基于多特征融合的高分辨率極化SAR圖像分類方法研究.pdf

1、作為極化SAR圖像解譯中的基本方法之一，極化SAR圖像分類處理同樣也是極化SAR成像技術邁向實際工程應用的重要步驟，因而日益成為研究人員探討的熱點問題。極化SAR傳感器呈現出的其中一個關鍵技術方向是系統(tǒng)分辨率的顯著提升。分辨率的提升帶來更加豐富特征信息的同時也向極化SAR圖像處理制造了新的麻煩。高分辨率極化SAR圖像的空間結構信息更明顯、地物起伏更劇烈、統(tǒng)計特性發(fā)生改變、數據量迅速增大、場景更為復雜等問題，使得原本中低分辨率前提下的各類

2、極化SAR圖像分類算法已不能適應高分辨率極化SAR圖像中的實際應用需要。本文從現有的圖像處理方式出發(fā)，針對上述情況，研究了適用于高分辨率極化SAR圖像的分類算法。論文的具體研究內容主要包括如下四個方面：
　　1.研究了包含綜合后向散射信息的極化特征構建方法。高分辨率極化SAR圖像地物起伏劇烈，傳統(tǒng)的單一極化參量無法全面描述地物細節(jié)特性。經過極化代數運算或極化目標分解兩類方法提取的極化特征，從不同角度解譯了極化SAR數據。將它們收集

3、起來共同組建高維極化特征空間，可以獲取綜合的回波散射信息。
　　2.根據紋理結構信息更明顯的特質，在高分辨率極化SAR圖像分類中引入空間特征。為了有效捕獲極化SAR圖像的空間信息，選取了Gabor、MP、AP這三種特征。并在提取空間特征前計算SPAN基圖像作為預處理手段以克服極化SAR圖像固有相干斑噪聲的影響。本文通過實驗驗證了空間特征作用于高分辨率極化SAR圖像進行分類的有效性。
　　3.將結合辨別分析與流形學習的LPDA

4、算法作用于高分辨率極化SAR圖像分類中，以解決待處理數據量增大的難題。該方法通過在一定準則下將特征向量的結構最優(yōu)化，來保留類內流形結構并使類間可分性最大。實驗證明，該降維算法能夠在減少冗余的同時保持原有高維特征的分類正確性。
　　4.面對高分辨率條件下極化SAR圖像場景復雜性加大的情況，本文探討了將極化特性與空間特性相結合為分類所用的算法。其中如何將兩類特性結合的難題是采用信息融合技術解決的。兩種融合策略被考慮，分別是基于特征級與