论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)已成为国际遥感界对地观测成像最重要的前沿技术之一,同时PolSAR图像分类处理已成为遥感技术应用的重要组成部分,图像分类结果已经在农业、土地使用、林业、气象学、水文学、地质、海洋学、海冰检测等领域都有很广泛的应用。本文围绕极化相干矩阵和3个极化参数,包括极化散射熵、平均散射角、反熵,采用目标分解思想,模糊聚类算法,BP神经网络算法对PolSAR图像分类展开研究。1.基于目标分解的PolSAR图像分类总结了由极化相干矩阵Cloude-Pottier分解所获得的三个具有旋转不变性的极化参数,极化散射熵,平均散射角,反熵的无监督分类方案;结合多视PolSAR数据的相干矩阵服从复Wishart分布,总结了基于H/α—,H/A/α—的Wishart无监督分类方法,目前基于H/A/α—的Wishart无监督分类方法是利用这三个极化参数最好的方案。最后用评价遥感图像分类算法的4个分类指标,在混淆矩阵的基础上,用生产者精度、用户精度、总体精度和Kappa系数定量评价了基于Wishart监督分类算法的分类性能。2.基于模糊理论的PolSAR图像分类在H/a无监督分类的基础上,把模糊理论引入到H/a分类平面,对比分析了H/a无监督分类和模糊H/a无监督分类结果,实验表明新算法性能很好。然后对比分了基于FCM的双极化SAR分类和单极化SAR分类。针对FCM算法对噪声和初始中心敏感等缺点,研究了基于Otsu和KFCM算法相结合的算法,实验结果表示该算法对噪声和离群点有一定的容忍度,得到好的分类结果,最后指出该算法参数可以进一步优化。3基于神经网络的PolSAR图像分类详细介绍了BP神经网络在PolSAR图像分类中的应用。以H,A,a作为分类特征,对比分析了基于BP神经网络的监督分类算法和基于Wishart的监督分类算法,实验表明BP算法性能优于传统的Wishart最大似然分类。针对BP网络对初始权值和阈值敏感,易陷入局部极小值和收敛速度慢的问题,用遗传算法优化BP神经网络权值和阈值,实验表明优化后的BP神经网络分类性能优于BP神经网络算法,并指出新算法有待研究的地方。