高分辨率SAR圖像分割與分類方法研究.pdf

1、合成孔徑雷達（Synthetic aperture radar, SAR）由于具有不受光照和氣候條件影響的成像能力，已經成為一種重要的遙感對地觀測手段。SAR圖像分割與分類是SAR圖像處理與解譯的基礎問題，也是SAR技術走向實際應用的關鍵環(huán)節(jié)之一，具有重要的研究意義。
　　SAR成像技術發(fā)展的一個重要趨勢是空間分辨率的提高。高分辨率SAR圖像可以提供更為豐富的地面信息，但是也為SAR圖像分割與分類提出了新的問題。相比于中低分辨率S

2、AR圖像，高分辨率SAR圖像呈現(xiàn)出統(tǒng)計特性改變、紋理特征突出、場景復雜、數(shù)據(jù)量大等特點，使得適用于中低分辨率SAR圖像的分割與分類算法難以滿足高分辨率SAR圖像處理的應用需求。本文針對上述問題，在總結和分析現(xiàn)有方法的基礎上，以準確描述高分辨率SAR圖像特性和充分利用SAR圖像信息為出發(fā)點，提出了多種適用于高分辨率SAR圖像的分割與分類方法。
　　論文的主要工作和貢獻包括以下幾個方面：
　　1.在總結現(xiàn)有SAR圖像分割與分類理

3、論和方法的基礎上，結合高分辨率SAR圖像特性，分析了現(xiàn)有分割與分類方法應用于高分辨率SAR圖像時存在的問題。
　　2.研究了高分辨率SAR圖像統(tǒng)計建模理論及參數(shù)估計方法，基于G0統(tǒng)計模型建立了適用于高分辨率SAR圖像分割的能量函數(shù)模型，提出了基于G0分布和水平集方法的SAR圖像變分分割方法。在此基礎上，進一步研究了基于凸松弛與凸優(yōu)化的能量函數(shù)優(yōu)化方案，研究并實現(xiàn)了基于G0分布和分裂Bregman算法的SAR圖像分割方法，可以有效提

4、高SAR圖像分割效率。
　　3.針對高分辨率SAR圖像紋理信息豐富、場景復雜的特點，提出一種結合鑒別學習理論的變分分割方法。該方法建立了一種新的變分分割模型，能夠結合鑒別學習獲得的特征分布信息與先驗約束信息。基于所提變分模型，提出并實現(xiàn)了基于形態(tài)學紋理特征的高分辨率SAR圖像分割方法。實驗表明，本文方法可以有效利用高維SAR圖像特征中包含的鑒別信息，提高高分辨率及復雜場景SAR圖像的分割準確度。
　　4.針對基于像素點的SA

5、R圖像分類方法容易受噪聲及雜波干擾的問題，研究了基于超像素的高分辨率SAR圖像分類方法。首先，針對SAR圖像中超像素生成問題，提出了一種基于統(tǒng)計模型和強度均值比的超像素生成方法，并通過實驗驗證了該方法對于SAR圖像的適用性。在提取的超像素基礎上，研究了SAR圖像超像素特征提取方法，提出了一種基于超像素稀疏編碼特征提取的SAR圖像分類方法，基于真實高分辨率SAR圖像的分類實驗驗證了該方法的優(yōu)點。
　　5.針對高分辨率極化SAR（Po

6、larimetric Synthetic Aperture Radar, PolSAR）圖像分類問題，提出了結合極化信息與空間信息的PolSAR圖像分類方法。該方法通過集合多種極化特征構建高維特征空間，然后基于稀疏表示分類理論對極化 SAR圖像進行分類。為了有效利用PolSAR圖像空間信息，將稀疏表示分類理論與超像素相結合，提出了兩種不同的PolSAR圖像分類方案。本文所提方法不僅能夠有效地提高高分辨率PolSAR圖像分類準確率，同時也