论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar，SAR)提供了全天时、全天候的对地观测遥感信息，但因其具有目标结构性特征缺失、相干斑噪声及场景间关联困难等先天性缺陷，导致大量SAR影像的人工理解变得复杂。随着SAR影像分辨率的提升、处理对象的多样化以及处理数据的海量化，更多的影像内容有待于挖掘和利用。为了满足军用及民用更广的应用需求，针对高分辨率SAR影像的快速的、准确的、适应性强的、易于人工操作的解译技术亟需发展。本文面向高分辨率SAR图像解译中的场景分类问题，重点解决SAR影像解译中的地物要素提取的稳定性及可靠性问题，并考虑高分辨率SAR影像内容方面的高层语义信息及空间信息，提出了一种基于监视检测(Spy Detection)的一类提取(One Class Extraction)分类框架。该框架分为先验知识获取、图像表征、核心分类器及相关性分析四个模块，旨在解决高分SAR影像复杂条件下的地物分类问题。本文通过三景不同的实验数据，验证了仅正分类器及一类提取分类框架在高分辨率SAR影像解译中的可行性，完成四类地物分类工作，并分析了监视检测给系统性能带来的提升。通过实验证明，本文提出的方法在少量先验知识的条件下，可以较为准确的、便捷的、稳定的完成高分辨率SAR影像的场景分类工作，达到与正负样本分类器相近的性能。