基于支持向量機的合成孔徑雷達圖像分割.pdf

1、合成孔徑雷達(SAR)圖像分割是SAR 圖像應用中非常重要的一個環(huán)節(jié)，但由于SAR圖像中相干斑噪聲的存在和特征選擇不當，使得傳統(tǒng)方法不能很好的對SAR 圖像進行分割。因此，將機器學習領(lǐng)域中新的研究成果應用到SAR 圖像分割中并構(gòu)造有效的分類器具有重要的意義。
　　 本文基于支持向量機(SVM)對SAR 圖像的特征提取和分割方法進行了較為深入的研究。主要內(nèi)容如下：
　　 首先，對SAR 圖像分割的背景及意義進行了介紹，分析

2、了SAR 圖像分割的研究現(xiàn)狀與發(fā)展趨勢；對統(tǒng)計學習理論與支持向量機的基本理論進行了闡述；對合成孔徑雷達和其中存在的相干斑噪聲進行了研究，為圖像處理提供了理論依據(jù)。
　　 其次，本文結(jié)合小波變換在提取紋理特征、圖像去噪方面的顯著效果和支持向量機分類方法的優(yōu)勢，實現(xiàn)了一種基于支持向量機的單目標SAR 圖像分割方法。該方法先利用小波變換提取樣本點周圍的紋理特征，再對圖像進行去噪處理；用小波能量特征及其加權(quán)平均值、去噪后樣本點的灰度值和

3、它的八鄰域灰度值共同構(gòu)成樣本點的綜合特征，利用歸一化后的特征向量來訓練SVM；然后利用訓練得到的SVM 對圖像的每個像素點進行分類，從而實現(xiàn)SAR 圖像的單目標分割。實驗表明，該方法對于單目標SAR圖像進行分割，具有較好的分割效果。
　　 最后，探索了一種基于支持向量機的多目標SAR 圖像分割方法。在人工提取樣本后，將綜合特征作為特征向量來訓練得到多類支持向量機，利用該SVM 實現(xiàn)多目標SAR圖像的分割。其中，在由兩類分類推廣到