论文部分内容阅读
目前，航天、航空合成孔径雷达(SyntheticApertureRadar，SAR)均已具有高分辨率图像获取能力，SAR图像的目标识别和内容解译成为了各国学者的研究热点。但是SAR图像复杂的成像机理、相干斑干扰以及特定情况下某些特殊的几何特性，给其解译工作增加了难度，如何有效地提取SAR图像特征以及采用哪种合适的学习识别方法成为了当前有待解决的关键问题。
纹理作为一种重要的图像特征，反映了像素空间分布的内在属性。因为SAR图像包含了依赖于空间的属性特征，使用纹理分析作为图像解译过程的一个组成部分，可以有效提取目标特征，改善目标分类和识别的结果。基于统计学习理论的支持向量机(SupportVectorMachine，SVM)方法目前是机器学习方向的一大研究热点，其小样本学习能力强、模型推广性能好，并且能够处理高维数据。本文分别采用了SVM分类、单维输出SVM回归(SVR)、多维输出SVM回归(MSVR)的方法，并结合纹理特征分析，对SAR图像地物识别进行了深入的研究。
本文所做的主要工作有：通过SAR图像地物的SVM分类实验，分析了各种纹理和边缘特征对不同地物的分辨能力，并在理论上给出了解释。根据各种特征的不同区分能力，设计了不同的特征组合，利用这些特征组合并结合主成分分析(PrincipalComponentAnalysis，PCA)对地物进一步分类。通过对比分析，得出了能同时满足分类精度和计算复杂度要求的最佳特征组合。基于该特征组合，针对SAR图像混合地物区域用分类方法无法识别的问题，将SVM回归算法引入到SAR图像解译工作中。具体提出了两种算法，分别基于SVR和MSVR。基于SVR的算法将SAR图像地物区域映射为一个一维实数回归值，根据不同地物回归值的概率分布确定判决区间，实验结果表明该算法对单一或混合地物区域的识别效果均较好。基于MSVR的算法将地物区域映射成一个能更准确反映其内容属性的二维向量，不仅提高了识别精度，而且能够处理更多的情况，更具实用性。