收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于流形学习的高分辨率SAR影像城市地物特征提取方法研究

刘岳明  
【摘要】:合成孔径雷达(SAR)能够穿云透雾,具有全天时全天候监测的独特优势,能够弥补光学传感器在多云雨雾地区无法获取有效数据的缺陷,已成为遥感信息提取的重要手段。随着高分SAR卫星的陆续发射,城市典型地物提取已成为高分SAR的应用热点,可为城市规划、土地利用监测、人口密度调查等提供可持续的科学基础数据。由于高分辨率SAR影像城市地物复杂的散射特性,目前基于高分辨率SAR数据的典型地物提取的精度不高。同时,高分辨率SAR影像的高维非线性特点使城市典型地物自动提取的难度加大。流形学习作为一类机器学习的新方法,能够发现高维空间数据的内在本质特征。将善于处理非线性数据的流形学习方法应用于高分辨率SAR影像的特征提取,有利于提高目标识别精度。因此,为提高城市典型地物识别和提取精度,研究典型地物自动提取技术,论文研究基于流形学习方法的高分辨率SAR影像城市典型地物特征提取与识别方法。主要研究内容如下:(1)分析了高分辨率SAR影像的城市典型地物特征并构建了高维特征集。首先,从几何特征、辐射特征及各城市地物的图像特征对高分辨率SAR影像进行了详细的分析;其次,利用经典的二阶概率统计方法灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)提取了图像8种纹理特征,与图像的灰度特征构建SAR影像的高维特征集;最后,通过实验分析,确定了纹理特征提取的最佳窗口参数。(2)分别选择拉普拉斯特征映射(Laplacian Eigenmap,LE)、局部线性嵌入(Locally Linear Embedding,LLE)、Hessian局部线性嵌入算法(Hessian Locally Linear Embedding,HLLE)、局部切空间排列(Local Tangent Space Alignment,LTSA)、局部保持投影(Locality Preserving Projections,LPP)5种典型的流形学习方法对三种城市典型地物类型(建筑区、水体、体育场)的高维特征集进行降维,最终提取出三种地物类型,并对5种方法提取的结果进行精度评价,综合分析了各种方法的优缺点。(3)对选择的局部切空间排列(Local Tangent Space Alignment,LTSA)方法,针对高分SAR数据分布不均的情况进行改进。综合考虑流形形态结构与样本邻域的欧式距离,对原方法的切空间估计进行加权改进,提出了一种基于距离与结构加权的局部切空间排列算法(Distance and Structure Weighting Local Tangent Space Alignment,DSWLTSA),并将算法应用到高分SAR图像高维特征集的维数约简中。以3种典型的地物为例,通过实验对DSWLTSA和LTSA算法进行对比分析,验证了DSWLTSA算法的有效性;通过实验深入的分析了DSWLTSA算法的适用性和应用价值。(4)针对局部线性嵌入算法(Locally Linear Embedding,LLE)对于样本采样稀疏效果不好的问题,提出一种基于均匀化样本距离的LLE算法(Distance Homogenization Locally Linear Embedding,DHLLE),新的方法通过对样本之间距离的重新计算,使问题得到改善。将算法应用到高分SAR图像高维特征集的维数约简中。验证了LLE算法与DHLLE算法对城市典型地物的识别能力,并对比分析了DHLLE算法与DSWLTSA算法的优缺点。


知网文化
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978