基于目标分解的极化合成孔径雷达图像分类研究

摘要

极化合成孔径雷达以其全天候，全天时等优点成为对地遥感观测领域中的先进技术，它通过收发不同组合的电磁波，记录反射回波除幅度、相位以外的极化信息，能够对观测目标进行更全面的描述，已经成功的应用到日常生活的许多行业甚至是国防军事领域。但是，极化合成孔径雷达硬件系统快速发展的同时，对其获得的图像解译能力却明显不够。在极化合成孔径雷达图像的地物分类领域，存在着诸如特征量不能全面描述观测对象，分类精度和性能不够高，算法的鲁棒性不够强等问题。以PolSAR的目标分解理论及相关理论为基础，对极化合成孔径雷达图像的地物分类问题做出研究，对主要的研究内容作如下简介：
　　1.对多种经典的相干分解和非相干分解理论进行了研究。通过实验对各种分解方法进行了分析。结合Pauli目标分解，介绍了一种超分辨分解算法，该算法利用空间关联性，能够很好的将一个散射单元内的不同散射机制区分开，还成功的对其提出改进，以非相干分解中的 Freeman分解为基础，将该算法进行了推广，算法具有较高的准确率和较好的时间性能，相关的实验提供了佐证。
　　2.对基于特征值分解的方法进行了深入研究。通过相干矩阵的特征值分解，得到极化散射熵H、平均散射角-α以及各向异性度参数A这三个参数，由此出发得到H/-α分类平面以及H/-α/A三维分类空间。文中还通过实验探讨了相干斑噪声对以上3个参数的影响。在引入Wishart分类器后，再结合参数H、-α、A及相干及非相干分解理论，构成了两种非监督的目标分解方法。最后，对参数H、-α、A的相关优缺点进行了研究，给出相应的参数优化解决方案。
　　3.将分类器支持向量机引入到极化合成孔径雷达的地物分类中，这是由于该分类器有小样本、高维度等特性，而且目标分解理论能够为分类器提供良好的特征量，两者结合能够给出良好的分类结果。文中研究了多种不同的结合方式并使用了遗传算法对相关参数寻优。最后研究了一种新颖的非监督分类方法，这种方法以功率值和Wishart聚类中心为衡量特征量的标准，具有良好的分类表现。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 极化SAR地物分类研究背景及意义

1.2 地物分类技术发展状况

1.3 文章结构与内容安排

第二章 极化SAR理论基础

2.1 单色平面电磁波

2.2 琼斯矢量和斯托克斯矢量

2.3 极化后向散射Sinclair矩阵

2.4 目标散射矢量k-和Ω-

2.5 极化相干矩阵T和极化协方差矩阵C

2.6 经典的散射机制

2.7 极化SAR的相干斑

2.8 本章小结

第三章 基于目标分解的分类方法

3.1 基于Pauli分解的分类方法

3.2 基于现象的Huynen分类方法

3.3 基于特征矢量的Holm分类方法

3.4 基于散射模型的Freeman-Durden分类方法

3.5 一种基于目标分解的超分辨分类方法及其改进

3.6 本章小结

第四章 基于极化分解的分类方法

4.1 H/-α/A分解的分类方法

4.2相干斑滤波对H/-α/A的影响

4.3 H/-α/A与Wishart分类器

4.4 结合Wishart分类器与目标分解的分类方法

4.5 一种对参数-α和H改进的分类方法

4.6 本章小结

第五章 基于支持向量机的分类方法

5.1 支持向量机的基本理论

5.2 基于支持向量机与目标分解的分类方法

5.3 一种新颖的支持向量机与H/A/-α分解结合的分类方法

5.4 本章小结

第六章 总结和展望

6.1 总结

6.2 展望

致谢

参考文献