基于子孔徑的極化SAR圖像目標分類算法研究.pdf

1、極化SAR能夠同時獲得目標區(qū)域的多通道與高分辨率數(shù)據(jù)，可更好的揭示目標的物理散射特性，因此，極化SAR圖像的特征提取與目標分類在解釋雷達圖像和目標識別方面起著十分重要的作用。充分利用極化信息，可更加準確地理解目標散射機理，從而帶來更好的SAR圖像分類結果。本文根據(jù)極化SAR數(shù)據(jù)的特點，結合子孔徑分析技術，進行了極化SAR圖像目標分類算法的研究，主要工作如下： 1.總結了目前常用的極化SAR圖像分類算法及其存在的問題。在此基礎上，

2、將AdaBoost算法與極化通道所攜帶的信息相結合，對極化SAR圖像進行監(jiān)督分類，在已知場景類別數(shù)的情況下，該方法能夠加快收斂速度，改善分類效果； 2.研究了基于子孔徑分析的極化散射機理與特征提取方法。首先從時頻分解的角度對方位向子孔徑進行了分析，對場景中存在的各向異性散射行為和布拉格諧振現(xiàn)象進行了討論。針對場景中的非平穩(wěn)目標，分析了已有的極大似然比非平穩(wěn)目標檢測算法，還研究了一種基于熵值與平均散射機理角的聯(lián)合向量檢測非平穩(wěn)目標

3、的方法。通過該方法可以對方位向頻譜中的非平穩(wěn)散射行為進行定位，最終消除非平穩(wěn)散射在全孔徑中的影響； 3.對目標的極化分解方法與基于極化分解的極化SAR圖像分類方法進行了研究與仿真試驗。如Pauli分解、Krogager分解、H/α分類、H/A/α分類、H/α/Wishart分類、H/A/α/Wishart分類和基于Freeman-Wishart的極化SAR圖像分類等。在此基礎上，改進了基于AdaBoost算法的極化SAR圖像分類

4、方法，將Pauli分解與AdaBoost算法的優(yōu)勢得以發(fā)揮，該方法既解決了AdaBoost算法需要知道場景先驗知識的缺點，同時還能改善分類效果、提高收斂速度； 4.改進了基于全孔徑數(shù)據(jù)的極化SAR圖像分類方法，得到三種基于子孔徑的極化SAR圖像分類算法并進行了仿真試驗：一是非平穩(wěn)目標檢測與H/α分類相結合的極化SAR圖像分類；二是子孔徑分解與H/α/Wishart迭代分類相結合的極化SAR圖像分類；三是結合Freeman分解與子