论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar)已经成为国内外合成孔径雷达发展的重要方向之一。与单极化雷达图像相比，极化合成孔径雷达图像能够提供更多的地物信息。快速、准确SAR图像分类是实现各种实际应用的前提。因此，对极化SAR图像的分类的研究，具有十分重要的意义。本文主要研究基于谱聚类算法的极化SAR图像分类方法。谱聚类算法是近年来国际上机器学习领域的研究热点，它具有能在任意形状的样本空间上聚类并且收敛于全局最优解的优点。以谱聚类算法为基础，结合聚类分析和极化SAR图像特点，提出了用于极化SAR图像分类的方法，主要工作如下：1.提出了一种基于谱聚类的极化SAR图像分类方法。该方法使用Nystr m逼近实现谱聚类算法，并将基于相干矩阵的Wishart距离和极化特征组成矢量的欧式距离作为谱聚类的相似性测度，进而对极化SAR图像进行谱分割，然后用能反映极化SAR数据分布的Wishart分类器进行迭代，进一步提高分类精度。将该方法用于真实的极化SAR图像分类，取得了较好分类效果。2.提出了一种基于Mean Shift和谱聚类的极化SAR图像分类方法。该方法将目标的极化特征作为Mean Shift算法的输入向量，用Mean Shift算法对极化SAR图像进行预分割处理，将图像分割为互不重叠的小区域，将每个区域作为谱聚类的输入数据点，从而提高算法效率；在传统谱聚类算法基础上，通过引入势函数，构造了一种新的相似函数，提高了谱聚类算法的性能。与已有的经典极化SAR分类方法相比，该方法具有较高的分类精度和较强的普适性。3.提出了一种基于Freeman分解和谱聚类算法的极化SAR图像分类方法。传统的基于Freeman分解的极化SAR图像分类方法，保持了像素的主散射机制，但并不能解决具有混合散射机制像素的分类问题。然而实际场景中，由于单个像素的响应是多个目标散射特性的叠加，因此图像中存在大量具有混合散射机制的像素。本文提出了一种结合Freeman分解和谱聚类的极化SAR图像分类方法，结合聚类分析和极化散射机理，取的了较好的分类效果。