基于空間信息的極化SAR圖像分類方法.pdf

1、在極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar)的眾多應(yīng)用中，極化SAR(Synthetic Aperture Radar)圖像分類就是其中最重要的應(yīng)用之一。很多傳統(tǒng)的極化SAR圖像分類方法都是基于像素的，盡管基于像素的分類方法得到了不錯(cuò)的分類效果，但是它們?nèi)匀淮嬖谝恍┤秉c(diǎn)。主要的缺點(diǎn)是它們只是使用了極化SAR的數(shù)據(jù)信息，而沒有利用圖像的空間信息，這可能將導(dǎo)致得不到令人滿意的分類結(jié)果，特別

2、是對(duì)高分率圖像進(jìn)行分類時(shí)。
　　本文主要研究基于空間信息的極化SAR圖像分類方法，在將半監(jiān)督分類方法和聚類算法應(yīng)用于極化SAR圖像分類時(shí)將空間信息加入到分類過程中。主要可以概括為以下三個(gè)方面：
　　1.提出一種基于多層特征學(xué)習(xí)和空間信息的極化SAR圖像半監(jiān)督分類方法?？紤]的是每類只有一個(gè)原始標(biāo)記樣本的極端情況，并采用的是self-training的半監(jiān)督分類方式，基分類器采用的能學(xué)習(xí)多層特征的棧式稀疏自編碼器和softmax

3、分類器構(gòu)成的分類框架。該方法在將未標(biāo)記樣本選取為訓(xùn)練樣本時(shí)考慮了空間信息。在考慮了空間信息之后，極化SAR圖像的分類效果更好，正確率更高。
　　2.由于上一個(gè)方法只在選取訓(xùn)練樣本時(shí)考慮了空間信息，在分類的時(shí)候并沒有對(duì)空間信息進(jìn)行考慮，所以提出一種基于最小生成森林的極化SAR圖像分類方法。本方法根據(jù)上一個(gè)方法的分類結(jié)果來進(jìn)行種子點(diǎn)的選取。最小生成森林是由以這些種子點(diǎn)為根的樹構(gòu)成的生成森林中權(quán)值和最小的。在同一棵樹上的像素點(diǎn)是屬于同一

4、類的，具有與根相同的類標(biāo)。本方法的分類效果要比上一個(gè)方法的分類效果好，同時(shí)正確率也得到了提高。
　　3.提出了一種基于快速密度峰值尋找與發(fā)現(xiàn)的極化SAR圖像分類方法。該方法首先用Turbopixel算法對(duì)極化SAR圖像的Pauli分解得到的偽彩色圖進(jìn)行分割獲得超像素，然后計(jì)算每個(gè)超像素與其他所有超像素之間的Wishart距離。再將計(jì)算得到的距離輸入到快速密度峰值尋找與發(fā)現(xiàn)的聚類算法中去，得到分類結(jié)果和類別數(shù)。在聚類分類結(jié)束后，再進(jìn)

5、行一些后處理，使一些超像素的類別為0。然后讓每個(gè)超像素塊中的所有像素點(diǎn)共享這個(gè)超像素塊的類別，即每個(gè)超像素塊中的所有像素點(diǎn)與這個(gè)超像素塊的類別一致。最后對(duì)類別為0的像素點(diǎn)用監(jiān)督Wishart方法進(jìn)行重新分類。該方法具有較高的分類精度，能夠自適應(yīng)獲得類別數(shù)。
　　本文工作得到了國家自然科學(xué)基金（No.61173092）、新世紀(jì)優(yōu)秀人才支持計(jì)劃（No.66ZY110）和陜西省科學(xué)技術(shù)研究發(fā)展計(jì)劃項(xiàng)目（No.2013KJXX-64）資助