本文關(guān)鍵詞：基于極化SAR目標(biāo)信息提取與SVM分類，由筆耕文化傳播整理發(fā)布。

【摘要】：極化合成孔徑雷達(dá)(Pol SAR)可以利用不同極化通道的SAR復(fù)圖像區(qū)分物體的細(xì)致結(jié)構(gòu)和目標(biāo)指向等特性,對(duì)SAR圖像中的典型目標(biāo)進(jìn)行特征提取與分類,在遙感領(lǐng)域具有廣泛的應(yīng)用前景。論文主要研究Pol SAR圖像的人造目標(biāo)信息的提取,重點(diǎn)圍繞極化目標(biāo)分解和Pol SAR圖像分類地研究。首先,本文對(duì)目標(biāo)的極化特征和目標(biāo)分解方法進(jìn)行研究,包括基于散射矩陣的相干目標(biāo)分解(Pauli和SDH分解)、基于特征值的非相干目標(biāo)分解以及基于散射模型的非相干目標(biāo)分解(Freeman和Yamaguchi分解)等方法�；诓煌瑯O化分解方法,研究各極化分量對(duì)分類目標(biāo)的敏感程度,為進(jìn)一步研究Pol SAR圖像的目標(biāo)特征提取和目標(biāo)分類奠定基礎(chǔ)。本文利用EMISAR的Pol SAR數(shù)據(jù)進(jìn)行試驗(yàn),研究目標(biāo)分解方法的效性。分解得到的各散射成分作為主要特征用于的人造信息目標(biāo)提取和Pol SAR圖像目標(biāo)分類。其次,在Pol SAR圖像分類中,利用支持向量機(jī)(SVM)適用于小樣本數(shù)據(jù)訓(xùn)練的良好的特性和極化分解的特征分量散射特性,本文提出了基于SVM“一對(duì)一”的Pol SAR圖像分類算法,完成對(duì)Pol SAR圖像進(jìn)行建筑、森林、河流和農(nóng)田的分類。實(shí)驗(yàn)表明,該算法能夠較好地對(duì)Pol SAR圖像中的目標(biāo)類型進(jìn)行區(qū)分,并能夠快速檢測(cè)出人造目標(biāo)建筑物,對(duì)于Pol SAR圖像的分類和人造目標(biāo)檢測(cè)具有一定的適用性。
【關(guān)鍵詞】：極化合成孔徑雷達(dá) 特征提取 極化目標(biāo)分解 圖像分類
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN958.2
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-17
• 1.1 論文的背景及研究的目的和意義8-9
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀及分析9-15
• 1.2.1 極化SAR圖像特征提取9-12
• 1.2.2 極化SAR圖像目標(biāo)檢測(cè)12
• 1.2.3 極化SAR圖像分類12-15
• 1.2.4 國(guó)內(nèi)外發(fā)展現(xiàn)狀綜述15
• 1.3 主要研究?jī)?nèi)容及論文結(jié)構(gòu)15-17
• 第2章 Pol SAR目標(biāo)分解理論基礎(chǔ)17-38
• 2.1 引言17
• 2.2 Pol SAR基本理論17-26
• 2.2.1 極化目標(biāo)散射特征17-24
• 2.2.2 Pol SAR圖像目標(biāo)二階統(tǒng)計(jì)量24-25
• 2.2.3 極化協(xié)方差矩陣及極化相干矩陣25-26
• 2.3 Pol SAR圖像極化特征提取方法26-37
• 2.3.1 基本散射機(jī)制26-30
• 2.3.2 非相干極化目標(biāo)分解理論30
• 2.3.3 Freeman分解30-32
• 2.3.4 Yamaguchi分解32-34
• 2.3.5 基于非對(duì)稱散射機(jī)理的四成分目標(biāo)分解模型34-37
• 2.4 本章小結(jié)37-38
• 第3章 Pol SAR人造目標(biāo)分解結(jié)果38-49
• 3.1 引言38
• 3.2 實(shí)驗(yàn)數(shù)據(jù)介紹38-39
• 3.3 關(guān)于散射矩陣的相干目標(biāo)分解39-43
• 3.3.1 基于Pauli的分解39-40
• 3.3.2 SDH分解40-41
• 3.3.3 Pauli和SDH的分解結(jié)果及分析41-43
• 3.4 特征值分解的非相干目標(biāo)分解43-45
• 3.5 散射模型的非相干目標(biāo)分解結(jié)果和分析45-48
• 3.5.1 Freeman和Yamaguchi分解結(jié)果及分析45-48
• 3.6 本章小結(jié)48-49
• 第4章 基于SVM的POLSAR目標(biāo)分類49-68
• 4.1 引言49
• 4.2 SVM理論基礎(chǔ)49-54
• 4.2.1 最優(yōu)分類超平面49-50
• 4.2.2 支持向量機(jī)分類50-52
• 4.2.3 支持向量機(jī)回歸52-54
• 4.3 核函數(shù)機(jī)特征空間54-56
• 4.4 SVM參數(shù)的選擇56
• 4.5 關(guān)于特征值目標(biāo)檢測(cè)56-57
• 4.6 關(guān)于SVM的Pol SAR圖像的多分類算法57
• 4.7 特征向量的選取和分類算法57-62
• 4.8 仿真實(shí)驗(yàn)62-66
• 4.9 本章小結(jié)66-68
• 結(jié)論68-70
• 參考文獻(xiàn)70-76
• 致謝76

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前2條

1 吳永輝;計(jì)科峰;郁文賢;;基于H-α和改進(jìn)C-均值的全極化SAR圖像非監(jiān)督分類[J];電子與信息學(xué)報(bào);2007年01期

2 王文光;王俊;毛士藝;李海艷;;基于極化SAR圖像分類的海上艦船檢測(cè)[J];信號(hào)處理;2007年05期

  本文關(guān)鍵詞：基于極化SAR目標(biāo)信息提取與SVM分類，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：305002