论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar, SAR)由于其全天时、全天候以及穿云透雾观测的独特优势，在对地观测领域起着不可替代的重要作用，并且被广泛应用在目标识别，土地覆盖，海洋监测以及森林监测等领域。SAR图像分类技术研究是SAR数据应用的一个重要方向，学者们在这个领域内已经取得了丰硕的研究成果。SAR图像分类技术一直以来都是国内外学者们研究的热点和难点，有很多因素制约着SAR图像分类技术的发展，而SAR图像分辨率以及极化误差是影响SAR分类应用的两个因素。近年来，随着SAR技术的不断进步与发展，SAR图像的分辨率也得到了不断的提高，SAR图像中增加了大量的极化信息和空间结构信息，SAR图像信息的复杂性不断提高，使得传统的基于像素的SAR图像分类算法不再适用于高分辨率和超高分辨率SAR图像。SAR系统存在串扰和通道不平衡因子等极化误差，这些极化误差的存在，严重影响SAR数据的质量进而影响SAR图像的分类精度。因此，SAR图像分类影响因素的分析研究对于SAR图像解译和应用研究具有重要的意义。 有很多因素制约着SAR图像分类技术的发展，这些因素的分析对于解决SAR图像分类应用具有重要的意义，本文主要针对极化误差以及SAR图像分辨率等因素对SAR分类应用的影响问题展开研究，从多个角度深入分析了串扰和通道不平衡误差对SAR图像分类的影响，并针对分辨率因素的问题，提出了一种基于“视觉词包”算法的极化SAR分类算法，主要研究内容和结论如下: (1) SAR极化误差分类精度影响研究，利用极化误差失真矩阵模型开展模拟分析，通过分析典型地物的后向散射系数、相对相位、散射机制和分类精度等方面，分析串扰和通道不平衡误差对SAR图像分类精度的影响。 (2)提出了一种改进的“视觉词包”算法，并将其运用到极化SAR图像分类应用中。本文主要从两方面对“视觉词包”算法进行改进，首先，充分挖掘了SAR图像低层特征信息，提取了后向散射系数、极化特征以及灰度共生矩阵纹理信息等SAR图像分类特征，并且通过分析，确定了低层特征提取的最佳特征及最佳特征提取参数。其次，改进了视觉词典的建立方法，传统的基于K-mean聚类的建立视觉词典方法存在对初始聚类中心个数以及聚类数目的敏感性的缺点;考虑到仿射聚类算法的自动确定聚类中心数目以及算法稳健性的优点，将仿射聚类算法运用到视觉词典的构建中。针对“视觉词包”算法，考虑到视觉词典中视觉单词忽略图像的空间位置信息的缺点，利用空间金字塔模型将图像的空间信息引入到“视觉词包”算法。 (3)验证并分析了分类结果。本文利用中高分辨率Radarsat-2全极化数据、高分辨率机载EMISAR全极化数据以及TerraSAR单极化数据等三种不同的数据展开对比实验，对比分析了AP_SPM_BOW，AP_ BOW，K_SPM_ BOW,K_BOW以及ML五种分类算法的分类效果和分类性能，经过对比显示，本文的提出的AP_SPM_BOW分类算法在高分辨率全极化SAR图像分类中具有一定的优势和应用潜力。 本文的主要创新点有: (1)在SAR极化误差分类精度影响研究中，利用基于极化误差矩阵模型的仿真方法，分析了后向散射系数、相对相位、散射机制和分类精度等多个角度分析SAR极化误差对SAR图像分类精度的影响。 (2)提出了一种改进的“视觉词包”算法，主要从两个方面对该算法进行改进，首先，丰富了视觉词典的低层特征，其次，改进了视觉词典的建立过程。引入了空间信息，并且利用三种不同的SAR数据进行分类，通过对比五种分类算法，验证了本文提出的AP_SPM_BOW分类方法的有效性。