论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是一种实时测量目标散射回波系数的通道和参数双高的雷达成像系统,因此获得的极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像能够提供丰富的目标地物信息。作为雷达图像解译的重要研究内容之一,极化SAR图像地物分类技术在目标检测、灾情监测等多方面有广泛的应用。如何实现高准确率的地物分类,是国内外广受关注的热点问题。近年来极化SAR图像地物分类方法多通过大量训练样本训练分类器,来达到准确分类的目的。然而,获取大量标记样本需要较高的人力成本。另一方面,极化SAR图像不仅含有回波信息的测量值,而且具有空间组织结构。基于上述讨论,本文研究了空间极化信息协同的小样本极化SAR图像地物分类方法,主要内容如下:1.设计了一种基于空间点域K近邻的增量式小样本分类方法。现有监督极化SAR图像分类方法多采用大量标记样本进行批处理训练,不仅数据成本高,而且训练过程不能充分利用历史信息。本文在小样本标记的条件下,通过增量式学习逐步预测数据标记。同时,设计了新的空间点域距离,来判定阶段预测结果的准确性。在荷兰Flevoland图像、美国San Francisco Bay图像、德国ESAR图像等五幅图像上对所提出的方法进行性能验证,实验结果表明:该方法在0.1%标记样本条件下能达到高于84%的分类正确率。2.设计了一种基于双通道低秩与空间极化距离的小样本分类方法。该方法主要将输入的极化SAR图像分为实部和虚部两个通道,通过低秩矩阵分解减少极化SAR图像中的相干斑噪声。文中设计了一个用来衡量样本相似度的权值计算公式,同时使用无穷范数构造空间约束以提升数据分类准确性。在五幅极化SAR图像上的实验结果表明:该方法在0.1%标记样本条件下也能达到85%-98%的分类正确率,具有明显的有效性和优越性。3.设计了一种基于空间极化奖赏的强化学习小样本分类方法。根据定义的局部邻域区域,该方法计算标记样本提供关于动作的指示。同时,在局部邻域区域设计空间和极化奖赏函数,实现了空间极化信息的融合。该方法将强化学习引入到极化SAR图像分类中构建了动态连续学习的分类器。在多个极化SAR图像上的实验结果表明:该方法能够在0.1%标记样本条件下达到高于90%的分类正确率,并且平均准确率和Kappa系数均具有很好的数值体现。