基于特征值和譜聚類(lèi)的極化SAR圖像分割.pdf

1、極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Rader,簡(jiǎn)寫(xiě)POLSAR)是一種多參數(shù),多通道的雷達(dá)成像系統(tǒng)。相比單極化合成孔徑雷達(dá)的電磁波只能在特定收發(fā)組合下進(jìn)行探測(cè),多極化的合成孔徑雷達(dá)可以進(jìn)行多種收發(fā)組合的探測(cè),從而獲得目標(biāo)更全面的信息。極化SAR圖像分類(lèi)是極化SAR數(shù)據(jù)應(yīng)用中的一個(gè)關(guān)鍵問(wèn)題,也是一個(gè)難點(diǎn)問(wèn)題。圖像的分類(lèi)方法從兩個(gè)角度出發(fā):特征提取和分類(lèi)器構(gòu)造。其中,有效的特征提取比改善分類(lèi)器

2、更有助于取得好的分類(lèi)結(jié)果。
　　本文主要研究基于特征值和譜聚類(lèi)的SAR圖像分割方法。極化相干矩陣的特征值包含散射目標(biāo)的主要極化信息。同時(shí),從統(tǒng)計(jì)分布的角度分析,特征值近似服從高斯分布,有助于對(duì)任意兩個(gè)像素點(diǎn)之間的相似性進(jìn)行度量。所以,本文選擇特征值作為分類(lèi)特征,并結(jié)合了多種聚類(lèi)或分類(lèi)方法,主要包含以下內(nèi)容:
　　1.提出了一種新的相似性度量方式。最常用的相似性度量方式是高斯核化的歐氏距離,但歐氏距離對(duì)數(shù)據(jù)分布要求嚴(yán)格,且高斯

3、核函數(shù)尺度參數(shù)的不確定性降低了算法的穩(wěn)定性。在該算法中,根據(jù)極化相干矩陣的特征值的分布特性,針對(duì)性地構(gòu)造相似性度量方式,并將這種度量方式用于譜聚類(lèi)算法中,完成對(duì)極化SAR圖像的分割,有效降低了分割過(guò)程的復(fù)雜性,取得了良好的分割效果。
　　2.提出了一種基于自學(xué)習(xí)和 Freeman散射熵的極化 SAR圖像精細(xì)分類(lèi)方法。針對(duì)極化SAR圖像的真實(shí)地物標(biāo)簽難以獲得,使得有監(jiān)督分類(lèi)算法不能有效利用的問(wèn)題,提出了利用譜聚類(lèi)算法對(duì)訓(xùn)練樣本進(jìn)行標(biāo)

4、記,然后利用SVM算法完成對(duì)極化SAR圖像的分類(lèi),有效結(jié)合了無(wú)監(jiān)督聚類(lèi)和有監(jiān)督分類(lèi)算法的優(yōu)勢(shì),既能保證好的分類(lèi)效果,又解決了地物標(biāo)簽需要手動(dòng)標(biāo)記的問(wèn)題。進(jìn)一步對(duì)分類(lèi)結(jié)果中的陰影和混合散射區(qū)域利用Freeman散射熵進(jìn)行再分類(lèi),使得分類(lèi)結(jié)果更加精細(xì)、準(zhǔn)確。
　　3.提出了一種基于特征值字典學(xué)習(xí)的極化 SAR圖像分割算法。針對(duì)極化SAR圖像數(shù)據(jù)量大,在利用 Nystrm譜聚類(lèi)進(jìn)行隨機(jī)采樣時(shí)不能有效采集到每類(lèi)地物信息的問(wèn)題,提出了對(duì)全局