论文部分内容阅读
与合成孔径雷达相比,极化合成孔径雷达能够获得更加丰富的地物信息,又因为其可以全天时、全天候的对地进行勘探,所以基于全极化SAR数据的图像处理技术得到了快速发展与应用,极化SAR图像分类就是重要的应用之一。本文在国家自然科学基金面上项目(基于协同半监督学习和稀疏表示的极化SAR地物分类,61173092),国家自然科学基金面上项目(基于生成式对抗网络的极化SAR地物分类,61771379)等项目的支持下,结合极化特征和近邻传播聚类算法,提出了三种改进的极化SAR图像无监督分类方法,内容如下:1.定义了一种极化比特征。通过分析散射矩阵的三个极化通道,发现不同通道所携带的信息内容和信息量都不相同,针对这一现象,本文定义了一种极化比特征,并将该特征与散射总功率和散射功率熵相结合,完成极化SAR图像的初始分类,然后在初始分类的基础上利用层次聚类算法对数据进行聚类,进一步改善了图像的分类效果。2.提出了一种基于距离信息和密度信息融合的近邻传播聚类算法。传统的近邻传播聚类算法在计算样本点之间的相似度时只考虑了数据的距离信息,忽略了数据间的密度信息对相似度度量的影响。针对这一问题,本文将数据中包含的距离信息和密度信息一同引入到相似度矩阵的计算中,使得改进后的相似度矩阵更能反映样本点之间的真实关系,使数据的聚类结果更加合理。通过与已有的几种经典极化SAR图像分类方法相比,验证了该方法具有较好的分类效果。3.提出了一种基于改进偏向参数的近邻传播聚类算法。传统的近邻传播聚类算法认为每个样本点成为候选类代表点的概率是相同的,因此在相似度矩阵中,所有偏向参数的值也都是相同的,但事实上,这种设置方式是没有科学依据的,不合理的。针对这一情况,本文作了相应的改进,使得每个样本点被选择作为类代表点的概率受该样本点与其它样本点相似度的影响,相似度越大,偏向参数值就越大,该样本点被选为类代表点的概率就越高。计算得到每个样本点的偏向参数之后,利用其对相似度矩阵进行更新,并在该矩阵的基础上应用本章的AP算法,实现数据的最终聚类。四组不同极化SAR数据的分类结果表明,该方法具有较高的分类正确度和较强的普适性。