论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,简写POLSAR)是一种多参数、多通道的成像雷达系统,它通过测量地面每一分辨单元内的全极化散射回波来获取目标的极化信息,如散射矩阵、极化相干矩阵及Kelmaugh矩阵等。与传统雷达图像相比,极化合成孔径雷达能够提供更多的地物信息和分类特征,因此极化SAR图像分类是极化SAR数据应用中的一项重要问题。本文主要研究基于极化SAR统计分布和散射机理的极化SAR图像分类方法,以Freeman分解为基础,结合聚类分析方法和极化散射机制提出了几种改进的极化SAR图像分类方法,主要包括以下三方面的内容：1.提出一种基于Freeman分解和模糊MRF模型的极化SAR图像分类方法。该方法将极化分解与聚类分析算法进行了有效的结合,将Freeman分解得到的三种散射功率作为模糊MRF分类器的输入特征。并在分类时先利用FCM进行类别初始划分,避免了直接用MRF分类器划分时会扩大噪声的弊端。将自适应邻域引入到模糊MRF模型中,提高了算法的分类精度。该方法类别选择灵活,且抗噪性能好。2.提出了一种基于Freeman分解和同极化比的极化SAR图像分类方法。首先,根据Freeman分解得到的三种散射功率对图像进行初始划分；然后,利用同极化比在初始划分的基础上进行更细致的划分；最后,通过复Wishart迭代更新划分结果,进一步提高了分类精度。对比其他几种已有的经典方法的分类结果,该方法明显具有较高的分类精度,并且该方法思想简单,易于理解。3.提出了一种基于散射功率熵和同极化比的极化SAR图像分类方法。该方法在初始分类时引入了散射功率熵,从而可以更有效的划分混合散射机制的像素,再结合同极化比便可以得到更精细的初始划分结果。为适应不同类别的分类,该方法在初始划分的基础上引入类别合并算法,可以将类别合并至最优类别数。三个不同地区的真实极化SAR数据的分类结果表明,该方法分类精度更高,类别选择灵活,具有较强的普适性。本文工作得到了国家自然科学基金(No.61003198,61173092；)、中央高校基本科研业务费专项资金(No.JY10000902045)、高等学校学科创新引智计划(111计划)(No.B07048)等资助。