本文選題：極化SAR分類 + 聯(lián)合統(tǒng)計(jì)��； 參考：《西安電子科技大學(xué)》2014年碩士論文

【摘要】：極化合成孔徑雷達(dá)(Polarimetrie Synthetic Aperture Radar,POLSAR)圖像描述的是雷達(dá)系統(tǒng)發(fā)出的電磁波與地物目標(biāo)之間的相互關(guān)系,它主要呈現(xiàn)了地物目標(biāo)的分布特性。因此,利用極化SAR圖像數(shù)據(jù)的極化散射信息可以實(shí)現(xiàn)地物目標(biāo)的分類和識(shí)別。然而,在極化SAR成像的過(guò)程中,電磁波之間的相互干擾以及復(fù)雜的地物分布使得復(fù)雜場(chǎng)景廣泛存在于極化SAR圖像中;復(fù)雜場(chǎng)景問(wèn)題不僅影響地物的檢測(cè)和識(shí)別,而且是極化SAR技術(shù)定量化發(fā)展的重要阻礙。因此,本文主要對(duì)復(fù)雜場(chǎng)景分類進(jìn)行研究,主要工作如下:(1)提出了一種基于特征值聯(lián)合統(tǒng)計(jì)的極化SAR圖像相似場(chǎng)景分類方法,采用體散射功率和最大特征值的聯(lián)合高斯模型對(duì)數(shù)據(jù)的分布特性進(jìn)行了估計(jì),在統(tǒng)計(jì)的框架下使用貝葉斯分類器實(shí)現(xiàn)了極化SAR圖像的相似場(chǎng)景分類;該方法基于馬爾科夫隨機(jī)場(chǎng)(Markov Random Field,MRF)模型對(duì)圖像的局部紋理信息進(jìn)行了充分的利用,提高了算法的分類精度和分類結(jié)果的區(qū)域一致性。(2)提出了一種基于局部高斯模型的極化SAR圖像異質(zhì)場(chǎng)景分類方法,在初始分類的基礎(chǔ)上采用局部統(tǒng)計(jì)方法對(duì)極化SAR圖像中的異質(zhì)場(chǎng)景進(jìn)行了度量;通過(guò)設(shè)置自適應(yīng)的閾值實(shí)現(xiàn)了極化SAR圖像的異質(zhì)場(chǎng)景分類。該方法主要采用了局部鄰域中主導(dǎo)目標(biāo)的分布密度表征了異質(zhì)場(chǎng)景的多樣性和易變性。(3)提出了一種基于證據(jù)理論的極化SAR圖像異質(zhì)場(chǎng)景分類與識(shí)別方法,將極化SAR圖像的異質(zhì)場(chǎng)景作為不確定性問(wèn)題來(lái)考慮,在證據(jù)理論的基礎(chǔ)上,采用最大特征值的歐氏距離作為信任函數(shù)來(lái)度量目標(biāo)點(diǎn)對(duì)各種屬性的信任度,最后根據(jù)最大信任度規(guī)則實(shí)現(xiàn)了極化SAR圖像的異質(zhì)場(chǎng)景分類與識(shí)別。該方法具有較強(qiáng)的理論基礎(chǔ),不僅可以對(duì)異質(zhì)場(chǎng)景進(jìn)行分類并且可以對(duì)異質(zhì)場(chǎng)景中混雜分布的多種地物目標(biāo)進(jìn)行識(shí)別。
[Abstract]:Polarimetrie Synthetic Aperture POLSAR (Polarimetrie Aperture POLSAR) images describe the relationship between electromagnetic waves emitted by radar systems and ground objects, which mainly show the distribution characteristics of ground objects.Therefore, the polarimetric scattering information of polarimetric SAR images can be used to classify and recognize ground objects.However, in the process of polarimetric SAR imaging, the interaction between electromagnetic waves and the distribution of complex ground objects make complex scenes widely exist in polarized SAR images, and complex scene problems not only affect the detection and recognition of ground objects.Moreover, it is an important obstacle to the quantitative development of polarized SAR technology.Therefore, this paper mainly studies the classification of complex scenes. The main work is as follows: 1) A method of similar scene classification for polarimetric SAR images based on joint eigenvalue statistics is proposed.The distribution characteristics of the data are estimated by using the combined Gao Si model of volume scattering power and maximum eigenvalue, and the similar scene classification of polarimetric SAR images is realized by using Bayesian classifier under the statistical framework.Based on Markov random field Random Random model, this method makes full use of the local texture information of the image.The classification accuracy of the algorithm and the regional consistency of the classification results are improved. (2) A heterogeneous scene classification method for polarized SAR images based on local Gao Si model is proposed.Based on the initial classification, the heterogeneous scenes in polarized SAR images are measured by local statistics, and the heterogeneous scene classification of polarized SAR images is realized by setting an adaptive threshold.In this method, the distribution density of dominant targets in the local neighborhood is used to characterize the diversity and variability of heterogeneous scenes. A method for heterogeneous scene classification and recognition in polarized SAR images based on evidence theory is proposed.The heterogeneous scene of polarimetric SAR images is considered as an uncertain problem. Based on the evidence theory, the Euclidean distance of the maximum eigenvalue is used as a trust function to measure the trust degree of the target point to various attributes.Finally, the heterogeneous scene classification and recognition of polarimetric SAR images are realized according to the maximum trust rule.This method has a strong theoretical foundation, and it can not only classify heterogeneous scenes but also recognize a variety of ground objects with mixed distribution in heterogeneous scenes.
【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
【分類號(hào)】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳戲墨,徐紅兵,李志銘,謝鉉洋,李曦,李揚(yáng)彬;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類中的應(yīng)用[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2005年01期

2 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類體系[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年07期

3 楊杰;陳曉云;;圖像分類方法比較研究[J];微計(jì)算機(jī)應(yīng)用;2007年06期

4 楊文潮;姜志堅(jiān);;圖像分類技術(shù)研究[J];福建電腦;2008年08期

5 葛寒娟;邱桃榮;王劍;盧強(qiáng);李北;劉韜;聶斌;;一種基于相容信息粒原理的圖像分類方法[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

6 王軍;王員云;;粒計(jì)算及其在圖像分類中的應(yīng)用研究[J];計(jì)算機(jī)工程與科學(xué);2009年03期

7 吳軍;王士同;;基于正負(fù)模糊規(guī)則的相結(jié)合的圖像分類[J];計(jì)算機(jī)應(yīng)用;2011年01期

8 吳軍;王士同;趙鑫;;正負(fù)模糊規(guī)則系統(tǒng)、極限學(xué)習(xí)機(jī)與圖像分類[J];中國(guó)圖象圖形學(xué)報(bào);2011年08期

9 郝永寬;王威;聶維同;王德強(qiáng);;圖像分類與聚類分析[J];數(shù)字技術(shù)與應(yīng)用;2011年12期

10 蔣玲芳;張偉;司夢(mèng);;基于詞袋模型的電子報(bào)圖像分類方法研究[J];信陽(yáng)師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

相關(guān)會(huì)議論文 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

2 文振q;歐陽(yáng)杰;朱為總;;基于語(yǔ)義特征與支持向量機(jī)的圖像分類[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類技術(shù)在油品分析中的應(yīng)用[A];中國(guó)儀器儀表學(xué)會(huì)第六屆青年學(xué)術(shù)會(huì)議論文集[C];2004年

4 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

5 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

6 李博;韓萍;;基于壓縮感知和SVM的極化SAR圖像分類[A];第二十七屆中國(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

7 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計(jì)的圖像分類方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點(diǎn)特征提取的醫(yī)學(xué)圖像分類[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 胡堯;基于低秩矩陣估計(jì)的機(jī)器學(xué)習(xí)算法分析[D];浙江大學(xué);2015年

2 李昌英(Ri ChangYong);基于上下文信息的語(yǔ)義圖像分類研究[D];浙江大學(xué);2014年

3 趙鑫;圖像分類中的判別性增強(qiáng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

4 楊冰;基于藝術(shù)風(fēng)格的繪畫圖像分類研究[D];浙江大學(xué);2013年

5 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學(xué);2012年

6 賈世杰;基于內(nèi)容的商品圖像分類方法研究[D];大連理工大學(xué);2013年

7 李曉旭;基于概率主題模型的圖像分類和標(biāo)注的研究[D];北京郵電大學(xué);2012年

8 王海江;極化SAR圖像分類方法研究[D];電子科技大學(xué);2008年

9 韓東峰;圖像分類識(shí)別中特征及模型的若干問(wèn)題研究[D];吉林大學(xué);2008年

10 白有茂;基于張量流形學(xué)習(xí)的圖像分類技術(shù)研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2013年

相關(guān)碩士學(xué)位論文 前10條

1 張明靜;基于改進(jìn)遺傳算法的分塊綜合特征加權(quán)圖像分類研究[D];華南理工大學(xué);2015年

2 李函怡;融合主動(dòng)學(xué)習(xí)的半監(jiān)督技術(shù)在圖像分類中的應(yīng)用研究[D];西南大學(xué);2015年

3 王亞鳳;基于多特征的主動(dòng)學(xué)習(xí)方法在圖像分類中的應(yīng)用研究[D];河北工程大學(xué);2015年

4 陳榮安;基于改進(jìn)的Bag-of-Features模型的圖像分類研究[D];蘭州大學(xué);2015年

5 鐘畏丹;基于HSV和紋理特征的圖像分類[D];華中師范大學(xué);2015年

6 焦陽(yáng);基于主動(dòng)學(xué)習(xí)的多標(biāo)簽圖像分類方法研究[D];蘇州大學(xué);2015年

7 王騰川;基于主動(dòng)學(xué)習(xí)的SAR圖像分類方法研究[D];上海交通大學(xué);2015年

8 NGUYEN QUANG KHANH;基于極化SAR目標(biāo)信息提取與SVM分類[D];哈爾濱工業(yè)大學(xué);2015年

9 王朔琛;基于半監(jiān)督支持向量機(jī)的圖像分類方法研究[D];陜西師范大學(xué);2015年

10 楊東坡;基于深度學(xué)習(xí)的商品圖像分類[D];大連交通大學(xué);2015年

，

本文編號(hào)：1765173