论文部分内容阅读
极化合成孔径雷达（Polarimetric Synthetic Aperture Radar，PolSAR）利用不同极化组合的收发天线测量地物的散射特性，相比于单极化SAR，包含了更全面的后向散射信息，目前已被广泛应用于军事和民用领域。图像分类是极化SAR最重要的应用之一。综合极化信息的分类有巨大的优势，深入研究用极化信息进行图像分类具有重大意义。本文针对分类效率不高、分类准确率不足、针对性不强及对未被充分应用到极化分类的特征应用等问题，提出了分类方案与分析。本文的主要研究内容与贡献如下: 1、提出了一种结合颜色特征的基于改进超像素的快速极化SAR分类方法。颜色特征尚很少被用于极化SAR分类中。首先，利用Pauli分解获取伪彩颜色信息。然后，结合颜色信息和像素位置信息，使用改进的简单线性迭代聚类(SimpleLinear Iterative Clustering，SLIC)方法生成超像素。然后，再根据Wishart监督分类器将这些超像素进行分类。实验结果表明，该方法对于均匀类型的地物分类精度和效率都很高。本方法的成功也表明，颜色特征作为一种有潜力的分类特征，可以在未来研究中得以更广泛的使用。 2、提出了一种联合特征值信息的全极化SAR图像监督分类方法。基于H/α的分类器对于具有相似散射类型的地物的分类能力很差。针对此问题，本文直接使用特征值进行分类。首先使用自适应调整高斯分量个数的高斯混合模型（Gaussian Mixture Model，GMM）对特征值分布进行较为准确地拟合，然后采用贝叶斯分类器进行初步分类。针对存在特征值分布较为相近导致错分的问题，计算每两类地物特征值分布的相似度，对于相似度大于给定阈值的类别对，再用基于Wishart距离的K近邻分类器进行细分。实验结果表明，本方法比基于H/α的分类方法具有一定的优势，且与基于SVM的分类方法效果相当。 3、进行了双极化SAR农作物分类的对比分析。通过实验对比了三种双极化组合在农田地物中的分类精度，结果表明HH+VV双极化组合的分类精度最高。这对于高效的数据应用及无法全极化工作的SAR系统的数据应用具有重大意义。