本文關(guān)鍵詞： 全極化SAR圖像分類 Singh分解 Cloude分解 極化總功率 SVM　出處：《地理空間信息》2016年05期 　論文類型：期刊論文

【摘要】：基于模型的分解發(fā)展較快,但存在負(fù)功率、體散射過估計(jì)、未充分利用相干矩陣等問題,考慮到基于模型分解的優(yōu)點(diǎn),采用Singh分解提取極化信息,同時(shí)用散射角、極化熵和極化總功率進(jìn)行補(bǔ)充,再利用SVM對(duì)山東禹城地區(qū)全極化Radarsat-2數(shù)據(jù)進(jìn)行分類。為驗(yàn)證該方法的有效性,將其與H/α/A-Wishart和Yamaguchi-SVM兩種分類方法進(jìn)行比較。結(jié)果表明,該方法分類效果較好,總體精度分別提高了6.4%和3.48%。
[Abstract]:The decomposition based on model has developed rapidly, but there are some problems such as negative power, over estimation of volume scattering, and insufficient use of coherent matrix. Considering the advantages of model-based decomposition, Singh decomposition is used to extract polarization information. At the same time, the scattering angle, polarization entropy and total polarization power are used to supplement, and then SVM is used to classify the fully polarized Radarsat-2 data in Yucheng area, Shandong Province. It was compared with two classification methods, H- 偽 / A-Wishart and Yamaguchi-SVM, and the results showed that the classification effect of this method was better than that of H- 偽 / A-Wishart and Yamaguchi-SVM. The overall accuracy was improved by 6.4% and 3.48 respectively.
【作者單位】： 南京大學(xué)地理與海洋科學(xué)學(xué)院;江蘇省地理信息技術(shù)重點(diǎn)實(shí)驗(yàn)室;江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心;濟(jì)南市環(huán)境監(jiān)測中心站;78125部隊(duì);
【基金】：國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃資助項(xiàng)目(2010CB951503) 中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)資助項(xiàng)目(XDA05050106)
【分類號(hào)】：P237
【正文快照】： 非相干極化分解是全極化SAR圖像分類的重要方法之一,近年來得到廣泛應(yīng)用[1-6]。非相干極化分解主要有基于特征值分解和基于模型分解兩大類[7-13]�；谀Ｐ偷姆纸獾玫綆追N確定的散射機(jī)制,但是這是一種理想化的處理,實(shí)際情況常常包含未知的散射機(jī)制。近年來,基于模型的分解有較

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 ;Index for Volume5,2008[J];Journal of Mountain Science;2008年04期

，

本文編號(hào)：1453769