本文選題：極化SAR + 區(qū)域統(tǒng)計(jì)分割　； 參考：《武漢大學(xué)》2013年博士論文

【摘要】：極化SAR(Polarimetric Synthetic Aperture Radar, PolSAR)影像分類是SAR影像處理分析的重要研究內(nèi)容,經(jīng)過幾十年的發(fā)展,已提出了一系列的算法,在像素分類研究方面取得了長足的進(jìn)步,然而像素分類無法克服斑點(diǎn)噪聲影響,同時(shí)不能充分利用影像的空間信息,因而難以實(shí)現(xiàn)影像的高精度分類,而基于區(qū)域特征的影像分類能夠有效克服上述不足,因此本文主要開展基于區(qū)域特征的極化SAR影像分類研究。 區(qū)域特征分類包括影像分割和分割后的區(qū)域分類,文中首先總結(jié)了極化SAR影像在這兩方面的研究進(jìn)展,指出目前分割研究中的難點(diǎn)是如何在顧及計(jì)算效率前提下,降低斑點(diǎn)噪聲影響,快速得到影像的準(zhǔn)確分割結(jié)果；缺乏有效初始聚類方法,制約區(qū)域非監(jiān)督分類的發(fā)展；而監(jiān)督分類中的研究趨勢則是極化散射特征的有效利用。針對(duì)上述難題,通過總結(jié)已有研究成果,引用借鑒圖分割研究、聚類研究和數(shù)據(jù)降維研究方面的算法,文中發(fā)展了一套區(qū)域分割和分類算法,總體而言,在分割研究方面,文中采用區(qū)域統(tǒng)計(jì)分割,并改進(jìn)初分割和區(qū)域合并處理；在非監(jiān)督分類研究方面,提出基于區(qū)域相似度的初始聚類策略,在監(jiān)督分類研究中,引入降維處理以提取特征,具體來說,本文的主要研究工作總結(jié)如下： (1)提出了一種應(yīng)用區(qū)域統(tǒng)計(jì)特征的極化SAR影像分割方法。該方法采用分水嶺算法初分割影像,針對(duì)傳統(tǒng)差值梯度非恒虛警率(Constant False Alarm Rate, CFAR)和分水嶺本身固有的過度過分割問題,引入了CFAR的均值比率梯度和測地學(xué)腐蝕重構(gòu),得到了一個(gè)良好的初分割結(jié)果；在區(qū)域合并方面,結(jié)合SAR數(shù)據(jù)的統(tǒng)計(jì)特征和假設(shè)檢驗(yàn),給出了一種能更好描述區(qū)域相似度的目標(biāo)函數(shù),確保得到更好的分割結(jié)果。 (2)將歸一化割(Normal cut, NCut)應(yīng)用到區(qū)域初始聚類研究�；谛拚齏ishart距離,構(gòu)建分割后區(qū)域的相似度矩陣,利用Ncut算法處理相似度矩陣實(shí)現(xiàn),得到影像的初始聚類結(jié)果。 (3)借鑒聚類趨勢研究中相似度矩陣處理重排序策略,結(jié)合K均值算法,發(fā)展了一種區(qū)域初始聚類方法。利用聚類趨勢研究中相似度矩陣排序方法,實(shí)現(xiàn)初步聚類,計(jì)算聚類中心與各區(qū)域相似度,利用K均值迭代得到穩(wěn)定的初始聚類結(jié)果。 (4)引入近鄰傳播算法進(jìn)行區(qū)域初始聚類研究。利用近鄰傳播算法處理相似度矩陣,通過調(diào)整參數(shù),得到設(shè)定數(shù)目初始聚類結(jié)果。 (5)引入拉普拉斯映射和監(jiān)督拉普拉斯映射,開展極化SAR影像特征降維研究。提取分割結(jié)果中各區(qū)域的極化散射特征,執(zhí)行降維處理,達(dá)到去除冗余信息、從而有效利用極化散射特征的目的,確保得到高精度的監(jiān)督分類結(jié)果。
[Abstract]:Polarimetric SAR(Polarimetric Synthetic Aperture Radar, PolSAR) image classification is an important research content in SAR image processing and analysis. After decades of development, a series of algorithms have been proposed, and great progress has been made in pixel classification. However, pixel classification can not overcome the influence of speckle noise and make full use of the spatial information of the image, so it is difficult to realize the high accuracy classification of the image. However, the image classification based on the regional features can effectively overcome the above shortcomings. Therefore, this paper mainly focuses on the classification of polarimetric SAR images based on regional features. Regional feature classification includes image segmentation and segmentation. In this paper, we first summarize the research progress of polarimetric SAR images in these two aspects, and point out that the difficulty of current segmentation research is how to take into account the computational efficiency. In order to reduce the influence of speckle noise, the accurate segmentation results can be obtained quickly. The lack of effective initial clustering method restricts the development of unsupervised classification. The research trend of supervised classification is the effective use of polarimetric scattering features. In view of the above problems, by summarizing the existing research results, referring to the algorithms of graph segmentation, clustering and data dimensionality reduction, this paper develops a set of region segmentation and classification algorithms. In the research of unsupervised classification, an initial clustering strategy based on regional similarity is proposed. In supervised classification research, dimensionality reduction is introduced to extract features. Specifically, the main research work of this paper is summarized as follows: In this paper, a new method of polarimetric SAR image segmentation based on regional statistical features is proposed. In this method, watershed algorithm is used to segment the original image. Aiming at the over segmentation problem inherent in the traditional differential gradient non-constant false alarm rate (False Alarm Rate, CFAR) and watershed itself, the mean ratio gradient of CFAR and geodesic corrosion reconstruction are introduced. A good initial segmentation result is obtained, and an objective function which can better describe the similarity of region is given by combining the statistical features and hypothesis tests of SAR data in the field of region merging to ensure a better segmentation result. (2) Normalized cut (NCut) is applied to the study of regional initial clustering. Based on the modified Wishart distance, the similarity matrix of the segmented region is constructed, and the initial clustering result of the image is obtained by using the Ncut algorithm to deal with the similarity matrix. Thirdly, a region initial clustering method is developed based on similarity matrix reordering strategy and K-means algorithm. The similarity matrix ranking method in clustering trend research is used to realize the preliminary clustering, to calculate the similarity between the clustering center and the regions, and to obtain the stable initial clustering results by using the K-means iteration. 4) introducing the nearest neighbor propagation algorithm to study the initial clustering of the region. The nearest neighbor propagation algorithm is used to deal with the similarity matrix and the initial clustering results are obtained by adjusting the parameters. 5) introducing Laplace mapping and supervised Laplace mapping to study the feature reduction of polarimetric SAR images. The polarimetric scattering features of each region in the segmentation results are extracted and dimensionally reduced to remove redundant information. Thus the polarimetric scattering features are utilized effectively and the supervised classification results with high accuracy are ensured.
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2013
【分類號(hào)】：P23;P225.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 秦玉平;楊興凱;;基于案例推理的區(qū)間屬性相似度研究[J];遼寧師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期

2 徐曉靜;李健;;靜態(tài)粗相似度的特征[J];山東大學(xué)學(xué)報(bào)(理學(xué)版);2006年06期

3 彭沛黃麗影;;秩數(shù)分級(jí)相似預(yù)報(bào)法[J];華僑大學(xué)學(xué)報(bào);1983年02期

4 路志鳴;;基于相似度的特殊地形模糊表達(dá)[J];大眾科技;2009年04期

5 陳樹偉;王延昭;;一種基于模糊數(shù)相似度的風(fēng)險(xiǎn)分析方法[J];模糊系統(tǒng)與數(shù)學(xué);2013年05期

6 李海歐;周曉光;;基于屬性相似度的碎多邊形自動(dòng)聚合處理[J];測繪與空間地理信息;2013年11期

7 張峰;謝振華;林健;程江濤;崔高侖;;基于改進(jìn)相似度的混合型多屬性決策方法[J];海軍航空工程學(xué)院學(xué)報(bào);2014年01期

8 劉麗華;;基于相似度加權(quán)的模糊聚類方法[J];云南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年05期

9 張杰;林木輝;包正委;;基于領(lǐng)域本體的語句相似度研究[J];福建師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

10 鄭偉;季鐸;蔡?hào)|風(fēng);王爽;;基于文本最小相似度的中心選取方法[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

相關(guān)會(huì)議論文 前10條

1 劉海波;鄭德權(quán);趙鐵軍;;基于相似度線性加權(quán)方法的檢索結(jié)果聚類研究[A];中國計(jì)算語言學(xué)研究前沿進(jìn)展（2009-2011）[C];2011年

2 陸勁挺;路強(qiáng);劉曉平;;對(duì)比相似度計(jì)算方法及其在功能樹擴(kuò)展中的應(yīng)用[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

3 董刊生;方金云;;基于向量距離的詞序相似度算法[A];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

4 劉曉平;陸勁挺;;任意功能樹的物元相似度求解方法[A];全國第21屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

5 王茜;張衛(wèi)星;;基于分類樹相似度加權(quán)的協(xié)同過濾算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

6 洪文學(xué);王金甲;常鳳香;宋佳霖;劉文遠(yuǎn);王立強(qiáng);;基于圖形特征增強(qiáng)的相似度分類器的研究[A];中國生物醫(yī)學(xué)工程進(jìn)展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2007年

7 雷慶;吳揚(yáng)揚(yáng);;一種基于語義信息計(jì)算XML文檔相似度的新方法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

8 葉正;林鴻飛;楊志豪;;基于問句相似度的中文FAQ問答系統(tǒng)研究[A];第三屆學(xué)生計(jì)算語言學(xué)研討會(huì)論文集[C];2006年

9 羅辛;歐陽元新;熊璋;袁滿;;通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集A輯一[C];2010年

10 王健;劉衍珩;焦玉;;VANETs信任傳播建模[A];中國通信學(xué)會(huì)通信軟件技術(shù)委員會(huì)2009年學(xué)術(shù)會(huì)議論文集[C];2009年

相關(guān)重要報(bào)紙文章 前1條

1 王伽　衛(wèi)江;出入境證件照片應(yīng)及時(shí)更換[N];中國國門時(shí)報(bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 操震洲;矢量數(shù)據(jù)動(dòng)態(tài)多尺度網(wǎng)絡(luò)傳輸研究[D];南京大學(xué);2015年

2 程亮;基于本體的疾病數(shù)據(jù)整合與挖掘方法研究[D];哈爾濱工業(yè)大學(xué);2014年

3 劉振宇;基于區(qū)域相似度和特征降維的極化SAR影像分類[D];武漢大學(xué);2013年

4 張明西;信息網(wǎng)絡(luò)中的相似度搜索問題研究[D];復(fù)旦大學(xué);2013年

5 武威;異質(zhì)數(shù)據(jù)相似度學(xué)習(xí)及其在網(wǎng)絡(luò)搜索中的應(yīng)用[D];北京大學(xué);2012年

6 朱娜斐;基于RTT相似度的網(wǎng)絡(luò)延遲估測理論和方法[D];北京工業(yè)大學(xué);2012年

7 錢鵬飛;基于模糊相似度的異構(gòu)本體映射、合并及校驗(yàn)方法的研究[D];上海交通大學(xué);2008年

8 馬海平;基于概率生成模型的相似度建模技術(shù)研究及應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2013年

9 劉守群;海量網(wǎng)絡(luò)視頻快速檢索關(guān)鍵技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2010年

10 夏云慶;IHSMTS系統(tǒng)中啟發(fā)式類比翻譯處理機(jī)制（HATM）的設(shè)計(jì)與實(shí)現(xiàn)[D];中國科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2001年

相關(guān)碩士學(xué)位論文 前10條

1 楊巧;基于改進(jìn)相似度的社會(huì)網(wǎng)絡(luò)鏈接預(yù)測研究[D];華南理工大學(xué);2015年

2 張寧;某于《知網(wǎng)》的詞語相似度優(yōu)化算法[D];昆明理工大學(xué);2015年

3 沈迤淳;歌曲中相似片段的檢測及其應(yīng)用[D];復(fù)旦大學(xué);2014年

4 梁霄;社交網(wǎng)絡(luò)中的社區(qū)聚集研究[D];上海交通大學(xué);2015年

5 王魁;在線社交中基于微博的好友推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2015年

6 洪耀停;基于共同作者圖的合作者推薦系統(tǒng)[D];浙江大學(xué);2015年

7 褚立超;基于相似度評(píng)分模型的人員識(shí)別方法研究[D];廣西大學(xué);2015年

8 蒲進(jìn)興;基于動(dòng)態(tài)相似度的錯(cuò)誤定位優(yōu)先排序[D];北京化工大學(xué);2015年

9 余超;基于Google Map的地理位置查詢系統(tǒng)[D];電子科技大學(xué);2014年

10 烏蘭;基于動(dòng)力學(xué)行為的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測研究[D];內(nèi)蒙古工業(yè)大學(xué);2015年

，

本文編號(hào)：1830032