论文部分内容阅读
极化合成孔径雷达（Polarimetric SyntheticAperture Radar, POLSAR）是一种用来测量辐射信号极化特性的新型合成孔径雷达，它进行的是多极化测量，能够获得更多的地物信息和分类特征，极大的拓展了SAR的应用领域，已经成为国内外雷达系统及技术发展的主要方向之一。极化SAR图像存在着大量相干斑噪声，降低了极化SAR图像的质量，严重影响了极化SAR图像的可解译性及后续图像分类处理等应用。现有的基于统计特性的滤波算法及基于多尺度分析的相干斑抑制方法，均能能够一定程度上去除相干斑噪声，但也存在着极化信息未能充分利用、细节信息丢失等问题。本文在分析了已有极化SAR图像相干斑抑制方法和分类方法的基础上，提出了以形态成分分析（Morphological ComponentAnalysis, MCA）为基础的极化SAR图像相干斑抑制方法，及以改进反向传播（Back Propagation, BP）神经网络算法为基础的极化SAR图像分类方法，主要工作和贡献如下：（1）根据极化SAR图像相干斑模型和形态成分分析方法，建立了用于本文的极化SAR图像相干斑模型和极化SAR图像稀疏分解模型。（2）分析了已有的相干斑抑制方法，在此基础上，首次将形态成分分析的方法应用到极化SAR图像相干斑抑制中，提出了两种基于形态成分分析的极化SAR图像相干斑抑制方法：1）基于形态成分分析和极化白化滤波（MCAPWF）的极化SAR图像相干斑抑制；2）基于形态成分分析的Curvelet变换和最优加权滤波相结合（MCACOWF）的极化SAR图像相干斑抑制。采用基于形态成分分析方法的混合相干斑抑制方法，提高了极化信息的利用率，增强了细节信息保持能力。最后设计了两组极化SAR图像相干斑抑制实验，结果表明所提出的基于MCAPWF相干斑抑制方法和基于MCACOWF相干斑抑制方法取得了较传统的相干斑抑制方法更好的相干斑抑制效果，同时能够更好的保持图像的纹理等细节信息。（3）在原始BP神经网络算法的基础上，引入偏置项和冲量项，对BP神经网络算法进行改进，将其应用到极化SAR图像分类上，提出了基于改进BP神经网络的极化SAR图像分类方法。最后设计了极化SAR图像分类相关实验，结果表明所提出的基于改进BP神经网络的极化SAR图像分类方法的训练误差更小，其分类精度和Kappa系数与原始BP神经网络方法相比，有了很大提高，即具有更好的分类效果。