發(fā)布時(shí)間：2018-05-20 05:42

  本文選題：極化合成孔徑雷達(dá) + 圖像分類(lèi)��； 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)(Polarimetric Synthetic Aperture Radar,POLSAR)是一種多通道、多參數(shù)的雷達(dá)成像系統(tǒng),它是通過(guò)測(cè)量地面上每一個(gè)分辨單元內(nèi)的全極化散射回波來(lái)獲得目標(biāo)極化信息的。與傳統(tǒng)的成像雷達(dá)相比,極化合成孔徑雷達(dá)能夠在多種電磁波極化收發(fā)組合下對(duì)目標(biāo)散射特性進(jìn)行探測(cè),所以它能為目標(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)用上的一個(gè)重要問(wèn)題,本文主要研究基于極化相干矩陣特征向量分析的極化SAR圖像分類(lèi)算法。選擇特征向量作為分類(lèi)特征,結(jié)合支持矢量機(jī)(SVM)分類(lèi)算法和譜聚類(lèi),提出了兩種極化SAR圖像分類(lèi)算法,主要內(nèi)容如下:1.對(duì)極化SAR數(shù)據(jù)相干矩陣進(jìn)行特征值分解,統(tǒng)計(jì)分析了三個(gè)特征向量的數(shù)值特征,利用特征向量較好的可分性,選擇最大特征值對(duì)應(yīng)特征向量的實(shí)部和虛部作為特征量,結(jié)合SVM分類(lèi)器實(shí)現(xiàn)極化SAR圖像分類(lèi),該方法簡(jiǎn)單易實(shí)現(xiàn),分類(lèi)效果良好。2.進(jìn)一步對(duì)相干矩陣特征向量的數(shù)學(xué)意義進(jìn)行分析,結(jié)合極化SAR雷達(dá)成像的物理機(jī)制,提出了一種適用于相干矩陣特征向量的相似性度量方式。該方法中兩個(gè)像素的相似度計(jì)算是在酉空間上進(jìn)行的,實(shí)驗(yàn)驗(yàn)證了該相似性度量的正確性和有效性,在此基礎(chǔ)上,提出了一種基于特征向量度量譜聚類(lèi)的極化SAR圖像分類(lèi)算法。該方法計(jì)算復(fù)雜度低且分割效果好。本工作得到了國(guó)家自然基金(Nos.61003198,61472306)和中央高�；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金(JDYB140508)的資助。
[Abstract]:Polarimetric Synthetic Aperture Radarsard (Polarimetric Synthetic Aperture POLSAR) is a multi-channel, multi-parameter radar imaging system, which obtains the polarimetric information of the target by measuring the full polarization scattering echo in each resolution unit on the ground. Compared with the traditional imaging radar, polarimetric synthetic aperture radar can detect the scattering characteristics of the target under a variety of electromagnetic wave polarization transceiver combinations, so it can provide more and more comprehensive information for target interpretation. Polarimetric SAR image classification is an important problem in the application of polarimetric SAR data. In this paper, a polarimetric SAR image classification algorithm based on eigenvector analysis of polarimetric coherence matrix is studied. Two polarimetric SAR image classification algorithms are proposed by selecting feature vectors as classification features and combining support vector machine (SVM) classification algorithm and spectral clustering algorithm. The main contents are as follows: 1. The eigenvalue decomposition of the coherent matrix of polarized SAR data is carried out, and the numerical characteristics of the three eigenvectors are statistically analyzed. The real and imaginary parts of the eigenvector corresponding to the maximum eigenvalue are selected as the eigenvalues by using the better separability of the eigenvectors. The polarimetric SAR image classification is realized with SVM classifier. The method is simple and easy to implement, and the classification effect is good. 2. Furthermore, the mathematical meaning of the eigenvector of coherent matrix is analyzed, and a similarity measurement method suitable for the eigenvector of coherent matrix is proposed in combination with the physical mechanism of polarimetric SAR radar imaging. In this method, the similarity calculation of two pixels is carried out in unitary space. Experiments show that the similarity measure is correct and effective. On the basis of this, a polarimetric SAR image classification algorithm based on eigenvector metric spectral clustering is proposed. This method has low computational complexity and good segmentation effect. This work is supported by the National Natural Fund "Nos.6100319891472306" and the special fund for basic scientific research business expenses of central colleges and universities (JDYB140508).
【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7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

6 司響;李秋銳;宋士超;;釣魚(yú)網(wǎng)頁(yè)特征向量提取方法研究[A];第26次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2011年

7 張平;何小衛(wèi);;電子郵件特征向量提取[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004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 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

2 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

3 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

4 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

5 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

6 于瀾;線性振動(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

7 譚瑩瑩;混合圖的奇異度與特征向量[D];安徽大學(xué);2007年

8 黃鑫;基于特征向量的中文實(shí)體間語(yǔ)義關(guān)系抽取研究[D];蘇州大學(xué);2009年

9 劉超;一種基于特征向量的Web服務(wù)發(fā)現(xiàn)算法研究[D];吉林大學(xué);2011年

10 孫濤;基于特征向量的二維顱腦CT圖像配準(zhǔn)與分割[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

，

本文編號(hào)：1913402