基于半监督学习的极化SAR地物分类-电子与通信工程专业论文.docxVIP

I摘要 I 摘要 万方数据 万方数据 摘要 极化合成孔径雷达（PolSAR）由于能够提供更多更丰富的目标散射信息，近年成为 遥感领域的新热点。其地物分类问题作为极化 SAR 图像解译的重要研究内容和关键技 术，在民用和军事领域具有重大的理论意义和应用价值。半监督学习（Semi-supervised Learning）能够同时利用已标记和未标记样本，同时有效解决各种实际问题中常见的已 知样本代表性不好或训练样本难以获得的问题，在机器学习领域受到了重视和长足的发 展。本文基于半监督 SVM 算法对极化 SAR 地物分类问题进行研究。并结合实际问题， 对已有的算法进行改进，同时提出自己的算法。 1、本文着重讨论了半监督学习中的一种热点算法：半监督 SVM 算法。并将其与经 典的图像分割 MeanShift 方法结合，对极化 SAR 图像进行分类。并引入协同学习的框架 结合两种方法，从而充分利用极化 SAR 图像中像素的极化散射特征和像素间的空间特 征。实验结果显示，该方法较传统方法在极化 SAR 图像上有较好的分类精度。 2、对半监督 SVM 算法进行研究，提出了一种半监督 SVM 集成学习算法。有效的 解决了传统半监督 SVM 算法需要样本集正负类分布先验的问题。用不同的正负类分布 估计得到多个半监督 SVM 分类器，并用聚类评价指标判断集成结果。实验证明，在样 本集正负类别分布未知的情况下，该算法较传统半监督 SVM 效果有显著提升。 3、在提出的半监督 SVM 集成学习算法的基础上进行扩展。提出了一种针对该方法 的多分类策略。并针将极化 SAR 数据符合 wishart 分布这一先验只是将加入集成策略中， 构造了一种针对极化 SAR 地物分类的半监督 SVM 集成学习算法。在 UCI 数据集上的 实验表明了多分类策略能够保持二分类策略的优点，证明了其有效性。在极化 SAR 图 像上的实验证明了针对极化 SAR 的改进算法的有效性。 关键词：极化 SAR 地物分类 半监督 SVM 集成学习 IIIAb III Abstract 万方数据 万方数据 Abstract The PolSAR has been a hot area of research in recent years for the polarimetric scattering information it provided. Polarimetric SAR image classification ,as one of the maintasks for Polarimetric SAR image understanding, has been playing an important role in both civil and military applications. Semi-supervised Learning aims to include both training sample and test sample during the process of training classifiers.It solves the problem of the shortage of training samples in some cases and has received much attention and taken quite great development recent years.This paper focused on Polarimetric SAR image classification via Semi-supervised Learning.The novel strategy get improved and a new Semi-supervised learning stragegy is purposed in this paper. 1.A popular semi-supervised learning method S4VMs is beendiscussed.Semi-super --vised learning and MeanShift,a well-known image segmentation method,are combined by Co-training to make the most of the information Polarimetric SAR image contained. The effectiveness is proved by experiments. A novel semi-surpervised SVM via ensemble lea