论文部分内容阅读
极化SAR（Polarimetric SAR，POLSAR）是一种能对目标进行全极化测量的新体制雷达，通过获取多通道极化图像，实现杂波抑制目标检测和地物分类能力的提高ǐ极化SAR图像分类是当前极化SAR图像解译应用研究的基础前沿问题，其目的是利用多极化SAR测量数据，将图像中每个像素所属地物类别进行准确标定ǐ这其中，特征提取与分类器设计是影响极化SAR图像分类精度的两个关键问题ǐ本文着眼于此，所做工作如下：（1）研究分析了极化SAR系统的理论意义和实用价值，对极化SAR图像分类技术的历史发展研究现状和基础理论进行了总结ǐ（2）对极化特征提取问题进行了研究ǐ针对基于测量数据简单组合变换的特征，提取了总功率极化度等18个极化特征；针对基于目标分解的特征，采用包括Pauli分解Cloude分解以及Freeman分解在内的多种方法提取了13个极化特征；此外还将极化G0(G0p)分布的最大似然距离引入特征集中，为后续极化SAR图像分类提供了较为全面的特征集合ǐ（3）提出了一种基于目标分解和SVM（Support vector machine, SVM）的极化SAR图像分类方法ǐ首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征，从而构造出图像各像素的特征向量ǐ接着利用样本区域像素的特征向量对SVM进行训练，获得经训练的SVMǐ最后，以各待分类像素的特征向量为输入，利用经训练的SVM完成极化SAR图像的分类ǐ实测极化SAR图像数据的分类实验结果表明，该方法能够有效地利用多类散射特征的互补信息，具有较高的分类精度ǐ（4）提出了一种基于径向基函数（radial basis function，RBF）神经网络的极化SAR图像分类方法ǐ在构建包含分布最大似然距离和一些常规特征的极化SAR图像分类特征集的基础上，利用样本数据对RBF神经网络进行训练，完成分类器的设计ǐ实测极化SAR图像的分类实验结果表明，该方法具有较好的图像细节保持能力ǐ