發(fā)布時間：2023-05-31 19:52

　　合成孔徑雷達(Synthetic Aperture Radar,SAR)系統(tǒng)是一種多通道、多參數(shù)的雷達成像系統(tǒng),相較光學遙感具有全天時、全天候的優(yōu)勢。而極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,PolSAR)因其多極化的特性可以獲取更多的目標極化信息,在應用領域的作用也越來越重要,如PolSAR在自然災害監(jiān)測、城市規(guī)劃、植被種類劃分、地質勘探、軍事探測和海洋監(jiān)測等眾多領域都有著廣泛的應用。其中極化SAR圖像地物分類作為極化SAR圖像理解與解譯的重要任務之一,近年來吸引了越來越多的研究者的關注。本文在國家自然科學基金面上項目(基于協(xié)同半監(jiān)督學習和系數(shù)表示的極化SAR地物分類,61173092),國家自然科學基金面上項目(基于生成式對抗網絡的極化SAR地物分類,61771379)等項目的支持下,借鑒半監(jiān)督學習理論與深度學習理論,針對極化SAR圖像中的小樣本問題展開了研究,論文研究成果如下:(1)從無標記樣本下極化SAR圖像分類問題入手,提出了基于改進快速密度峰值聚類的自適應無監(jiān)督極化SAR圖像分類方法,該方法能夠準確的估計無標記樣本下的極...

【文章頁數(shù)】：141 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究的背景和意義
    1.2 國內外極化SAR分類方法的研究現(xiàn)狀
    1.3 半監(jiān)督學習方法的研究現(xiàn)狀
    1.4 本文的研究內容與安排
第二章 基于類別估計的自適應無監(jiān)督極化SAR圖像分類方法
    2.1 引言
    2.2 Yamaguchi分解方法
    2.3 K-Wishart分布
    2.4 本章方法
        2.4.1 初始劃分
        2.4.2 聚類
        2.4.3 本章方法的整個流程
    2.5 參數(shù)分析
        2.5.1 濾波分析
        2.5.2 初始分割策略分析
        2.5.3 聚類策略分析
    2.6 實驗結果與分析
        2.6.1 L波段美國舊金山地區(qū)的分類結果
        2.6.2 C波段中國西安地區(qū)的分類結果
        2.6.3 C波段荷蘭地區(qū)的分類結果
    2.7 小結
第三章 基于改進協(xié)同訓練的半監(jiān)督極化SAR圖像分類方法
    3.1 引言
    3.2 極化SAR特征提取與差異性分析
        3.2.1 特征提取
        3.2.2 差異性分析
    3.3 改進的協(xié)同訓練過程
        3.3.1 預選擇過程
        3.3.2 樣本選擇策略
        3.3.3 選擇樣本的性能分析
    3.4 后處理
    3.5 參數(shù)分析
        3.5.1 兩組特征之間充分性和獨立性分析
        3.5.2 預選擇區(qū)域分析
        3.5.6 協(xié)同訓練過程中迭代次數(shù)分析
    3.6 實驗結果與分析
        3.6.1 AIRSAR L波段荷蘭地區(qū)的圖像分類
        3.6.2 Radarsat-2 C波段荷蘭地區(qū)的圖像分類
        3.6.3 Radarsat-2 C波段美國舊金山地區(qū)的圖像分類
    3.7 結論
第四章 基于改進Tri-training方法的半監(jiān)督極化SAR圖像分類方法
    4.1 引言
    4.2 提取高維極化SAR特征
    4.3 基于類間離散度和類內離散度比值的序列后向特征選擇方法
    4.4 基于改進Tri-training方法的半監(jiān)督極化SAR圖像分類方法
        4.4.1 建立預選擇的樣本集
        4.4.2 基于改進Tri-training的半監(jiān)督極化SAR方法的整體過程
    4.5 參數(shù)分析
        4.5.1 預選擇區(qū)域分析
        4.5.2 協(xié)同訓練過程中迭代次數(shù)分析
    4.6 實驗結果與分析
        4.6.1 AIRSAR L波段荷蘭地區(qū)的圖像分類
        4.6.2 Radarsat-2 C波段荷蘭地區(qū)的圖像分類
        4.6.3 Radarsat-2 C波段美國舊金山地區(qū)的圖像分類
    4.7 結論
第五章 基于鄰域最小生成樹的半監(jiān)督極化SAR圖像分類方法
    5.1 引言
    5.2 鄰域最小生成樹
        5.2.1 最小生成樹
        5.2.2 基于像素點空間鄰域信息的鄰域最小生成樹
    5.3 基于鄰域最小生成樹的半監(jiān)督分類方法
        5.3.1 基于鄰域最小生成樹的樣本選擇方法
        5.3.2 本章算法流程
    5.4 參數(shù)分析
        5.4.1 最近鄰生成樹分析
        5.4.2 迭代次數(shù)分析
        5.4.3 不同樣本數(shù)分析
    5.5 實驗結果與分析
        5.5.1 AIRSAR L波段荷蘭地區(qū)的圖像分類
        5.5.2 Radarsat-2 C波段荷蘭地區(qū)的圖像分類
        5.5.3 Radarsat-2 C波段美國舊金山地區(qū)的圖像分類
        5.5.4 迭代次數(shù)對實驗結果的影響
    5.6 結論
第六章 基于空間加權和寬度卷積網絡的SAR圖像分類方法
    6.1 引言
    6.2 基于標簽傳播的數(shù)據(jù)增強方法
    6.3 卷積神經網絡模型
        6.3.1 卷積神經網絡的卷積層
        6.3.2 卷積神經網絡的池化層
        6.3.3 卷積神經網絡的訓練
    6.4 基于空間加權和寬度卷積神經網絡計劃SAR圖像分類
        6.4.1 基于權值的數(shù)據(jù)預處理
        6.4.2 寬度卷積神經網絡模型
    6.5 參數(shù)分析
        6.5.1 數(shù)據(jù)增強分析
        6.5.2 選擇像素塊的大小
    6.6 實驗結果與分析
        6.6.1 AIRSAR L波段1989年荷蘭地區(qū)的圖像分類
        6.6.2 AIRSAR L波段1991年荷蘭地區(qū)的圖像分類
    6.7 小結
第七章 總結與展望
    7.1 研究總結
    7.2 工作展望
參考文獻
致謝
作者簡介



本文編號：3825897