论文部分内容阅读
图像解译作为合成孔径雷达(SAR)技术的重要研究内容,一直受到国内外研究机构的广泛关注。目标分类识别是实现图像解译的关键过程,直接决定了图像解译的性能,高质量的合成孔径图像解译对目标分类识别的速度和精度提出了很高的要求。由于支持向量机在目标分类识别中具有计算简单、高维样本处理能力强等突出特点,将支持向量机应用到SAR图像解译中已成为目前国际国内的研究热点。本文针对基于支持向量机的SAR图像目标分类识别面临的关键问题开展了深入研究,主要研究内容包括:1、综合阐述了支持向量机的基本理论,分析了非线性分类和多类目标分类的策略,将支持向量机引入SAR图像目标分类识别的应用中。2、针对高精度SAR图像分割问题,研究了基于马尔科夫随机场(MRF)的图像分割算法,包括基于最大后验概率的MRF分割体系、后验能量函数最优化方法等。并且,利用MSTAR坦克目标数据切片进行了分割实验对比。3、针对高精度SAR图像分割问题后验能量函数最优化问题,研究了ICM,Gibbs采样,SA,MMD四种常用的后验能量函数最优化算法,并利用MSTAR坦克目标数据切片数据进行了实验对比,得出了各种算法的优缺点。4、针对SAR目标分类识别中的目标方位角估计问题,使用了不进行角度分组对目标方位角进行估计的方法,使方位角估计精度有很大提高。并利用MSTAR军事坦克目标实测回波数据进行了验证。5、针对SAR目标分类识别问题,利用主成分特征做基于支持向量机进行SAR目标分类识别的方法。实验结果表明,该方法在不需要目标旋转到统一的标准位置进行配准的条件下就可以得到很高的识别率,但识别率随方位角间隔的增大有下降的趋势。此外,本文还利用AIRSAR系统的L波段旧金山海湾地区的全极化SAR数据开展了基于支持向量机的SAR目标分类识别监督实验,结果表明支持向量机在多类目标分类方面表现较好,具有分类速度快、精度高等优点。