極化SAR圖像上包含有大量可應(yīng)用于目標(biāo)的檢測(cè)、分類和識(shí)別等領(lǐng)域上的信息,而這些信息須要通過極化SAR圖像的極化特征才能被收集與應(yīng)用。隨著極化SAR理論和極化SAR系統(tǒng)的快速發(fā)展,大量極化特征得以發(fā)現(xiàn)和收集。由于每一個(gè)極化特征只是簡單的描述了目標(biāo)某一方面的散射特征,因而無法較好的區(qū)分擁有相似散射特征的不同種類型目標(biāo)或是具有不同散射特征的同一種類型目標(biāo)。因此,需進(jìn)行多種極化特征相結(jié)合,才能更好的對(duì)目標(biāo)進(jìn)行分類和識(shí)別。雖然利用多種極化特征可以收集到目標(biāo)更多的有用信息,但是同時(shí)也會(huì)加入大量的冗余信息,這不僅會(huì)大大的提高了算法的計(jì)算復(fù)雜度而且還會(huì)降低了實(shí)驗(yàn)最后的分類精度。同時(shí),由于極化SAR圖像存在著大量相干斑噪聲,因此通過極化SAR圖像獲得的極化特征會(huì)殘存著大量的噪聲,若直接將這些極化特征應(yīng)用于分類當(dāng)中會(huì)獲得較差的分類結(jié)果。而現(xiàn)有的基于張量分解的獨(dú)立成分分析方法(Tensorial Independent Component Analysis,TICA)是一種通過結(jié)合多種極化特征進(jìn)行極化SAR圖像分類的算法,因而必然須面對(duì)這些弊端。針對(duì)上述問題,本文將對(duì)現(xiàn)有方法TICA進(jìn)行相應(yīng)的改進(jìn)以求獲得更... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：89 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Flevoland全圖及其子圖

圖 3.4 算法 WTICA 和算法 TICA 的平均 OA 值變化圖(Flevoland 子圖)進(jìn)方法 WTICA 和原有方法 TICA 對(duì) Flevoland 子圖的分類結(jié)果如圖 3.(a)和 3.5(b)顯示的原有方法 TICA 的分類結(jié)果，可以看出分類結(jié)果中包立區(qū)域和像素點(diǎn)，分類結(jié)果并不理想。圖 3.5(c)和 3.5(d)為改進(jìn)算法 WT果。顯而易見，該改進(jìn)算法獲得的分類結(jié)果具有較好的區(qū)域一致性，分存較少的孤立小區(qū)域和像素點(diǎn)。產(chǎn)生這種分類差別的原因主要是因?yàn)楦腁 對(duì)極化特征進(jìn)行了去噪處理。

TICA和WTICA的Flevoland子圖分類結(jié)果對(duì)比


本文編號(hào)：2915511