基于半監(jiān)督學習的極化SAR地物分類.pdf

1、極化合成孔徑雷達(PolSAR)由于能夠提供更多更豐富的目標散射信息,近年成為遙感領域的新熱點。其地物分類問題作為極化 SAR圖像解譯的重要研究內容和關鍵技術,在民用和軍事領域具有重大的理論意義和應用價值。半監(jiān)督學習(Semi-supervised Learning)能夠同時利用已標記和未標記樣本,同時有效解決各種實際問題中常見的已知樣本代表性不好或訓練樣本難以獲得的問題,在機器學習領域受到了重視和長足的發(fā)展。本文基于半監(jiān)督SVM算法對

2、極化SAR地物分類問題進行研究。并結合實際問題,對已有的算法進行改進,同時提出自己的算法。
　　1、本文著重討論了半監(jiān)督學習中的一種熱點算法:半監(jiān)督SVM算法。并將其與經(jīng)典的圖像分割MeanShift方法結合,對極化SAR圖像進行分類。并引入?yún)f(xié)同學習的框架結合兩種方法,從而充分利用極化 SAR圖像中像素的極化散射特征和像素間的空間特征。實驗結果顯示,該方法較傳統(tǒng)方法在極化SAR圖像上有較好的分類精度。
　　2、對半監(jiān)督SVM

3、算法進行研究,提出了一種半監(jiān)督SVM集成學習算法。有效的解決了傳統(tǒng)半監(jiān)督SVM算法需要樣本集正負類分布先驗的問題。用不同的正負類分布估計得到多個半監(jiān)督SVM分類器,并用聚類評價指標判斷集成結果。實驗證明,在樣本集正負類別分布未知的情況下,該算法較傳統(tǒng)半監(jiān)督SVM效果有顯著提升。
　　3、在提出的半監(jiān)督SVM集成學習算法的基礎上進行擴展。提出了一種針對該方法的多分類策略。并針將極化SAR數(shù)據(jù)符合wishart分布這一先驗只是將加入集