论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)技术是遥感技术的一个重要分支,具有全天时、全天候、对地物有一定穿透性等突出优点。与单极化SAR相比,全极化SAR(Polarimetric SAR,PolSAR)能够记录地物目标完整的极化散射信息,由于电磁波极化对地物目标的形状、属性和物理结构都非常敏感,因此利用全极化SAR信息可以大大提高地物目标分类的精度。然而,由于SAR特殊的成像机制,造成SAR影像处理难度大、解译精度低等问题,限制了 SAR的广泛应用。本文以提高全极化SAR影像处理速度及解译精度为目标,基于面向对象的思想在极化SAR影像超像素分割及面向对象分类等方面进行了深入研究,主要研究内容及创新点如下:1)系统研究了雷达极化测量的基本理论,包括极化电磁波的矢量化及矩阵描述、极化SAR数据的统计特性、极化合成等方面。深入研究了极化目标基本散射机制模型及其特点,在此基础上进一步总结和研究了极化目标分解理论及典型方法。2)系统研究了现有的极化SAR影像分割算法,针对现有算法处理速度慢、分割效果差等问题,将针对光学图像的SLIC算法引入极化影像处理领域,并根据极化SAR数据的特点从距离量度、聚类中心初始化、后处理等方面进行了改进,提出了 PolSLIC超像素分割算法。通过两组机载L波段数据进行实验,证明所提出的算法相比原始SLIC算法及目前极化SAR领域较常用的分割算法在处理速度及分割效果方面有明显的优势。3)系统研究了现有的极化SAR影像分类算法,将受限玻尔兹曼机(RBM)和自适应提升(Adaptive Boosting,AdaBoost)框架结合,一方面利用面向对象的思想克服极化SAR影像中相干斑噪声的影响并加快处理速度,另一方面利用基于深度学习模块的多分类器集成框架克服极化SAR影像中地物目标散射机理复杂、单一分类器难以实现高精度分类的问题,建立了 RBM-AdaBoost算法,避免了对大体量数据的需求,更适合于面向对象的处理方法。通过机载L波段数据进行实验,证明该方法在分类精度方面优于堆叠RBM模型和其它常用的极化SAR分类方法。虽然本文在极化SAR影像超像素分割及面向对象分类方面取得了一定的研究成果,但是仍有一些的问题有待进一步研究和探讨。如在超像素分割方面,滤波等预处理对极化SAR影像分割效果的影响、后处理步骤对极化SAR影像分割效果的影响,以及如何将PolSAR影像的纹理特性和极化散射特性进一步引入本文提出的PolSLIC算法等问题;在面向对象分类方面,所提分类方法并未针对性考虑极化数据的统计特性和极化散射特性,且算法执行效率低,还未进行并行加速处理。