合不同极化方向的收发信号能够提供更有用的信息来表述地物的物理特征。此外，极化 SAR提供的数据有更强的可读性，有效的提高了目标检测，识别，分类能力。图像分类是极化SAR解译的重要步骤，为了实现极化SAR图像的分类，两个问题至关重要：1）如何减少相干斑噪声的影响；2）如何在训练样本较少的情况下准确的实现分类。在本论文中，我们针对这两个问题提出了几种新的方法。超像素的提出能够有效的解决相干斑的问题，半监督分类的方法可以较好的降低对训练样本的要求。本文所取得的主要研究成果为： 1.本文提出了一种基于超像素和稀疏低秩表示的半监督分类方法。主要框为：将极化SAR对应的伪彩色图像过分割，得到超像素；然后结合函数变换和稀疏低秩表示的方法提取极化SAR的物理特征和全局结构特征，并计算超像素间的相似矩阵。最后实现基于图的半监督分类。基于超像素而不是单个像素的方法能够有效的降低相干斑的影响；物理信息和结构信息的结合能够使数据的结构更加明显，利于最终分类；无标记样本的引入有效的克服了训练样本不足的缺点。 2.为了更深入的更自动化的提取极化SAR图像的特征并降低对训练样本的要求，本文提出了一种基于极限学习机和谱聚类的半监督分类方法。和传统的深度学习的方法相比，极限学习机能够更为快速有效的提取出图像的特征并实现分类。本方法由三部组成：将极化SAR对应的伪彩色图像进行过分割，得到超像素；利用谱聚类的方法用未标记更新训练样本；最终利用基本的极限学习机分类器实现分类。 3.在多层极限学习机的基础上，本文进一步提出了基于深度学习机的半监督分类方法，设计了新的半监督极限学习分类器而不是简单的采用SVM分类方法。主要步骤为：将极化SAR对应的伪彩色图像进行过分割，得到超像素；计算每个超像素的平均协方差矩阵，对超像素间构造相似性矩阵；然后利用多层极限学习机提取超像素的特征；最终用设计好的半监督极限学习机分类器进行分类。