本文關(guān)鍵詞：基于特征分解的全極化SAR數(shù)據(jù)BP神經(jīng)網(wǎng)絡(luò)分類，由筆耕文化傳播整理發(fā)布。

【摘要】：全極化SAR圖像與光學(xué)遙感圖像和單極化SAR圖像相比,能夠獲得更豐富的地物信息,為圖像的深層次解譯和分析提供了更多的依據(jù),在目標(biāo)檢測、識別和幾何參數(shù)的提取方面具有更大的潛力。因此,全極化SAR數(shù)據(jù)分類已成為當(dāng)前國內(nèi)外研究的熱點之一。本文以全極化SAR成像理論和數(shù)據(jù)特點作為理論基礎(chǔ),探討了全極化SAR數(shù)據(jù)的土地覆蓋分類方法,并對傳統(tǒng)方法進行了一定的改進。論文首先介紹了極化SAR圖像數(shù)據(jù)的成像機理與主要極化散射機制。進而研究了極化SAR數(shù)據(jù)的極化特征分解理論,為后續(xù)進行土地覆蓋分類提供了重要基礎(chǔ)。在此基礎(chǔ)上,研究了當(dāng)前光學(xué)遙感影像或基于SAR原始數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)分類算法。最后,綜合極化特征分解和BP神經(jīng)網(wǎng)絡(luò)分類的優(yōu)勢,將二者結(jié)合起來進行全極化SAR數(shù)據(jù)的分類。本文以北京地區(qū)RADARSAT-2全極化SAR圖像數(shù)據(jù)為例,首先利用幾種典型的特征分解方法,對圖像進行特征分解提取極化信息。并利用所得到的極化特征分解數(shù)據(jù),分別進行了BP神經(jīng)網(wǎng)絡(luò)分類,得出基于Freeman分解的BP神經(jīng)網(wǎng)絡(luò)分類方法具有較高的精度。最后將本文分類方法與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的分類方法、SVM監(jiān)督分類和K-均值非監(jiān)督分類方法的分類結(jié)果進行了比較。結(jié)果表明,結(jié)合Freeman分解的BP神經(jīng)網(wǎng)絡(luò)分類方法較大幅度地提高了全極化SAR數(shù)據(jù)土地覆蓋分類的精度。
【關(guān)鍵詞】：全極化SAR 特征分解 Freeman分解 BP神經(jīng)網(wǎng)絡(luò) 土地覆蓋分類
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：P237
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 緒論10-16
• 1.1 研究背景和目的意義10-11
• 1.1.1 研究背景10
• 1.1.2 研究目的和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 國外研究現(xiàn)狀11-13
• 1.2.2 國內(nèi)研究現(xiàn)狀13-14
• 1.3 論文的研究內(nèi)容和組織結(jié)構(gòu)14-16
• 1.3.1 論文的研究內(nèi)容14-15
• 1.3.2 論文的結(jié)構(gòu)安排15-16
• 2 極化SAR的基本理論16-28
• 2.1 電磁波極化的表征16-20
• 2.1.1 極化橢圓16-18
• 2.1.2 Jones矢量表示法18
• 2.1.3 Stokes矢量表示法18-19
• 2.1.4 極化基變換19-20
• 2.2 SAR成像機理20-24
• 2.2.1 脈沖壓縮技術(shù)原理21-22
• 2.2.2 合成孔徑技術(shù)原理22-24
• 2.3 目標(biāo)極化散射特性的表征24-26
• 2.3.1 極化散射矩陣24
• 2.3.2 Stokes矩陣24-25
• 2.3.3 極化協(xié)方差矩陣和相干矩陣25-26
• 2.4 典型地物的極化散射特性26-27
• 2.4.1 奇次散射26-27
• 2.4.2 偶次散射27
• 2.4.3 體散射27
• 2.5 本章小結(jié)27-28
• 3 極化SAR特征分解28-37
• 3.1 基于目標(biāo)散射矩陣的分解28-31
• 3.1.1 Pauli分解28-30
• 3.1.2 Krogager分解30-31
• 3.2 基于散射模型目標(biāo)相關(guān)矩陣的分解31-33
• 3.3 基于目標(biāo)相干矩陣特征值的分解33-36
• 3.4 本章小結(jié)36-37
• 4 極化SAR圖像的分類37-44
• 4.1 監(jiān)督分類37
• 4.2 非監(jiān)督分類37-38
• 4.3 基于BP神經(jīng)網(wǎng)絡(luò)的SAR圖像分類38-43
• 4.3.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法38-40
• 4.3.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計40-42
• 4.3.3 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢42-43
• 4.4 本章小結(jié)43-44
• 5 全極化SAR數(shù)據(jù)分類實驗44-58
• 5.1 實驗數(shù)據(jù)44-45
• 5.2 實驗一45-51
• 5.2.1 極化SAR數(shù)據(jù)預(yù)處理45-46
• 5.2.2 特征分解46-49
• 5.2.3 BP神經(jīng)網(wǎng)絡(luò)分類49
• 5.2.4 精度評價與實驗結(jié)果分析49-51
• 5.3 實驗二51-57
• 5.3.1 極化SAR數(shù)據(jù)預(yù)處理52
• 5.3.2 特征分解52-53
• 5.3.3 BP神經(jīng)網(wǎng)絡(luò)分類53-55
• 5.3.4 精度評價與實驗結(jié)果分析55-57
• 5.4 本章小結(jié)57-58
• 6 結(jié)論與展望58-60
• 6.1 結(jié)論58
• 6.2 展望58-60
• 參考文獻60-65
• 作者簡歷65-67
• 學(xué)位論文數(shù)據(jù)集67

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 趙一博;鄒煥新;秦先祥;;一種基于RBF神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法[J];現(xiàn)代雷達;2013年08期

2 趙一博;秦先祥;鄒煥新;;基于目標(biāo)分解和SVM的極化SAR圖像分類方法[J];航天返回與遙感;2013年02期

3 趙伶俐;楊杰;李平湘;郎豐鎧;史磊;;極化SAR影像弱散射地物統(tǒng)計分類[J];遙感學(xué)報;2013年02期

4 王慶;曾琪明;焦健;;全極化SAR極化特征譜應(yīng)用研究[J];遙感技術(shù)與應(yīng)用;2012年06期

5 汪海波;;特征提取與主成份分析的合成孔徑雷達圖像的分類方法研究[J];計算機應(yīng)用與軟件;2012年12期

6 史磊;李平湘;楊杰;趙伶俐;;機載極化SAR地物類型逐步精細分類研究[J];遙感學(xué)報;2012年06期

7 楊文;顏衛(wèi);涂尚坦;廖明生;;基于貝葉斯信息準(zhǔn)則的極化干涉SAR圖像非監(jiān)督分類[J];電子與信息學(xué)報;2012年11期

8 張祥;鄧喀中;范洪冬;趙慧;;基于目標(biāo)分解的極化SAR圖像SVM監(jiān)督分類[J];計算機應(yīng)用研究;2013年01期

9 何楚;劉明;許連玉;劉龍珠;;利用特征選擇自適應(yīng)決策樹的層次SAR圖像分類[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2012年01期

10 楊杰;郎豐鎧;李德仁;;一種利用Cloude-Pottier分解和極化白化濾波的全極化SAR圖像分類算法[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2011年01期

  本文關(guān)鍵詞：基于特征分解的全極化SAR數(shù)據(jù)BP神經(jīng)網(wǎng)絡(luò)分類，，由筆耕文化傳播整理發(fā)布。

本文編號：440735