基于面向?qū)ο骃VM和譜聚類的極化SAR分類.pdf

1、極化合成孔徑雷達(dá)(Pol-SAR)是一個(gè)全天候，多通道，多參數(shù)的雷達(dá)成像系統(tǒng)，它可以獲得一定波長(zhǎng)和視角下目標(biāo)的極化散射信息。和合成孔徑雷達(dá)(SAR)比較，極化SAR擁有更豐富的極化內(nèi)容，再加上極化SAR數(shù)據(jù)具有高維性，并且數(shù)據(jù)相對(duì)較復(fù)雜，如何結(jié)合現(xiàn)有的技術(shù)對(duì)極化SAR數(shù)據(jù)進(jìn)行高效、準(zhǔn)確的分類已成為極化SAR領(lǐng)域的研究熱點(diǎn)。為了克服傳統(tǒng)的分類方法時(shí)間復(fù)雜度過(guò)高的問(wèn)題，本文提出了基于支持向量的聚類方法。由于極化SAR存在著較大的相干斑噪聲，

2、對(duì)后續(xù)的分類產(chǎn)生了極大的影響，所以本文根據(jù)相干斑噪聲模型，提出了利用面向?qū)ο蟮姆椒▽?duì)極化SAR進(jìn)行分類,其主要工作如下:
　　(1).本文提出了基于面向?qū)ο蠛蚐VM的極化SAR分類方法。傳統(tǒng)的SVM分類精度高，速度快，但是其分類極化SAR時(shí)易受相干斑噪聲影響、分類雜點(diǎn)較多，本文將基于像素的極化SAR分類和基于區(qū)域的極化SAR分類方法進(jìn)行了有效的結(jié)合，首先將極化SAR數(shù)據(jù)的相干矩陣T利用SVM進(jìn)行分類得到初始分類，然后將極化 SAR

3、數(shù)據(jù)的 Pauli特征利用面向?qū)ο蟮姆椒ㄟM(jìn)行過(guò)分割，最后在過(guò)分割的圖像上對(duì)SVM的初始分類結(jié)果利用投票的方式進(jìn)行二次分類，從而得到最終結(jié)果。由于該方法有效的利用了極化SAR數(shù)據(jù)的散射以及空間信息，所以具有不受相干斑噪聲影響，邊緣保持好，準(zhǔn)確率高等優(yōu)點(diǎn)。
　　(2).本文提出了基于面向?qū)ο蠛妥V聚類的極化SAR分類方法。傳統(tǒng)的面向?qū)ο蟮姆椒梢詫?duì)圖像進(jìn)行過(guò)分割，但是過(guò)分割后如何高效的融合是一個(gè)問(wèn)題。譜聚類可以對(duì)極化數(shù)據(jù)進(jìn)行很好的分類，

4、但是當(dāng)數(shù)據(jù)量大時(shí)，時(shí)間復(fù)雜度高，容易造成內(nèi)存溢出。本文提出的方法首先利用面向?qū)ο蟮姆椒▽O化SAR數(shù)據(jù)進(jìn)行過(guò)分割，從而起到降維的目的，然后將過(guò)分割后的圖像的每一個(gè)單元塊當(dāng)做一個(gè)對(duì)象，然后對(duì)這些對(duì)象進(jìn)行譜聚類，最后將圖像以對(duì)象為基本單元進(jìn)行分類。由于該方法利用面向?qū)ο蟮姆椒▽?duì)極化 SAR進(jìn)行了降維，所以時(shí)間復(fù)雜度大大降低，又因?yàn)槭且詫?duì)象為單元進(jìn)行聚類，所以很好的克服了噪聲的影響。
　　(3).本文提出了基于支持向量積和譜聚類的極化S

5、AR分類方法。譜聚類是以譜圖理論為基礎(chǔ)的，和傳統(tǒng)的聚類方法比，它有著很多優(yōu)點(diǎn)，比如在任意的樣本空間都可以聚類并且能收斂于全局最優(yōu)解、對(duì)不規(guī)則數(shù)據(jù)不敏感、準(zhǔn)確率高等。但極化SAR數(shù)據(jù)量通常很大，直接求解其相似度矩陣不可行。所以本文提出了先降維后聚類的方法。首先選擇少量樣本，對(duì)其利用快速SVM進(jìn)行訓(xùn)練，從而得到其支持向量，然后利用譜聚類對(duì)支持向量進(jìn)行聚類，并計(jì)算出相應(yīng)的類心，最后計(jì)算剩余樣本到各個(gè)類心的距離并進(jìn)行分類。和SVM類比，該方法可