【摘要】：極化合成孔徑雷達(dá)((Polarimetric Synthetic Aperture Radar,POLSAR)極化由于能從多個(gè)極化通道獲取數(shù)據(jù),相較與普通SAR可以獲取到更加豐富的地物特征而受到矚目。極化SAR在軍用及民用方面都有著重要的發(fā)展前景。通過(guò)極化SAR對(duì)目標(biāo)進(jìn)行識(shí)別可以有效幫助部隊(duì)在戰(zhàn)爭(zhēng)中著重打擊敵軍的重要部位。不僅如此,極化SAR數(shù)據(jù)為地質(zhì)災(zāi)害的檢測(cè)評(píng)估、海冰厚度探測(cè)、森林火災(zāi)檢測(cè)等提供了數(shù)據(jù)基礎(chǔ)。目前關(guān)于極化SAR的應(yīng)用研究是一大熱點(diǎn),充分利用極化SAR數(shù)據(jù)獲取信息具有重要的研究意義。作為極化SAR圖像解譯的重要組成部分,極化SAR圖像分類(lèi)也受到國(guó)際遙感領(lǐng)域的重視,成為重要的研究方向。1.本文提出了一種基于近鄰傳播聚類(lèi)與區(qū)域增長(zhǎng)的極化SAR圖像分類(lèi)方法。該算法主要是通過(guò)特征提取與分水嶺算法得到區(qū)域過(guò)分割結(jié)果,然后利用基于區(qū)域的K-means算法進(jìn)行初始區(qū)域劃分,減少過(guò)分割區(qū)域的數(shù)量,接著利用基于區(qū)域的近鄰傳播聚類(lèi)進(jìn)行分類(lèi),充分考慮圖像的空間相關(guān)性,使用區(qū)域增長(zhǎng)方法來(lái)提高分類(lèi)準(zhǔn)確率,最終通過(guò)對(duì)邊界點(diǎn)的Wishart分類(lèi)得到分類(lèi)結(jié)果。該方法通過(guò)將過(guò)分割后得到的勻質(zhì)區(qū)域作為分類(lèi)單元,有效降低了極化數(shù)據(jù)中相干斑的影響,提高分類(lèi)精度。2.本文提出了一種改進(jìn)的基于分水嶺的區(qū)域劃分方法。將分水嶺得到的過(guò)分割區(qū)域作為分析單元,充分利用區(qū)域的空間信息,獲取每一個(gè)區(qū)域的鄰接信息,并結(jié)合邊緣懲罰,計(jì)算相鄰區(qū)域間的區(qū)域合并評(píng)價(jià)值,合并相互都為最適合合并的相鄰區(qū)域,并得到區(qū)域劃分結(jié)果,大大降低了過(guò)分割后的區(qū)域數(shù)量,有效地將勻質(zhì)區(qū)域內(nèi)相鄰的具有相同地物的區(qū)域合并起來(lái),并且區(qū)域邊緣保持良好。3.本文提出了一種基于區(qū)域劃分的無(wú)監(jiān)督極化SAR圖像分類(lèi)方法。通過(guò)一種新的極化特征提取及邊緣強(qiáng)度計(jì)算方法,運(yùn)用分水嶺算法得到過(guò)分割結(jié)果,然后利用改進(jìn)的基于分水嶺的區(qū)域劃分方法,將過(guò)分割后得到的小塊區(qū)域劃分為較大區(qū)域,最后利用基于區(qū)域的近鄰傳播聚類(lèi)與一種考慮空間相關(guān)性的Wishart分類(lèi)器進(jìn)行分類(lèi),得到最終分類(lèi)結(jié)果。該分類(lèi)方法能夠得到較好的分類(lèi)結(jié)果。
[Abstract]:Polarimetric synthetic Aperture Radar (Polarimetric Synthetic Aperture Radar,POLSAR) polarization has attracted much attention due to its ability to obtain data from multiple polarimetric channels, which is more abundant than that of ordinary SAR. Polarized SAR has important prospects in both military and civil fields. The identification of targets by polarized SAR can effectively help the troops to focus on the important positions of the enemy in the war. Moreover, polarized SAR data provide data basis for geological hazard detection and assessment, sea ice thickness detection, forest fire detection and so on. At present, the research on the application of polarized SAR is a hot spot. It is of great significance to make full use of polarized SAR data to obtain information. As an important part of polarimetric SAR image interpretation, polarimetric SAR image classification has also been paid attention to in the field of international remote sensing, and has become an important research direction. 1. A polarimetric SAR image classification method based on nearest neighbor propagation clustering and regional growth is proposed in this paper. The algorithm is mainly based on feature extraction and watershed algorithm to get the results of region over-segmentation, and then the region based K-means algorithm is used to divide the initial region to reduce the number of over-segmented regions. Then the region based nearest neighbor propagation clustering is used to classify the image, and the spatial correlation of the image is fully considered, and the region growth method is used to improve the classification accuracy. Finally, the classification results are obtained by the Wishart classification of the boundary points. By using the homogeneous region obtained by over-segmentation as the classification unit, the effect of speckle in polarimetric data is effectively reduced and the classification accuracy is improved by 2.2. In this paper, an improved watershed based region division method is proposed. The over-segmented region obtained from the watershed is taken as the analysis unit, the spatial information of the region is fully utilized, the adjacent information of each region is obtained, and the combined evaluation value of the adjacent region is calculated by combining with the edge punishment. Merging each other is the most suitable adjacent region for merging, and obtains the result of regional division, which greatly reduces the number of over-segmented regions and effectively combines the adjacent regions with the same features in homogeneous regions. And the edge of the region remains good. 3. In this paper, an unsupervised polarimetric SAR image classification method based on region partition is proposed. Through a new method of polarization feature extraction and edge strength calculation, the watershed algorithm is used to obtain the over-segmentation results, and then the improved watershed based region partition method is used to divide the over-segmented small area into larger regions. Finally, the region based nearest neighbor propagation clustering and a Wishart classifier considering spatial correlation are used to classify, and the final classification results are obtained. The classification method can get better classification results.
【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 杜玫芳;;數(shù)字圖書(shū)館中圖像分類(lèi)技術(shù)研究[J];現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版);2008年01期

2 周曉光;匡綱要;萬(wàn)建偉;;極化SAR圖像分類(lèi)綜述[J];信號(hào)處理;2008年05期

3 秦磊;高文;;基于內(nèi)容相關(guān)性的場(chǎng)景圖像分類(lèi)方法[J];計(jì)算機(jī)研究與發(fā)展;2009年07期

4 楊懌菲;;一種基于圖像特征的圖像分類(lèi)方法[J];現(xiàn)代電子技術(shù);2009年14期

5 畢萍;;圖像分類(lèi)方法的對(duì)比研究[J];現(xiàn)代電子技術(shù);2009年18期

6 孟海東;郝永寬;王淑玲;;聚類(lèi)分析在非監(jiān)督圖像分類(lèi)中的應(yīng)用研究[J];計(jì)算機(jī)與現(xiàn)代化;2009年10期

7 姚曉昆;邱桃榮;葛寒娟;劉清;王劍;;基于多層次相容粒度的圖像分類(lèi)[J];河北師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

8 郭立君;趙杰煜;史忠植;;生成模型與判別方法相融合的圖像分類(lèi)方法[J];電子學(xué)報(bào);2010年05期

9 黃濤;陳三風(fēng);;人工場(chǎng)景圖像分類(lèi)技術(shù)研究[J];深圳信息職業(yè)技術(shù)學(xué)院學(xué)報(bào);2010年02期

10 張杰;郭小川;金城;陸偉;;基于特征互補(bǔ)率矩陣的圖像分類(lèi)方法[J];計(jì)算機(jī)工程;2011年04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(lèi)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(lèi)[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(lèi)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(lèi)[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(lèi)[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(lèi)[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(lèi)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(lèi)的腦部醫(yī)學(xué)圖像分類(lèi)[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(lèi)[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(lèi)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

，

本文編號(hào)：2381458