基于有限混合模型的極化SAR影像分類方法研究.pdf

1、極化SAR影像分類是極化SAR應(yīng)用中一項(xiàng)非常重要的研究問題。全極化數(shù)據(jù)多視極化相干矩陣或協(xié)方差矩陣所服從的復(fù)Wishart分布是目前極化SAR影像分類領(lǐng)域應(yīng)用最廣泛、最著名的統(tǒng)計(jì)模型。但應(yīng)用該模型需要假定目標(biāo)的散射分量服從復(fù)高斯分布,這使得復(fù)Wishart模型與異質(zhì)性區(qū)域數(shù)據(jù)的匹配效果較差。為解決這一問題,本文研究基于K-Wishart分布模型的極化SAR影像分類。K-Wishart模型基于乘積模型,由Wishart相干斑模型和Gamm

2、a紋理分布模型推導(dǎo)而得,該模型將極化信息與紋理信息進(jìn)行融合,適應(yīng)了不同條件下的場(chǎng)景描述。
　　本研究以山東泰安地區(qū)徂徠山一帶作為實(shí)驗(yàn)區(qū),獲取了覆蓋實(shí)驗(yàn)區(qū)的一景ALOSPALSAR全極化數(shù)據(jù),一景TM數(shù)據(jù)和土地類型覆蓋數(shù)據(jù)。
　　首先,通過引入紋理參量,本文發(fā)展了一種具有非高斯性質(zhì)的統(tǒng)計(jì)模型,即K-Wishart統(tǒng)計(jì)模型。將基于有限混合K-Wishart模型和基于有限混合Wishart模型的極化SAR影像進(jìn)行分類對(duì)比,結(jié)果發(fā)現(xiàn)

3、,分類精度由74.1935%提高到了88.9276%,且在一定程度上抑制了地形起伏的影響。
　　其次,本文還發(fā)展了一種新的參數(shù)估計(jì)方法,即基于Mellin變換的矩陣對(duì)數(shù)累積量參數(shù)估計(jì)法,對(duì)極化SAR影像的K-Wishart分布紋理參數(shù)進(jìn)行估計(jì),不僅簡(jiǎn)化了參數(shù)估計(jì)過程,而且提高了估計(jì)性能。
　　此外,本文還提出一種基于有限混合Gamma模型的初始化方法。該方法不僅保證了Wishart和K-Wishart兩種分類器進(jìn)行對(duì)比所需要