發(fā)布時間：2017-10-06 21:32

  本文關(guān)鍵詞：基于強度統(tǒng)計稀疏的極化SAR圖像分類

  更多相關(guān)文章： 極化SAR分類 極化散射強度 第二類統(tǒng)計模型 稀疏表示 張量分析

【摘要】：全極化合成孔徑雷達(Polarimetric Synthetic Aperture Rader,簡寫POLSAR)是一種全天候的多參數(shù),多通道的雷達成像系統(tǒng),雷達成像系統(tǒng)通過收發(fā)不同極化方式的電磁波,獲得全極化SAR圖像在四個通道上地物的全部散射信息,即水平發(fā)射水平接收通道(HH),水平發(fā)射垂直接收通道(HV),垂直發(fā)射水平接收通道(VH),垂直發(fā)射垂直接收通道(VV),四個通道包涵了地面每一分辨單元的全部極化散射信息,這也是全極化SAR圖像相對與單極化SAR圖像而言最大的優(yōu)勢所在。在極化SAR圖像分類問題中,如何從極化SAR散射信息中提取分類特征,如何應(yīng)用已知的全部極化散射信息,成為分類成敗和分類好壞的關(guān)鍵問題所在。全極化SAR圖像所提共了四個通道的極化散射信息,如何利用好這些極化散射信息以及四個散射通道之間的關(guān)系,本文提出了一下論斷和在此論斷的基礎(chǔ)上用于極化SAR圖像分類的幾種方法,主要內(nèi)容如下:1.提出了全極化SAR的極化散射強度矩陣中的極化散射強度在四個通道上具有相似性的新論斷。極化相干矩陣和從極化相干矩陣中提取特征用于極化SAR圖像分類的方法已經(jīng)非常成熟,雖然極化相干矩陣包含了地物散射目標(biāo)的全部散射信息,但卻模糊了全極化SAR四個通道這一特征。為了克服這一缺點,本文討論了對極化SAR散射強度矩陣與極化相干矩陣的優(yōu)越性,并對極化SAR散射強度矩陣中散射強度在四個通道上的稀疏性做了討論。這對極化SAR圖像中特征的提取將是一個很大的突破。2.提出了一種基于全極化SAR在各個通道上散射強度統(tǒng)計稀疏的極化SAR圖像分類與識別的方法。針對前面提出的極化SAR中極化散射強度在通道之間的相似性,對特定地物目標(biāo)的散射強度在三個通道上進行了統(tǒng)計,通過KSVD字典學(xué)習(xí)算法獲得特定地物的特征字典,通過正交匹配算法(OMP)獲得了極化散射強度在三個通道上的稀疏特征,利用這些包含三個通道關(guān)系的稀疏特征完成極化SAR圖像的分類,同時也可以用特定目標(biāo)的字典遷移到未知的極化SAR圖像的數(shù)據(jù)中,實現(xiàn)特定目標(biāo)的識別。3.提出了一種全極化SAR圖像在各個通道上散射強度統(tǒng)計稀疏在張量模型下的圖像分類和識別的方法。將極化散射強度的統(tǒng)計信息用張量描述,更能體現(xiàn)出全極化SAR三個通道之間的結(jié)構(gòu)信息,豐富了分類特征,更好的實現(xiàn)了極化SAR圖像的分類,同時也可以用特定目標(biāo)在張量表示后學(xué)習(xí)的字典遷移到未知的極化SAR圖像的數(shù)據(jù)中,實現(xiàn)特定目標(biāo)的識別。
【關(guān)鍵詞】：極化SAR分類 極化散射強度 第二類統(tǒng)計模型 稀疏表示 張量分析
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 符號對照表10-11
• 縮略語對照表11-14
• 第一章 緒論14-18
• 1.1 背景與意義14-15
• 1.2 極化SAR圖像分類15-16
• 1.3 論文的主要內(nèi)容及安排16-18
• 第二章 極化SAR圖像散射強度在三個通道上稀疏性的討論18-24
• 2.1 引言18
• 2.2 極化SAR數(shù)據(jù)18-20
• 2.3 關(guān)于極化散射強度矩陣與極化相干矩陣優(yōu)越性的討論20-21
• 2.4 關(guān)于極化散射強度矩陣通道間稀疏性的討論21-24
• 第三章 基于極化散射強度統(tǒng)計稀疏的極化SAR圖像分類24-44
• 3.1 引言24
• 3.2 極化散射強度矩陣的統(tǒng)計24-29
• 3.2.1 Weibull統(tǒng)計模型24-25
• 3.2.2 基于Mellin變換的參數(shù)估計25-26
• 3.2.3 樣本的選與統(tǒng)計擬合26-29
• 3.3 K-SVD字典學(xué)習(xí)29-31
• 3.3.1 K-SVD字典學(xué)習(xí)29-30
• 3.3.2 OMP算法30-31
• 3.4 SVM分類算法31-32
• 3.5 基于馬爾可夫隨機場（MRF）的局部優(yōu)化32-33
• 3.6 實驗方法33-38
• 3.7 實驗結(jié)果分析38-44
• 3.7.1 實驗數(shù)據(jù)38
• 3.7.2 實驗結(jié)果分析38-44
• 第四章 基于強度在張量結(jié)構(gòu)下統(tǒng)計稀疏極化SAR圖像分類44-54
• 4.1 引言44
• 4.2 極化SAR圖像數(shù)據(jù)的張量描述44-47
• 4.2.1 從向量到張量44-45
• 4.2.2 張量的矩陣化45-46
• 4.2.3 極化SAR統(tǒng)計特征的張量描述46-47
• 4.3 實驗方法47-50
• 4.4 實驗結(jié)果分析50-54
• 第五章 總結(jié)與展望54-58
• 5.1 本文的創(chuàng)新點54-55
• 5.2 進一步研究方向55-56
• 5.3 展望56-58
• 參考文獻58-62
• 致謝62-64
• 作者簡介64-65

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 劉夢玲;何楚;蘇鑫;孫洪;;基于pLSA和Topo-MRF模型的SAR圖像分類算法研究[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2011年01期

2 劉愛平;付琨;尤紅建;劉忠;;基于MAR-MRF的SAR圖像分割方法[J];電子與信息學(xué)報;2009年11期

，

本文編號：985153