發(fā)布時間：2022-12-08 05:20

　　隨著極化合成孔徑雷達（Polarimetric Synthetic Aperture Radar）影像分辨率的不斷提高,傳統(tǒng)中低分辨率的基于像素的影像解譯手段變得不再適用。針對高分辨率極化SAR影像的新特點,本文基于“矩陣估計-對象構建-目標分解-對象分類”這一研究主線,采用了對象化的思維來解決傳統(tǒng)基于像素方法信息利用不全、易受相干斑噪聲影響等的問題,并提出了一系列適用于高分辨率極化SAR數(shù)據(jù)的自適應的處理方法,主要研究工作及成果包括:1)針對傳統(tǒng)的窗口平均估計不再適用于不同異質度混雜的高分辨率極化SAR影像的問題,發(fā)展一種自選擇矩陣估計方法。首先提出極化異質度指數(shù),在對均質區(qū)和異質區(qū)進行區(qū)分的基礎上,綜合在各自區(qū)域最優(yōu)的不動點迭代估計與窗口平均估計獲得自選擇的矩陣估計結果;在進一步對均質區(qū)與異質區(qū)之間的過渡區(qū)分析之后,通過對不動點迭代估計和窗口平均估計進行線性加權來對過渡區(qū)域進行估計,進一步發(fā)展適用于全局的完全自適應的極化SAR相干矩陣估計方法。2)針對傳統(tǒng)的超像素不能綜合利用全局圖像信息等問題,提出了一種引入Wishart能量的改進SEEDS算法（Superpixels Extra... 

【文章頁數(shù)】：137 頁

【學位級別】：博士

【文章目錄】：
作者簡歷
摘要
abstract
第一章 緒論
    1.1 背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 極化SAR矩陣估計
        1.2.2 極化SAR超像素分割
        1.2.3 極化SAR目標分解
        1.2.4 極化SAR分類方法
    1.3 論文研究內容
    1.4 論文組織結構
第二章 極化SAR成像理論與數(shù)據(jù)特征
    2.1 極化SAR成像原理及技術發(fā)展
    2.2 極化SAR數(shù)據(jù)表達
    2.3 極化SAR數(shù)據(jù)特性
        2.3.1 極化SAR圖像散射對稱性
        2.3.2 SAR相干斑噪聲
        2.3.3 極化白化濾波及其變換
    2.4 本章小結
第三章 極化SAR自適應矩陣估計方法
    3.1 極化SAR矩陣估計方法總結與分析
        3.1.1 矩陣SCM估計
        3.1.2 矩陣FP估計
    3.2 極化SAR異質度指數(shù)
    3.3 極化SAR自選擇矩陣估計方法
        3.3.1 估計樣本自適應選擇
        3.3.2 自選擇矩陣估計方法
        3.3.3 自選擇矩陣估計實驗驗證
    3.4 綜合考慮過渡異質區(qū)的自適應矩陣估計方法
        3.4.1 自適應矩陣估計方法
        3.4.2 自適應矩陣估計實驗驗證
    3.5 本章小結
第四章 引入Wishart能量的改進SEEDS超像素算法
    4.1 超像素算法總結與分析
    4.2 引入Wishart能量的改進SEEDS超像素生成算法
        4.2.1 極化SAR超像素生成的層次能量模型
        4.2.2 顧及極化SAR完整信息的塊層次更新
        4.2.3 基于Wishart能量的像素層次更新
        4.2.4 碎斑超像素去除及算法參數(shù)設置
    4.3 實驗及討論
        4.3.1 Wishart能量性能評價
        4.3.2 模擬數(shù)據(jù)評價實驗
        4.3.3 真實數(shù)據(jù)評價實驗
        4.3.4 參數(shù)敏感性實驗
    4.4 本章小結
第五章 對象化極化SAR統(tǒng)一分解方法
    5.1 極化SAR目標分解方法總結與分析
        5.1.1 面向散射矩陣的相干目標分解
        5.1.2 面向相干矩陣的非相干目標分解
    5.2 相干非相干統(tǒng)一分解
        5.2.1 極化相干性劃分
        5.2.2 統(tǒng)一分解方法
        5.2.3 對象化統(tǒng)一分解
    5.3 統(tǒng)一分解實驗驗證
        5.3.1 相干性參數(shù)分析
        5.3.2 統(tǒng)一分解結果及分析
    5.4 本章小結
第六章 基于潛在概率語義模型的極化SAR圖像分類算法
    6.1 極化SAR分類研究總結與分析
    6.2 極化SAR分類輸入特征空間構建
        6.2.1 分類特征選擇
        6.2.2 自適應估計對(?)分解參數(shù)影響評價
    6.3 基于潛在概率語義的對象化分類
        6.3.1 分類特征的對象化
        6.3.2 分類特征的高維語義提取
        6.3.3 對象化語義分類方法流程
    6.4 對象化語義SVM實驗驗證
    6.5 本章小結
第七章 總結與展望
    7.1 論文內容總結
        7.1.1 論文主要研究內容
        7.1.2 論文主要創(chuàng)新點
    7.2 研究展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]空間感知矩陣學習的極化SAR圖像分類[J]. 孫宸,成立業(yè).  西安電子科技大學學報. 2018(06)
[2]多源遙感影像濕地檢測概率潛在語義分析[J]. 許凱,張倩倩,王彥華,劉福江,秦昆.  測繪學報. 2017(08)
[3]選擇利用Wishart和K統(tǒng)計描述的極化SAR圖像分割[J]. 劉修國,徐喬,陳啟浩,陳奇.  電子科技大學學報. 2016(05)
[4]基于同質像素預選擇的極化SAR圖像非局部均值濾波[J]. 楊學志,陳靖,周芳,郎文輝,鄭鑫,李國強.  電子與信息學報. 2015(12)
[5]結構保持的雙邊濾波極化SAR圖像降噪[J]. 楊學志,葉銘,吳克偉,郎文輝,鄭鑫,李國強.  電子與信息學報. 2015(02)
[6]極化SAR相干斑抑制的非局部加權最小均方誤差濾波算法[J]. 馬曉雙,沈煥鋒,楊杰,張良培.  中國圖象圖形學報. 2015(01)
[7]基于雙邊濾波的極化SAR相干斑抑制[J]. 王爽,于佳平,劉坤,侯彪,焦李成.  雷達學報. 2014(01)
[8]極化SAR圖像處理中L分布雜波統(tǒng)計分析[J]. 劉濤,黃高明,王雪松,肖順平.  自然科學進展. 2009(01)



本文編號：3713631