基于面向對象SVM和譜聚類的極化SAR分類.pdf

1、極化合成孔徑雷達(Pol-SAR)是一個全天候，多通道，多參數(shù)的雷達成像系統(tǒng)，它可以獲得一定波長和視角下目標的極化散射信息。和合成孔徑雷達(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)相對較復雜，如何結合現(xiàn)有的技術對極化SAR數(shù)據(jù)進行高效、準確的分類已成為極化SAR領域的研究熱點。為了克服傳統(tǒng)的分類方法時間復雜度過高的問題，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，提出了利用面向對象的方法對極化SAR進行分類,其主要工作如下:
　　(1).本文提出了基于面向對象和SVM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時易受相干斑噪聲影響、分類雜點較多，本文將基于像素的極化SAR分類和基于區(qū)域的極化SAR分類方法進行了有效的結合，首先將極化SAR數(shù)據(jù)的相干矩陣T利用SVM進行分類得到初始分類，然后將極化 SAR

3、數(shù)據(jù)的 Pauli特征利用面向對象的方法進行過分割，最后在過分割的圖像上對SVM的初始分類結果利用投票的方式進行二次分類，從而得到最終結果。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，準確率高等優(yōu)點。
　　(2).本文提出了基于面向對象和譜聚類的極化SAR分類方法。傳統(tǒng)的面向對象的方法可以對圖像進行過分割，但是過分割后如何高效的融合是一個問題。譜聚類可以對極化數(shù)據(jù)進行很好的分類，

4、但是當數(shù)據(jù)量大時，時間復雜度高，容易造成內(nèi)存溢出。本文提出的方法首先利用面向對象的方法將極化SAR數(shù)據(jù)進行過分割，從而起到降維的目的，然后將過分割后的圖像的每一個單元塊當做一個對象，然后對這些對象進行譜聚類，最后將圖像以對象為基本單元進行分類。由于該方法利用面向對象的方法對極化 SAR進行了降維，所以時間復雜度大大降低，又因為是以對象為單元進行聚類，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的，和傳統(tǒng)的聚類方法比，它有著很多優(yōu)點，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、對不規(guī)則數(shù)據(jù)不敏感、準確率高等。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，對其利用快速SVM進行訓練，從而得到其支持向量，然后利用譜聚類對支持向量進行聚類，并計算出相應的類心，最后計算剩余樣本到各個類心的距離并進行分類。和SVM類比，該方法可