论文部分内容阅读
极化SAR可以全天时、全天候对地观测,通过测量地面四种极化方式的散射回波来提供信息,描述目标地物,因此受到了越来越多的关注,其图像的解译问题一直是极化SAR领域研究的热点之一。论文提出了最优选择的多特征融合的极化SAR图像分类算法,解决了单一特征的极化SAR图像分类精度低以及多特征分类过程中的特征选取和数据冗余问题。极化SAR图像不仅可以提供极化特征,还可以提供纹理和颜色的特征,因此,论文将纹理特征和颜色特征整合到极化SAR图像的分类中。对实验数据提取了 S矩阵、C矩阵和T矩阵的测量数据特征,Pauli分解、SDH分解、Huynen分解、Cloude分解、Van Zyl分解、Freeman分解和SSCM分解的目标分解特征、纹理特征和颜色特征。在选择用于极化SAR图像分类的特征的过程中,通过制定最优选择特征标准与定义最优选择特征参数以实现特征选择,分别计算各个特征的最优选择特征参数实现选择用于分类,达到提高精度和减少数据冗余的目的。使用论文提出的最优选择的多特征融合算法进行特征选取与组合,分别通过使用单一特征和不同的最优选择的多特征,利用随机森林、SVM、最小风险Bayes、KNN分类算法对实验数据进行分类,对分类结果进行比较分析得到的主要结论如下:(1)极化SAR图像分类时,仅使用单一特征的分类精度低:以测量数据为特征的分类精度最低,利用目标分解特征的分类精度虽然略有提高,但是地物细节表达较弱;(2)最优选择的多特征融合对分类的精度和工作效率均具有提高作用,使用最优选择的多特征融合方法在总体分类精度上,与使用单一特征相比最多提高64.11%,比之使用全部特征的分类最高提高了 8.97%,运行时间最多缩短34秒;(3)最优选择的多特征融合可以提高各类地物的分类精度,但是在同一分类算法下,对各类地物分类精度的提高水平不一,具有偏重性。