發(fā)布時(shí)間：2018-01-31 23:37

  本文關(guān)鍵詞： 極化SAR 特征向量 三維高斯聯(lián)合分布 散射角 方位角　出處：《西安電子科技大學(xué)》2014年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,簡(jiǎn)寫(xiě)POLSAR)是一種多參數(shù),多通道的雷達(dá)成像系統(tǒng),通過(guò)測(cè)量地面上每一分辨單元內(nèi)的全極化散射回波來(lái)獲取目標(biāo)點(diǎn)極化信息。相比單極化合成孔徑雷達(dá)僅能對(duì)特定的電磁波極化收發(fā)組合下的目標(biāo)散射特進(jìn)行探測(cè),多極化的合成孔徑雷達(dá)可以為目標(biāo)解譯提供更多更全面的信息。極化SAR圖像分類(lèi)是極化SAR數(shù)據(jù)應(yīng)用中的一個(gè)關(guān)鍵問(wèn)題,也是一個(gè)難點(diǎn)問(wèn)題。本文主要研究了在統(tǒng)計(jì)框架下的基于特征向量的極化SAR地物分類(lèi)方法。極化相干矩陣經(jīng)過(guò)特征分解后得到的特征向量包含目標(biāo)地物的主要極化信息,而最大特征向量所包含的散射信息被認(rèn)為是占主要地位的。因此,本文從統(tǒng)計(jì)分布的角度出發(fā),研究了特征向量的分布特性,并針對(duì)特征向量的分布特性給出了相關(guān)的分類(lèi)方法。本文的主要工作包括以下幾點(diǎn):(1)將最大特征向量作為分類(lèi)特征,對(duì)其進(jìn)行空間轉(zhuǎn)換,簡(jiǎn)化最大特征向量的表現(xiàn)形式;然后,從統(tǒng)計(jì)學(xué)的角度,用三維高斯聯(lián)合分布概率模型來(lái)擬合最大特征向量的分布情況,建立了一種最大特征向量的三維高斯分布模型,選用貝葉斯分類(lèi)器來(lái)進(jìn)行初始分類(lèi),并選用加鄰域信息的局部Wishart分類(lèi)器進(jìn)行二次分類(lèi)來(lái)彌補(bǔ)貝葉斯分類(lèi)器的不足、提高分類(lèi)精度。分類(lèi)結(jié)果表明了特征向量模型的有效性及特征向量的可分性。(2)針對(duì)最大特征向量對(duì)異物同譜地物中的分類(lèi)效果差的現(xiàn)象,從所有特征向量中提取了散射角作為輔助信息,在統(tǒng)計(jì)框架下,將最大特征向量和散射角一起作為分類(lèi)特征指導(dǎo)地物分類(lèi)。從所有特征向量中提取了方向角對(duì)異質(zhì)問(wèn)題的分類(lèi)結(jié)果進(jìn)行修正,實(shí)驗(yàn)結(jié)果表明該方法提高了極化SAR圖像的分類(lèi)結(jié)果。
[Abstract]:Polarimetric Synthetic Aperture Radar (POLSAR) is a multi-parameter. Multi-channel radar imaging system. The point polarization information of the target is obtained by measuring the full polarization scattering echo in each resolution unit on the ground. Compared with the single polarization synthetic aperture radar, it can only detect the target scattering characteristics under the specific electromagnetic wave polarization transceiver combination. . Multi-polarimetric synthetic Aperture Radar (SAR) can provide more and more comprehensive information for target interpretation. Polarimetric SAR image classification is a key problem in the application of polarimetric SAR data. It is also a difficult problem. In this paper, we mainly study the polarimetric SAR ground object classification method based on the eigenvector under the statistical framework. The eigenvector obtained by the polarimetric coherence matrix contains the main object of the target. Polarization message. The scattering information contained in the maximum eigenvector is considered to be dominant. Therefore, from the point of view of statistical distribution, the distribution characteristics of the eigenvector are studied in this paper. The main work of this paper includes the following points: 1) take the maximum feature vector as the classification feature, and transform it into space. Simplifying the representation of the maximum eigenvector; Then, from the point of view of statistics, the distribution of the maximum eigenvector is fitted by using the three-dimensional Gao Si combined distribution probability model, and a three-dimensional Gao Si distribution model with the largest eigenvector is established. Bayesian classifier is selected for initial classification and local Wishart classifier with neighborhood information is used to make up for the deficiency of Bayesian classifier. The classification results show the effectiveness of the eigenvector model and the separability of the eigenvector. The scattering angle is extracted from all the Eigenvectors as the auxiliary information under the statistical framework. The maximum feature vector and scattering angle are taken together as the classification features to guide the classification of ground objects. The direction angle is extracted from all the feature vectors to correct the classification results of heterogeneous problems. Experimental results show that the proposed method improves the classification results of polarimetric SAR images.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許錫春,胡運(yùn)發(fā),施伯樂(lè);特征向量的獲取[J];計(jì)算機(jī)應(yīng)用;2000年09期

2 葛新;趙海;張昕;李超;;基于多維特征向量的網(wǎng)絡(luò)社團(tuán)劃分方法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年07期

3 高靈霞;李國(guó)敏;孫鳳蘭;;方陣廣義特征向量的一種相似迭代算法[J];計(jì)算機(jī)應(yīng)用與軟件;2014年02期

4 夏慧明;周永權(quán);;求解矩陣特征值及特征向量的新方法[J];計(jì)算機(jī)工程;2008年11期

5 鄧廣宏;曹萬(wàn)華;夏奕;蔡斌;池志強(qiáng);程雄;;基于特征向量的基本口型分類(lèi)[J];計(jì)算機(jī)應(yīng)用與軟件;2010年10期

6 劉青光,鄒理和;信號(hào)特征向量分解與到達(dá)波方向估計(jì)[J];電子學(xué)報(bào);1993年01期

7 張霖;吳麒;;設(shè)計(jì)魯棒控制器的主導(dǎo)特征向量配正方法[J];自動(dòng)化學(xué)報(bào);1991年01期

8 鄧曉剛;田學(xué)民;;基于特征向量提取的核回歸建模方法研究[J];控制工程;2010年04期

9 李博濤;王之琪;王秀彩;;分支界定法在特征向量提取中的應(yīng)用[J];山西電子技術(shù);2011年02期

10 劉俊;黃秀玲;張智光;;基于產(chǎn)品特征向量的產(chǎn)品配置研究[J];制造業(yè)自動(dòng)化;2008年12期

相關(guān)會(huì)議論文 前5條

1 陳力奮;宋漢文;王文亮;;確定退化模態(tài)可導(dǎo)特征向量轉(zhuǎn)換矩陣的一種新方法[A];振動(dòng)工程學(xué)報(bào)（工程應(yīng)用專(zhuān)輯）[C];2001年

2 戴琨;汪小帆;;根據(jù)特征向量判據(jù)優(yōu)化網(wǎng)絡(luò)的同步能力[A];第四屆全國(guó)網(wǎng)絡(luò)科學(xué)學(xué)術(shù)論壇暨研究生暑期學(xué)校論文集[C];2008年

3 劉增武;蔡悅斌;;基于K-L變換的船舶噪聲特征向量的降維處理[A];中國(guó)聲學(xué)學(xué)會(huì)1999年青年學(xué)術(shù)會(huì)議[CYCA'99]論文集[C];1999年

4 張新培;曹策慧;;隨機(jī)結(jié)構(gòu)特征值和特征向量統(tǒng)計(jì)特性的研究[A];第五屆全國(guó)結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集（第二卷）[C];1996年

5 曹玉娟;牛振東;彭學(xué)平;江鵬;;一個(gè)基于特征向量的近似網(wǎng)頁(yè)去重算法[A];中國(guó)索引學(xué)會(huì)第三次全國(guó)會(huì)員代表大會(huì)暨學(xué)術(shù)論壇論文集[C];2008年

相關(guān)博士學(xué)位論文 前1條

1 龔世才;圖的特征向量的組合結(jié)構(gòu)[D];安徽大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 梅海嬌;極大加代數(shù)矩陣的整特征向量和整像[D];河北師范大學(xué);2015年

2 張曉玉;一類(lèi)8階Hamilton算子特征向量組和根向量組的完備性及其應(yīng)用[D];內(nèi)蒙古工業(yè)大學(xué);2015年

3 丁同鑫;基于特征向量分析的極化SAR圖像分類(lèi)[D];西安電子科技大學(xué);2014年

4 張瑤;基于特征向量統(tǒng)計(jì)的極化SAR地物分類(lèi)[D];西安電子科技大學(xué);2014年

5 張世波;人臉識(shí)別中的特征向量?jī)?yōu)化算法研究[D];山東大學(xué);2009年

6 王興良;譜聚類(lèi)中特征向量的選取與集成算法[D];煙臺(tái)大學(xué);2014年

7 劉君偉;關(guān)于精化近似特征向量的一些性質(zhì)研究[D];廈門(mén)大學(xué);2009年

8 魏民;高中生對(duì)特征值與特征向量（2階矩陣）的理解水平[D];華東師范大學(xué);2009年

9 于瀾;線(xiàn)性振動(dòng)阻尼虧損系統(tǒng)特征向量靈敏度分析快速算法的研究[D];吉林大學(xué);2007年

10 譚瑩瑩;混合圖的奇異度與特征向量[D];安徽大學(xué);2007年

，

本文編號(hào)：1480299