【摘要】：隨著航空、航天遙感技術(shù)的不斷發(fā)展,遙感應(yīng)用需求日益迫切,海量的遙感數(shù)據(jù)和相對(duì)滯后的信息處理能力間的矛盾日益突出。機(jī)器學(xué)習(xí)方法以其先進(jìn)性、智能性等技術(shù)特性,在海量數(shù)據(jù)處理、信號(hào)處理、特征提取、遙感圖像處理等多個(gè)領(lǐng)域得到廣泛應(yīng)用。全極化合成孔徑雷達(dá)作為當(dāng)代遙感技術(shù)的一個(gè)熱門研究領(lǐng)域,具有許多突出優(yōu)點(diǎn),如不受時(shí)間影響,可以24小時(shí)成像;不受天氣影響,可以在各種特殊天氣下成像等。近年來,全極化合成孔徑雷達(dá)得到了廣泛的關(guān)注,與其相關(guān)的成像、濾波、特征提取、分類等信息處理技術(shù)也在不斷發(fā)展。本論文針對(duì)全極化SAR圖像分類領(lǐng)域中的特征選擇、小樣本分類、多特征綜合、多分類器集成、面向?qū)ο蠓诸惖汝P(guān)鍵問題,以核學(xué)習(xí)、集成學(xué)習(xí)等為基礎(chǔ)開展全極化SAR圖像分類方法研究,主要內(nèi)容和研究結(jié)論如下:1)綜合對(duì)比了常用的H/Alpha/A分解、Freeman-Durden分解、Yamaguchi分解、Pauli分解、Krogager分解、MCSM分解,Vanzyl分解等多種極化目標(biāo)分解方法的分類效果,通過最小距離、馬氏距離、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等常規(guī)的遙感圖像分類算法進(jìn)行實(shí)驗(yàn),結(jié)果表明Pauli分解法提取的極化特征有利于常規(guī)分類算法獲得較高的分類精度。2)針對(duì)小樣本情況下的分類問題,提出一種結(jié)合Wishart距離和圖像分割的半監(jiān)督學(xué)習(xí)與分類算法,將分割產(chǎn)生的對(duì)象內(nèi)部像元作為候選樣本,通過Wishart分類法對(duì)其進(jìn)行初步分類并排序,得到對(duì)象內(nèi)可靠的樣本并將其加入到訓(xùn)練樣本集,實(shí)現(xiàn)半監(jiān)督學(xué)習(xí)和分類,通過實(shí)例驗(yàn)證了半監(jiān)督學(xué)習(xí)算法的有效性。3)從核函數(shù)角度對(duì)常規(guī)支持向量機(jī)進(jìn)行改進(jìn)并將其應(yīng)用到全極化SAR圖像分類領(lǐng)域。將小波支持向量機(jī)引入到全極化SAR圖像分類領(lǐng)域,較常規(guī)支持向量機(jī)能夠獲得更高的分類精度;提出一種簡(jiǎn)單的多核學(xué)習(xí)方法,分別在Pauli分解極化特征、紋理特征上訓(xùn)練出極化核、紋理核,并將其進(jìn)行組合形成多核,以此來進(jìn)行基于多核學(xué)習(xí)的支持向量機(jī)分類,并進(jìn)行單核、多核支持向量機(jī)分類對(duì)比實(shí)驗(yàn),結(jié)果表明在兩個(gè)相同核函數(shù)以及兩個(gè)不同核函數(shù)等多核情況下,分類精度均優(yōu)于單核支持向量機(jī)。4)為充分利用不同分類器間的差異性以進(jìn)一步提高分類精度,提出一種基于集成學(xué)習(xí)的分類算法,在極化相干矩陣信息上采用Wishart-KNN分類法、Wishart分類法,同時(shí)在紋理信息上通過核-KNN分類法得到三個(gè)基分類器的分類結(jié)果,然后通過改進(jìn)的分類器動(dòng)態(tài)選擇法進(jìn)行集成學(xué)習(xí),實(shí)驗(yàn)結(jié)果表明該方法可以在單分類器的基礎(chǔ)上進(jìn)一步提高分類精度。5)針對(duì)面向?qū)ο蠓诸愃惴ň容^低的問題,提出一種改進(jìn)的面向?qū)ο蠓诸愃惴?通過隨機(jī)選擇的方法在分割產(chǎn)生的對(duì)象內(nèi)部進(jìn)行隨機(jī)取樣并形成對(duì)象內(nèi)樣本集合,然后對(duì)該樣本集合進(jìn)行分類,同時(shí)統(tǒng)計(jì)其中各類別比例,若沒有類別占優(yōu),則認(rèn)為該對(duì)象異質(zhì)性高,改用基于像元法對(duì)該對(duì)象內(nèi)像元進(jìn)行分類,否則,將占優(yōu)類別作為該對(duì)象類別,最后整合生成分類結(jié)果。實(shí)驗(yàn)結(jié)果表明該改進(jìn)算法綜合利用面向?qū)ο�、基于像元法的�?yōu)勢(shì),可以得到精度高、可視性好的分類結(jié)果。
【學(xué)位授予單位】：中國(guó)礦業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：P237
【圖文】：

圖 2-1 San Francisco 研究區(qū)概況Figure 2-1 Survey of San Francisco research area采用 ALOS 的 PALSAR 全極化 SAR 圖像，研究 Pauli 分解圖像為：

25圖 2-2 南京研究區(qū)概況ure 2-2 Survey of Nanjing research體、建筑、耕地等地物類型。分類實(shí)驗(yàn)，第四章小波支持向段 AIRSAR 和 EMISAR 全極據(jù)的 Flevoland 研究區(qū)位于荷麻、紅甜菜、道路、草地、油苜蓿等地物類型。如圖所示：

圖 2-3 Flevoland 研究區(qū)概況Figure 2-3 Survey of Flevoland research area圖像大小為 1024*750 像素，距離向分辨率為角從19.7 到44.1 。 數(shù)據(jù)的研究區(qū)位于丹麥，研究區(qū) Pauli 分解圖 2-4 Foulum 研究區(qū)概況Figure 2-4 Survey of Foulum research area

本文編號(hào)：2779008