基于极化信息的SAR地物分类技术研究

【摘要】：极化SAR(Synthetic Aperture Radar)地物分类应用广泛,在军用领域中能为后续目标的判读提供一些依据,如对机场、坦克以及舰船等一些军事目标的检测与识别;民用领域中在农作物普查、环境监测以及灾情预报等方面也有着重要的应用价值,已经成为遥感图像分类领域的研究热点。极化SAR提供了丰富的地物信息,但目前这些信息在地物分类中的应用还不够充分,并且分类算法也存在着一些不足,在此背景下,本文对极化SAR的特征参数提取和地物分类算法两个方面进行了深入研究,主要工作及研究成果概括如下: 1.分析了极化SAR系统与极化特征提取技术的发展现状,从监督分类和非监督分类两个方面系统总结了极化SAR图像分类技术的历史发展与国内外研究现状。 2.在极化特征参数提取方面,从极化散射矩阵中提取了不随目标绕视线的旋转以及极化基的改变而改变的6个特征参数;通过对极化相关矩阵的特征分解,提取了反映目标散射机理的6个参数;通过对极化协方差矩阵的深入分析,提取了包括极化度在内的13个参数;共提取到反映地物极化特性的25个特征参数,为后期极化SAR图像的分类提供了全面的特征参数集。 3.深入研究了基于SVM的极化SAR图像监督分类算法,在利用遗传算法实现对高斯核函数SVM的参数C和σ选择的基础上,以SVM分类器的平均分类间隔作为特征评价准则,应用增l去r法作为搜索策略选取最优特征子集,与经典的Relief-F算法相比,选取的特征子集更加良好。然后,以选取的最优特征子集和构造的SVM分类器为依据,对极化SAR图像进行监督分类,与基于ML的监督分类算法相比而言,提高了分类结果的准确率。 4.深入研究了基于Cloude分解的极化SAR图像非监督分类算法。针对H/α/A-Wishart算法最终类别数不可变的问题,利用类间相似度进行类别合并,给出了一种改进的H/α/A-Wishart非监督分类算法,实验证明该算法能够与实际地物分布更好的吻合。对于Span/H/α/A-Wishart非监督分类算法在类的合并过程中计算量较大的问题,用基于极化差异度的分类器代替复Wishart分类器,给出了一种基于极化差异度的Span/H/α/A-Wishart非监督分类算法,实验结果表明,在分类精度大致相当的情况下,该算法的计算量得到了较大改善。 5.基于IDL(Interactive Data Language)语言,将本文的研究结果以及一些常用的极化SAR信息处理算法进行了集成实现,形成了极化SAR信息处理模块。该模块具有一定的通用性和实用性,通过它进行了仿真实验,验证了本文算法的可行性和有效性。