全極化SAR分類若干關鍵技術研究.pdf

1、隨著航空、航天遙感技術的不斷發(fā)展，遙感應用需求日益迫切，海量的遙感數(shù)據(jù)和相對滯后的信息處理能力間的矛盾日益突出。機器學習方法以其先進性、智能性等技術特性，在海量數(shù)據(jù)處理、信號處理、特征提取、遙感圖像處理等多個領域得到廣泛應用。全極化合成孔徑雷達作為當代遙感技術的一個熱門研究領域，具有許多突出優(yōu)點，如不受時間影響，可以24小時成像；不受天氣影響，可以在各種特殊天氣下成像等。近年來，全極化合成孔徑雷達得到了廣泛的關注，與其相關的成像、濾波、

2、特征提取、分類等信息處理技術也在不斷發(fā)展。
　　本論文針對全極化SAR圖像分類領域中的特征選擇、小樣本分類、多特征綜合、多分類器集成、面向對象分類等關鍵問題，以核學習、集成學習等為基礎開展全極化SAR圖像分類方法研究，主要內容和研究結論如下：
　　1）綜合對比了常用的H/Alpha/A分解、Freeman-Durden分解、Yamaguchi分解、Pauli分解、Krogager分解、MCSM分解，Vanzyl分解等多種極化

3、目標分解方法的分類效果，通過最小距離、馬氏距離、神經網(wǎng)絡、支持向量機等常規(guī)的遙感圖像分類算法進行實驗，結果表明Pauli分解法提取的極化特征有利于常規(guī)分類算法獲得較高的分類精度。
　　2）針對小樣本情況下的分類問題，提出一種結合Wishart距離和圖像分割的半監(jiān)督學習與分類算法，將分割產生的對象內部像元作為候選樣本，通過Wishart分類法對其進行初步分類并排序，得到對象內可靠的樣本并將其加入到訓練樣本集，實現(xiàn)半監(jiān)督學習和分類，通

4、過實例驗證了半監(jiān)督學習算法的有效性。
　　3）從核函數(shù)角度對常規(guī)支持向量機進行改進并將其應用到全極化SAR圖像分類領域。將小波支持向量機引入到全極化SAR圖像分類領域，較常規(guī)支持向量機能夠獲得更高的分類精度；提出一種簡單的多核學習方法，分別在Pauli分解極化特征、紋理特征上訓練出極化核、紋理核，并將其進行組合形成多核，以此來進行基于多核學習的支持向量機分類，并進行單核、多核支持向量機分類對比實驗，結果表明在兩個相同核函數(shù)以及兩個

5、不同核函數(shù)等多核情況下，分類精度均優(yōu)于單核支持向量機。
　　4）為充分利用不同分類器間的差異性以進一步提高分類精度，提出一種基于集成學習的分類算法，在極化相干矩陣信息上采用Wishart-KNN分類法、Wishart分類法，同時在紋理信息上通過核-KNN分類法得到三個基分類器的分類結果，然后通過改進的分類器動態(tài)選擇法進行集成學習，實驗結果表明該方法可以在單分類器的基礎上進一步提高分類精度。
　　5）針對面向對象分類算法精度較