基于特征值和谱聚类的极化SAR图像分割-电子与通信工程专业论文.docxVIP

摘要I 摘要 I 万方数据 万方数据 摘 要 极化合成孔径雷达(Polarimetric Synthetic Aperture Rader,简写 POLSAR)是 一种多参数，多通道的雷达成像系统。相比单极化合成孔径雷达的电磁波只能在 特定收发组合下进行探测，多极化的合成孔径雷达可以进行多种收发组合的探 测，从而获得目标更全面的信息。极化 SAR 图像分类是极化 SAR 数据应用中的 一个关键问题，也是一个难点问题。图像的分类方法从两个角度出发：特征提取 和分类器构造。其中，有效的特征提取比改善分类器更有助于取得好的分类结果。 本文主要研究基于特征值和谱聚类的 SAR 图像分割方法。极化相干矩阵的 特征值包含散射目标的主要极化信息。同时，从统计分布的角度分析，特征值近 似服从高斯分布，有助于对任意两个像素点之间的相似性进行度量。所以，本文 选择特征值作为分类特征，并结合了多种聚类或分类方法，主要包含以下内容： 1.提出了一种新的相似性度量方式。最常用的相似性度量方式是高斯核化的 欧氏距离，但欧氏距离对数据分布要求严格，且高斯核函数尺度参数的不确定性 降低了算法的稳定性。在该算法中，根据极化相干矩阵的特征值的分布特性，针 对性地构造相似性度量方式，并将这种度量方式用于谱聚类算法中，完成对极化 SAR 图像的分割，有效降低了分割过程的复杂性,取得了良好的分割效果。 .提出了一种基于自学习和 Freeman 散射熵的极化 SAR 图像精细分类方 法。针对极化 SAR 图像的真实地物标签难以获得，使得有监督分类算法不能有 效利用的问题，提出了利用谱聚类算法对训练样本进行标记，然后利用 SVM 算 法完成对极化 SAR 图像的分类，有效结合了无监督聚类和有监督分类算法的优 势，既能保证好的分类效果，又解决了地物标签需要手动标记的问题。进一步对 分类结果中的阴影和混合散射区域利用 Freeman 散射熵进行再分类，使得分类结 果更加精细、准确。 .提出了一种基于特征值字典学习的极化 SAR 图像分割算法。针对极化 SAR 图像数据量大，在利用 Nystr?m 谱聚类进行随机采样时不能有效采集到每 类地物信息的问题，提出了对全局数据进行字典学习，获得具有全局结构信息的 字典，再选择与字典原子距离较近的点，最后利用 Nystr?m 谱聚类完成极化 SAR 图像的分割。实验结果表明，该算法效果良好，细节保持良好。 本文工作得到了国家“973”计划项目(2013CB329402)、高等学校学科创新引 智计划（111 计划）(B07048)、国家自然科学基金、陕西省自然科学 面上基金(2013JM8020)、中央高校基本科研业务费项目(K5051302027)的资助。 关键词：POLSAR 图像分割 特征值 谱聚类 Freeman 散射熵 字典学习 II 基于特征值和谱聚类的极化 SAR 图像分割 Ab Abstract III Abstract Polarimetric Synthetic Aperture Rader(POLSAR) is a multi-parameter and multi-channel Radar Imaging System, which captures polarimetric information of target by measuring the full polarimetric scattering echo in every resolution unit on the ground. Compared with single polarization SAR, which can only detect scattering feature of target under specific combination of Polarimetric Transceiver of electromagnetic wave, the full polarimetric Synthetic Aperture Radar can provide more information for target interpretation. Image Classification of POLSAR is a key problem as well as a difficulty in the data application of POLSAR. Classification methods of image can be divided into two steps: classifier construction and feature extraction. Am