基于极化散射参数与Fisher-OPCE的监督目标分类.pdfVIP

ISSN 1000—0054 清华大学学报 (自然科学版)2011年 第 51卷 第 12期 TT 丽 JTsinghuaUniv(SciTech)，2011，Vot．51，No．12 基于极化散射参数与Fisher—OPCE的监督 目标分类 殷君君 ， 安文韬 ， 杨 健 (清华大学 电子工程系，北京 100084) 摘 要：该文提出了基于Fisher准则相对最优极化(Fisher- 合成孔径雷达 (SAR)图像 目标分类是遥感图 OPCE)的监督极化 SAR图像的分类方法。首先，结合广义 像应用 中的重要组成部分 ，在地质勘探、地形测绘 、 相对最优极化的思想，利用 3个反映 目标极化散射特性的参 植被生长评估、城市规划 以及海洋监测等方面都有 数对 Fisher-OPCE进行 了改进 。以改进 的模型为基础，提 出 重要的应用。对极化 SAR图像 的分类研究迄今为 了一种类似单边二叉树的分类方法，以保证功率差别较大的 止已有 20余年历史。1988年 ，Kong口提出了利用 两类地物 的错分现象尽量小；其次利用极化参数组合 的系 多元复 Gauss分布对单视极化 SAR数据进行分类 数对分类结果进行了优化。利用 NAsA／jPL的 AIRSAR 的方法 ；1994年，Lee[2等基于 Wishart分布提 出 系统对美国旧金山地区的实际观测数据进行分类，结果表明 用此方法可以清晰的显示出分类地物的纹理信息，每类 目标 了对多视极化 SAR图像 的监督最大似然 (ML)分 的散射特性保持一致，实验结果验证 了该方法的有效性。 类 ，并于 1999年，将其改进成利用 SAR 图像 H ／a 关键词：极化 SAR；Fisher准则；相对最优极化 (OPCE)； 分解的非监督分类口]。对极化 SAR图像进行分类 监督分类 的方法还有基于神经网络 、支持 向量基、模糊学习等 技术的分类算法[4 。这些方法 中，基于统计分布 中图分类号 ：TN 958 文献标志码 ：A 文章编号 ：1000—0054(2011)12-1782—05 和Bayes理论的分类为最常用的经典方法 ，但该方 法依赖于统计分布模型，多元复 Gauss分布和复 Wishart分布只能描述均匀 区域的数据 ，对森林、城 Supervisedtargetclassificationusing 区等非均匀 区域的描述效果则不是很好 。 polarimetricscatteringparameters 为此 ，本文提出了一种直接依据训练样本而建 andFisher-OPCE 立的分类方案 。首先，介绍了用于 目标对比增强的 YINJunjun，ANWentao，YANGJian