基于目標分解和svm的pol-sar圖像分類方法研究

《基于目標分解和svm的pol-sar圖像分類方法研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。

1、哈爾濱工業(yè)大學工學碩士學位論文新的研究熱點，將有力地推動機器學習理論和技術的發(fā)展。本課題來源于國家自然科學資金資助項目“基于極化干涉合成孔徑雷達圖象的人造目標檢測與識別研究”(60672091)。該項目主要研究基于PolInSAR圖象的人造目標的特性、檢測與識別問題，是PolInSAR技術發(fā)展的趨勢和一個重要方向，本文主要研究了基于極化目標分解和SVM的POL-SAR圖像分類技術，把分類區(qū)域中包括人造目標和自然植被在內(nèi)的不同地物較好地區(qū)分開，為人造目標的檢測與識別提供了基礎。1.2國內(nèi)外研究現(xiàn)狀及分析有關極化雷達的研究，

2、可以追溯20世紀50年代。1950年，Sinclair引入了散射矩陣概念；隨后，Kennaugh將這一概念引入到雷達遙感領域；1970年，Huynen在其博士論文中對雷達目標的極化散射特性進行了深入細致的研究，極大地更新了極化雷達系統(tǒng)的概念；1981年，Poelman提出的極化合成技術，第一次指出只需要利用兩個相互正交的雙通道極化收發(fā)體制，即可得到目標的全極化散射信息；之后W.M.Boerner將極化合成技術成功應用到電磁逆散射和目標識別問題中。美國JPL實驗室于1985年研制成功第一部實際機載全極化合成孔徑雷達CV-9

3、00,開創(chuàng)了POL-SAR研究的新紀元。此后，關于POL-SAR的研究進入了一個蓬勃發(fā)展時期。SVM（SVM-SupportVectorMachine）方法建立在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小化（SRM-StructuralRiskMinimization）原理基礎之上,是一種新型的學習方法。其核心內(nèi)容從1992年才開始提出，1995年，Vapnik的《TheNatureofStatisticalLearningTheory》一書的出版，標志著統(tǒng)計學習理論體系已走向成熟，1999年IEEETrans.onNeur

4、alNetwork為統(tǒng)計學習理論出版了?？?，MIT出版社出版了《AdvancesinKernelMethod》，使統(tǒng)計學習理論的研究與應用推向了一個高潮，應用范圍和成果不斷擴大。1.2.1POL-SAR系統(tǒng)的發(fā)展現(xiàn)狀目前應用比較廣泛的機載POL-SAR系統(tǒng)有美國NASA/JPL的AIRSAR/TOPSAR、德國DLR的E-SAR、加拿大CCRS的C/X-SAR、日本NASDA/JAXA的Pi-SAR、丹麥的EMISAR等，所有機載系統(tǒng)均工作在多波段模式下，美國的SIR-C系統(tǒng)是最早投入使用的天基POL-SAR系統(tǒng)，其波段

5、覆蓋P、L、C等波段。2002年發(fā)射的歐洲ENVISAT上所攜帶的C波段-2-哈爾濱工業(yè)大學工學碩士學位論文ASAR是第一個星載多極化SAR系統(tǒng)，可在VV+HH/VV+VH/HH+HV極化方式下工作。2006年1月發(fā)射的日本ALOS衛(wèi)星上所攜帶的L波段PALSAR，是第一個真正意義上的星載全極化SAR系統(tǒng)。此后，德國定于2006年末發(fā)射TerraSAR-X，加拿大全極化RADARSAT-2將于2007年初發(fā)射，這標志著星載SAR系統(tǒng)將全面進入全極化工作階段。1.2POL-SAR圖像信息提取POL-SAR圖像信息提取主要包

6、括目標分解、分類和參數(shù)反演等，1970年Huynen最先提出目標分解的概念，之后VanZyl，Krogager，S.R.Cloude，E.Pottier等人做了大量基礎性的研究，使得目標分解初步邁向了實用，先后出現(xiàn)了許多基于目標分解的極化圖像目標分類與識別算法。1.2.1極化目標分解方法的研究發(fā)展現(xiàn)狀POL-SAR數(shù)據(jù)處理中目標分解的主要目的是把極化散射矩陣或相干矩陣和協(xié)方差矩陣分解成具有不同散射機理的若干項之和，每一項對應一定的物理意義。極化目標分解理論的突出優(yōu)點就是它們大都具有明確的物理解釋，因為目標回波的極化信息可

7、以反映目標的幾何結(jié)構(gòu)和物理特性，所以極化目標分解理論可用于目標分類或識別。1970年Huynen第一次提出“目標信息分解”的概念[2]，之后，J.J.Van Zyl，E.Krogager[3,4]，S.R.Cloude，E.Pottier[5~7]等人做了大量基礎性的研究，使得目標分解理論逐步用于實際應用，先后出現(xiàn)了許多基于目標分解理論的極化圖像目標分類與識別算法。目前，對于極化目標分解方法主要分為基于相干目標的分解和基于部分相干目標的分解兩類。相干目標分解基于目標的極化散射矩陣，主要包括Pauli分解、Krogager

8、提出的SDH分解[4,8]、Cameron分解[9]、Touzi提出的 SSCM分解[10]和TSVM-TCD分解[11]等等。部分相干目標分解針對的則是回波是部分極化波的情況，分解的對象一般是目標的二階統(tǒng)計量，相干矩陣、協(xié)方差矩陣、Mueller矩陣和Kennaugh 矩陣等。部分相干目標的分解的主要方法有，Huy