極化SAR圖像上包含有大量可應(yīng)用于目標的檢測、分類和識別等領(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。由于每一個極化特征只是簡單的描述了目標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或是具有不同散射特征的同一種類型目標。因此,需進行多種極化特征相結(jié)合,才能更好的對目標進行分類和識別。雖然利用多種極化特征可以收集到目標更多的有用信息,但是同時也會加入大量的冗余信息,這不僅會大大的提高了算法的計算復(fù)雜度而且還會降低了實驗最后的分類精度。同時,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)中會獲得較差的分類結(jié)果。而現(xiàn)有的基于張量分解的獨立成分分析方法(Tensorial Independent Component Analysis,TICA)是一種通過結(jié)合多種極化特征進行極化SAR圖像分類的算法,因而必然須面對這些弊端。針對上述問題,本文將對現(xiàn)有方法TICA進行相應(yīng)的改進以求獲得更... 

【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)進方法 WTICA 和原有方法 TICA 對 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，分類結(jié)果并不理想。圖 3.5(c)和 3.5(d)為改進算法 WT果。顯而易見，該改進算法獲得的分類結(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。產(chǎn)生這種分類差別的原因主要是因為改A 對極化特征進行了去噪處理。

TICA和WTICA的Flevoland子圖分類結(jié)果對比


本文編號：2915511