發(fā)布時(shí)間：2023-05-31 19:52

　　合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)系統(tǒng)是一種多通道、多參數(shù)的雷達(dá)成像系統(tǒng),相較光學(xué)遙感具有全天時(shí)、全天候的優(yōu)勢(shì)。而極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,PolSAR)因其多極化的特性可以獲取更多的目標(biāo)極化信息,在應(yīng)用領(lǐng)域的作用也越來越重要,如PolSAR在自然災(zāi)害監(jiān)測(cè)、城市規(guī)劃、植被種類劃分、地質(zhì)勘探、軍事探測(cè)和海洋監(jiān)測(cè)等眾多領(lǐng)域都有著廣泛的應(yīng)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(wù)之一,近年來吸引了越來越多的研究者的關(guān)注。本文在國(guó)家自然科學(xué)基金面上項(xiàng)目(基于協(xié)同半監(jiān)督學(xué)習(xí)和系數(shù)表示的極化SAR地物分類,61173092),國(guó)家自然科學(xué)基金面上項(xiàng)目(基于生成式對(duì)抗網(wǎng)絡(luò)的極化SAR地物分類,61771379)等項(xiàng)目的支持下,借鑒半監(jiān)督學(xué)習(xí)理論與深度學(xué)習(xí)理論,針對(duì)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(biāo)記樣本下極化SAR圖像分類問題入手,提出了基于改進(jìn)快速密度峰值聚類的自適應(yīng)無監(jiān)督極化SAR圖像分類方法,該方法能夠準(zhǔn)確的估計(jì)無標(biāo)記樣本下的極...

【文章頁數(shù)】：141 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 研究的背景和意義
    1.2 國(guó)內(nèi)外極化SAR分類方法的研究現(xiàn)狀
    1.3 半監(jiān)督學(xué)習(xí)方法的研究現(xiàn)狀
    1.4 本文的研究?jī)?nèi)容與安排
第二章 基于類別估計(jì)的自適應(yīng)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(gè)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(shí)驗(yàn)結(jié)果與分析
        2.6.1 L波段美國(guó)舊金山地區(qū)的分類結(jié)果
        2.6.2 C波段中國(guó)西安地區(qū)的分類結(jié)果
        2.6.3 C波段荷蘭地區(qū)的分類結(jié)果
    2.7 小結(jié)
第三章 基于改進(jìn)協(xié)同訓(xùn)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(jìn)的協(xié)同訓(xùn)練過程
        3.3.1 預(yù)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(dú)立性分析
        3.5.2 預(yù)選擇區(qū)域分析
        3.5.6 協(xié)同訓(xùn)練過程中迭代次數(shù)分析
    3.6 實(shí)驗(yàn)結(jié)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(guó)舊金山地區(qū)的圖像分類
    3.7 結(jié)論
第四章 基于改進(jìn)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(nèi)離散度比值的序列后向特征選擇方法
    4.4 基于改進(jìn)Tri-training方法的半監(jiān)督極化SAR圖像分類方法
        4.4.1 建立預(yù)選擇的樣本集
        4.4.2 基于改進(jìn)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(yù)選擇區(qū)域分析
        4.5.2 協(xié)同訓(xùn)練過程中迭代次數(shù)分析
    4.6 實(shí)驗(yàn)結(jié)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(guó)舊金山地區(qū)的圖像分類
    4.7 結(jié)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(diǎn)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(shí)驗(yàn)結(jié)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(guó)舊金山地區(qū)的圖像分類
        5.5.4 迭代次數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響
    5.6 結(jié)論
第六章 基于空間加權(quán)和寬度卷積網(wǎng)絡(luò)的SAR圖像分類方法
    6.1 引言
    6.2 基于標(biāo)簽傳播的數(shù)據(jù)增強(qiáng)方法
    6.3 卷積神經(jīng)網(wǎng)絡(luò)模型
        6.3.1 卷積神經(jīng)網(wǎng)絡(luò)的卷積層
        6.3.2 卷積神經(jīng)網(wǎng)絡(luò)的池化層
        6.3.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    6.4 基于空間加權(quán)和寬度卷積神經(jīng)網(wǎng)絡(luò)計(jì)劃SAR圖像分類
        6.4.1 基于權(quán)值的數(shù)據(jù)預(yù)處理
        6.4.2 寬度卷積神經(jīng)網(wǎng)絡(luò)模型
    6.5 參數(shù)分析
        6.5.1 數(shù)據(jù)增強(qiáng)分析
        6.5.2 選擇像素塊的大小
    6.6 實(shí)驗(yàn)結(jié)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(jié)
第七章 總結(jié)與展望
    7.1 研究總結(jié)
    7.2 工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3825897