论文部分内容阅读
极化SAR(Polarinetric Synthhetic Aperture Radar),对目标的每一个分辨单元都进行了测量,并记录测量得到的全极化散射回波,从而可以分析目标的许多极化特性,是一种具有相干性并采用多通道测量的雷达成像系统。由于极化SAR与一般图像的成像方式不一样,它可以获得更多的与拍摄目标相关的信息和易于用来分类的特征。对极化SAR拍摄的目标中的每个像素点所属的类标进行判定,这个研究问题已成为极化SAR应用研究方面的前沿问题了,对极化SAR影像进行地物分类的研究已被研究学者们定为未来科技发展的研究重点。本文主要在极化散射特征的基础上展开了极化SAR影像分类研究,对极化散射特征进行不同的特征编码方法,将极化散射特征进行非线性映射,映射到与原来极化散射特征空间不同的特征空间,与SVM分类器结合对待分类的目标进行分类。在上诉思想的研究基础上,下面主要提出了三种新的专门用来对极化SAR影像进行地物分类的方法,内容如下:(1)提出了一种基于高斯金字塔池化采样编码和SVM的极化SAR影像地物分类算法的研究。该方法首先对极化SAR影像的特征信息进行充分挖掘,然后通过在由相干矩阵提取的散射特征构成的散射特征空间里,引入高斯金字塔模型对极化SAR图像的散射特征构成的散射特征进行空间分层,然后采用最大化池编码,将特征之间的空间领域信息和特征结构信息考虑进去,克服了以往研究人员只考虑极化SAR影像单一像素点的特征,分类精度不是很高的缺点,使对极化SAR影像的分类结果提高了很多,能清晰显示出复杂地物的分类结果。(2)提出了一种基于Super Vector映射编码和SVM的对极化SAR影像地物进行地物分类的方法。该方法在将用于图像特征集合编码的Super Vector编码方法引入对极化SAR图像提取的散射特征进行编码,利用极化图像类标矩阵等先验信息将散射特征进行稀疏化,将图像特征映射到非线性和对线性分类器线性可分的特征空间,该方法在极化SAR影像特征提取上进行创新,采用该方法使原始的极化散射特征的表征性提高了,从而使极化SAR影像分类精度提高。在荷兰Flevoland农田地区、德国Oberfaffenhofen地区和美国旧金山海湾地区的极化SAR影像的地物分类结果说明了该方法的有效性。(3)提出了一种基于Sparse Fisher向量映射编码和SVM的对极化SAR影像进行地物分类的算法。该方法将Sparse Fisher Kernel Framework作为每个像素点的特征提取器,结合SVM分类器对目标进行分类,用混合高斯模型对有类标的样本进行建模,用分布概率模型参数对特征进行编码,使原始特征经过特征编码后得到的新的特征表示具有更强的分类能力,结合线性的SVM分类器对拍摄的极化SAR影像进行地物分类。对荷兰Flevoland地区农田、德国Oberfaffenhofen地区和美国旧金山海湾地区的极化SAR影像进行地物分类来验证该方法的有效性。