基于面向对象SVM和谱聚类的极化SAR分类

摘要

极化合成孔径雷达(Pol-SAR)是一个全天候，多通道，多参数的雷达成像系统，它可以获得一定波长和视角下目标的极化散射信息。和合成孔径雷达(SAR)比较，极化SAR拥有更丰富的极化内容，再加上极化SAR数据具有高维性，并且数据相对较复杂，如何结合现有的技术对极化SAR数据进行高效、准确的分类已成为极化SAR领域的研究热点。为了克服传统的分类方法时间复杂度过高的问题，本文提出了基于支持向量的聚类方法。由于极化SAR存在着较大的相干斑噪声，对后续的分类产生了极大的影响，所以本文根据相干斑噪声模型，提出了利用面向对象的方法对极化SAR进行分类,其主要工作如下:
　　(1).本文提出了基于面向对象和SVM的极化SAR分类方法。传统的SVM分类精度高，速度快，但是其分类极化SAR时易受相干斑噪声影响、分类杂点较多，本文将基于像素的极化SAR分类和基于区域的极化SAR分类方法进行了有效的结合，首先将极化SAR数据的相干矩阵T利用SVM进行分类得到初始分类，然后将极化 SAR数据的 Pauli特征利用面向对象的方法进行过分割，最后在过分割的图像上对SVM的初始分类结果利用投票的方式进行二次分类，从而得到最终结果。由于该方法有效的利用了极化SAR数据的散射以及空间信息，所以具有不受相干斑噪声影响，边缘保持好，准确率高等优点。
　　(2).本文提出了基于面向对象和谱聚类的极化SAR分类方法。传统的面向对象的方法可以对图像进行过分割，但是过分割后如何高效的融合是一个问题。谱聚类可以对极化数据进行很好的分类，但是当数据量大时，时间复杂度高，容易造成内存溢出。本文提出的方法首先利用面向对象的方法将极化SAR数据进行过分割，从而起到降维的目的，然后将过分割后的图像的每一个单元块当做一个对象，然后对这些对象进行谱聚类，最后将图像以对象为基本单元进行分类。由于该方法利用面向对象的方法对极化 SAR进行了降维，所以时间复杂度大大降低，又因为是以对象为单元进行聚类，所以很好的克服了噪声的影响。
　　(3).本文提出了基于支持向量积和谱聚类的极化SAR分类方法。谱聚类是以谱图理论为基础的，和传统的聚类方法比，它有着很多优点，比如在任意的样本空间都可以聚类并且能收敛于全局最优解、对不规则数据不敏感、准确率高等。但极化SAR数据量通常很大，直接求解其相似度矩阵不可行。所以本文提出了先降维后聚类的方法。首先选择少量样本，对其利用快速SVM进行训练，从而得到其支持向量，然后利用谱聚类对支持向量进行聚类，并计算出相应的类心，最后计算剩余样本到各个类心的距离并进行分类。和SVM类比，该方法可以有效的提高分类准确率，并解决了谱聚类中数据量过大，内存容易溢出和计算复杂度过高的问题。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究的背景和意义

1.2极化SAR数据分类方法现状

1.3 本文的主要内容及其安排

第二章 极化SAR的散射机理及其数据表示形式

2.1 极化的表征

2.2 微波的几种散射机理介绍

2.3 散射体的极化表示

2.4 极化数据的分解方式

2.5 本章小结

第三章 基于面向对象和SVM的极化SAR分类

3.1 引言

3.2 面向对象方法模型

3.3 SVM方法的模型

3.4 面向对象SVM算法的基本思想和实现策略

3.5 实验结果及其分析

3.6 本章小结

第四章 基于面向对象和谱聚类的极化SAR分类

4.1 引言

4.2 谱聚类的模型

4.3 多类谱聚类模型

4.4计算复杂度的约减

4.5 复Wishart分类

4.6 面向对象谱聚类算法的基本思想和实现策略

4.7 实验结果及其分析

第五章 基于支持向量机和谱聚类的极化SAR分类

5.1 引言

5.2谱聚类及其面临的问题

5.3 基于支持向量积和谱聚类的极化SAR分类

5.4实验结果及其分析

5.5 本章小结

第六章 总结与展望

6.1 研究结论

6.2研究展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.攻读硕士学位期间的研究成果