极化目标分解论文-赵泉华,郭世波,李晓丽,李玉

极化目标分解论文-赵泉华,郭世波,李晓丽,李玉

导读:本文包含了极化目标分解论文开题报告文献综述及选题提纲参考文献,主要关键词:海冰分类,目标分解,特征提取,极化SAR

极化目标分解论文文献综述

赵泉华,郭世波,李晓丽,李玉[1](2018)在《利用目标分解特征的全极化SAR海冰分类》一文中研究指出特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。(本文来源于《测绘学报》期刊2018年12期)

刘雨思,余洁,张晶[2](2018)在《基于目标分解及纹理信息的全极化SAR影像分类》一文中研究指出全极化SAR影像含有丰富的特征信息,针对单一特征用于分类难以达到满意精度的问题,提出一种基于不同目标分解方法及纹理信息的SVM(Support Vector Machine,SVM)全极化SAR影像监督分类方法。结果表明,Cloude分解和Yamaguchi分解在极化特征信息提取时各有优势,且都优于Freeman分解效果;Cloude分解和Yamaguchi分解结合作为极化特征信息时,分类总体精度相对较高;纹理信息与极化特征信息在表现地物特性方面具有互补性,结合纹理信息后,分类总体精度提高了4.92%,为90.86%,Kappa系数为0.8754。(本文来源于《地理空间信息》期刊2018年04期)

张腊梅,段宝龙,邹斌[3](2016)在《极化SAR图像目标分解方法的研究进展》一文中研究指出极化合成孔径雷达(极化SAR)经过近几年的迅速发展,已经成为遥感领域的一大研究热点。极化目标分解作为极化SAR图像分析的一种基本手段,所提取的极化信息是极化SAR图像目标检测和分类的基础,在极化SAR图像解译中起着关键作用。通过对近几年极化目标分解方法的发展作一个全面的阐述,重点介绍该领域出现的新技术,使相关研究人员能够更清晰地了解这一领域的最新进展。(本文来源于《电子与信息学报》期刊2016年12期)

杨玉锋[4](2016)在《基于目标分解的全极化SAR图像分类方法研究》一文中研究指出与传统的光学遥感图像相比,全极化SAR图像包含的地物信息更加丰富。因此,可以有效地从全极化SAR图像中提取各种地物信息的极化特征,并根据这些极化特征进行分类。本文以紫金山国家森林公园为研究对象,以2011年和2015年两期的全极化SAR图像为数据源,采用Sinclair、Pauli、Freeman和Cloude 4种极化目标分解方法提取了研究区全极化SAR图像的12个极化特征值。然后利用决策树、神经网络、最大似然和随机森林4种分类方法来对研究区的极化特征图像进行分类,评价了4种分类方法的分类精度并分析了极化特征值对分类结果的重要性。最后对2011~2015年研究区土地类型的动态变化进行分析,并预测了研究区2019年的土地类型情况。通过分析研究区土地类型发生转变的驱动因素,提出了保护研究区生态环境的政策建议。研究结果表明:(1)从4种极化目标分解方法的极化特征图像中可以看出:水体、建设用地和裸地的颜色特征比较明显且易于区分;而草地、针叶林和阔叶林的颜色特征不明显,地类之间难于区分。从2011年和2015年6种地类的分类精度来看,极化特征图像中颜色特征明显的地类分类精度较高。因此,全极化SAR图像分类中,水体、建设用地和裸地的分类精度高于草地、针叶林和阔叶林。(2)从全极化SAR图像的分类精度上来看:4种分类方法的总体分类精度都在80%以上、Kappa系数都在0.7以上。这说明利用这4种分类方法对全极化SAR图像进行分类得到的分类结果都比较满意。然而,由于随机森林分类方法具有诸多优点,使得它在4种分类方法中分类精度最高。所以,随机森林是全极化SAR图像分类研究中较好的分类方法。通过分析极化特征值对分类结果的重要性可以看出:Cloude分解得到的极化特征值在全极化SAR图像分类中起着关键作用。所以在提取全极化SAR图像的极化特征时,Cloude分解是一种比较好的极化目标分解方法。(3)从2011~2015年研究区内6种土地类型的变化中可以看出:水体和建设用地面积略有增加;裸地的面积大量减少,主要转变成建设用地和草地,少部分转变成针叶林和阔叶林;草地的面积也大量减少,主要转变成建设用地、针叶林和阔叶林;针叶林面积明显减少,主要转变成阔叶林;阔叶林面积大量增加,少部分转变成针叶林。从预测的2019年土地类型结果中可以看出:研究区内的建设用地和阔叶林面积继续增加,水体面积基本不变,裸地、草地和针叶林面积进一步减少,与2011~2015年的研究区的土地类型变化趋势基本一致。(4)2011~2015年研究区内不同土地类型之间的相互转化是由人为干扰和自然干扰共同造成的,其中人为干扰的影响最为明显。为了减小这些干扰因素对研究区内生态环境的破坏,使研究区内的生态环境朝着健康、稳定的方向发展,提出了一些政策建议。以上研究内容可以为全极化SAR图像在城市森林公园土地利用类型划分中的应用提供科学参考,也可以为研究区以及类似的城市森林公园未来的经营管理制定科学合理的规划方案。(本文来源于《南京林业大学》期刊2016-06-01)

曲永超[5](2016)在《基于极化目标分解的全极化Radarsat-2图像分类》一文中研究指出多极化是合成孔径雷达发展的主要趋势之一,多极化数据相比于传统的单极化数据,能够提供更加丰富的极化信息。这些极化信息是除了频域、空域之外的又一重要信息源,它们可以最大程度地反映不同地物目标的散射特性,从而实现对地物目标的识别和分类。本文以中国科学院专项课题“应对气候变化的碳收支认证及相关问题”遥感课题第六子课题“华东地区固碳参量遥感监测”(XDA05050106)为支撑,利用全极化Radarsat-2数据对山东禹城地区的地物散射机制和主要土地覆盖分类进行研究。首先,采用基于模型的极化目标分解方法提取图像的极化特征,分析和对比叁种分解方法对于研究区地物目标的表征效果,依据SVM分类实验选择最优分解法。在此基础上,联合散射角、极化熵、总功率等特征,采用两种改进的SVM分类器进行分类,并分析和对比两种分类方法的效果和精度。主要研究结论如下:(1)An3、Arii3、Singh4叁种分解法都可以对山东禹城地区的地物目标进行有效表征。单独从某一种散射机制来看,二面角散射对于城市区域有较好的表征能力,体散射对于农村区域有较好的表征能力。在耕地和水体这样的自然表面上,叁种分解法的结果基本相同。但是,在城市和农村这样的人工表面上,叁种分解法的结果存在一定的差异;这种差异在城市区域表现得更加显着。叁种分解法都有效降低了负功率的出现,An3分解和Singh4分解有效避免了体散射的过估计。(2)四类地物目标的极化参数基本上符合其理论值。四类地物的总功率值由高到低依次为城市、农村、耕地、水体,这是与理论相符合的。但是由于研究区的特点,也存在极化参数反常的情形。四种地物的散射角值由高到低依次为城市、农村、水体、耕地,而理论上,耕地的散射角是大于水体的。其原因是研究区内没有大面积的水体,河流较窄,容易受到两岸地物的影响。四种地物的极化熵值由高到低依次为农村、城市、水体、耕地,而理论上,城市的极化熵通常大于农村。其原因是研究区内的农村中树的种植率比较高,从而影响了农村散射机制的复杂程度。(3)An3-SVM、Arii3-SVM、Singh4-SVM叁种分类方法的总体精度依次为82.2543%、80.9294%、83.2448%。从混淆矩阵来看,错分情况最严重的是将农村居民地错分成城市居民地,叁种方法错分率分别为25.73%、30.62%、24.98%,这一错分情况直接影响了总体精度。鉴于Singh4-SVM法的分类精度最高,反映了Singh4分解对研究区地物散射机制的表征效果更好。(4)由于基于模型的目标分解本身存在局限性,在表征地物散射特性方面存在不足,通过增加极化特征和改进分类器可以弥补这一不足,实验证明通过增加散射角、极化熵、总功率、相干矩阵对角元素等极化信息,并采用F-SVM和MK-SVM分类器,对分类精度有一定程度的提高。总体精度分别由83.2448%提高至86.6513%,由83.2448%提高至86.5963%,分别提高了3.4065%、3.3515%。(本文来源于《南京大学》期刊2016-05-01)

韩飞[6](2016)在《基于目标分解的极化合成孔径雷达图像分类研究》一文中研究指出极化合成孔径雷达以其全天候,全天时等优点成为对地遥感观测领域中的先进技术,它通过收发不同组合的电磁波,记录反射回波除幅度、相位以外的极化信息,能够对观测目标进行更全面的描述,已经成功的应用到日常生活的许多行业甚至是国防军事领域。但是,极化合成孔径雷达硬件系统快速发展的同时,对其获得的图像解译能力却明显不够。在极化合成孔径雷达图像的地物分类领域,存在着诸如特征量不能全面描述观测对象,分类精度和性能不够高,算法的鲁棒性不够强等问题。以PolSAR的目标分解理论及相关理论为基础,对极化合成孔径雷达图像的地物分类问题做出研究,对主要的研究内容作如下简介:1.对多种经典的相干分解和非相干分解理论进行了研究。通过实验对各种分解方法进行了分析。结合Pauli目标分解,介绍了一种超分辨分解算法,该算法利用空间关联性,能够很好的将一个散射单元内的不同散射机制区分开,还成功的对其提出改进,以非相干分解中的Freeman分解为基础,将该算法进行了推广,算法具有较高的准确率和较好的时间性能,相关的实验提供了佐证。2.对基于特征值分解的方法进行了深入研究。通过相干矩阵的特征值分解,得到极化散射熵H、平均散射角(?)以及各向异性度参数A这叁个参数,由此出发得到H/(?)分类平面以及H/(?)/A叁维分类空间。文中还通过实验探讨了相干斑噪声对以上3个参数的影响。在引入Wishart分类器后,再结合参数H、(?)、A及相干及非相干分解理论,构成了两种非监督的目标分解方法。最后,对参数H、(?)、A的相关优缺点进行了研究,给出相应的参数优化解决方案。3.将分类器支持向量机引入到极化合成孔径雷达的地物分类中,这是由于该分类器有小样本、高维度等特性,而且目标分解理论能够为分类器提供良好的特征量,两者结合能够给出良好的分类结果。文中研究了多种不同的结合方式并使用了遗传算法对相关参数寻优。最后研究了一种新颖的非监督分类方法,这种方法以功率值和Wishart聚类中心为衡量特征量的标准,具有良好的分类表现。(本文来源于《电子科技大学》期刊2016-03-31)

杨魁,马华山,陈楚[7](2016)在《目标分解的极化SAR影像分割算法》一文中研究指出针对斑点噪声严重的高分辨率SAR数据开展智能化影像分割方法研究的不足,该文基于面向对象的思想和极化SAR目标分解理论,提出基于目标分解的面向对象SAR影像分割算法,实现了Pauli基分解分割、Krogager基分解分割、Freeman基分解分割这3种典型的SAR目标分解下的影像分割方法。实验结果表明:所提出的不同极化基下的分割算法取得的结果较为理想、精度高,且整体上具有一致性;对于不同类型的特定目标,Pauli基分解分割算法对道路等表面散射体分割效果较好,Freeman基分解分割算法则更有利于植被等体散射体的分割。(本文来源于《测绘科学》期刊2016年09期)

王昭[8](2015)在《基于目标分解与机器学习的极化SAR图像地物分类》一文中研究指出极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)采用不同极化工作方式,通过交替发射与接收雷达信号,能够得到一个与目标相关的2×2复矩阵,这个矩阵反应了目标的幅度信息、相位信息和散射信息等。因而,极化SAR成为一种重要的对地和对空观测手段。目前为止,极化SAR系统在目标识别领域和图像解译方面有着非常广泛的应用,包括城市规划、资源勘探、灾情监测、目标检测、植被生长、军事目标精准打击等。在遥感图像解译和信息处理领域,地物分类已经成为世界各国学者研究的一大热门课题,但我国还处于遥感图像解译的初级阶段。本文从地物目标的特征提取和地物目标分类这两个重要方面开展工作,所做的主要内容如下:(1)对极化SAR系统的应用及其价值进行分析和研究。详细介绍了极化SAR图像分类的理论基础、发展史;同时指出了极化SAR图像分类将会面临的严峻考验。(2)提出了一种基于极化目标分解和支持向量机(Support Vector Machine,SVM)的极化SAR图像地物分类方法。针对传统分类方法只能使用单一特征进行分类的缺点,采用Cloude分解得到叁种散射特征、Freeman分解得到四种特征,选择好训样样本和测试样本之后,进行对SVM的训练。当训练完成之后对整幅图进行预测与分类。实验仿真结果表明,该方法简单高效,具有较高的分类精度,使用组合特征比单一特征的准确率要高出6.5%左右。(3)提出了一种基于极化目标分解和极限学习机(Extreme Machine Learning,ELM)的极化SAR图像地物分类方法,本方法主要针对传统机器学习训练时间长、网络设置参数复杂的缺点。学习速度快、训练时间少,同时还能拥有不错的准确率是ELM的最大特点。通过仿真实验,表明ELM学习算法确实比SVM的学习速度快很多,而且ELM的准确率只比SVM稍微低一点点。(本文来源于《西安电子科技大学》期刊2015-12-01)

刘晓英,肖虹雁,岳彩荣[9](2015)在《基于极化目标分解地物类型识别方法研究》一文中研究指出全极化SAR图像分辨率高,表达地物细节能力强,能够提供丰富的地物特征信息,从而能识别出不同地物类型。基于Cloude-Pottier目标分解方法,以GAMMA软件作为平台,对云南省宜良县北古城镇进行地物类型识别。结果表明:基于Cloude-Pottier目标分解以及H/A/α/Wishart分类方法可以识别出建筑用地、农用地、水体以及林地等地物类型。(本文来源于《林业调查规划》期刊2015年05期)

芦颖,倪维平,严卫东,边辉[10](2015)在《基于改进极化目标分解算法的POLSAR图像分类》一文中研究指出针对目标分解中极化方位角的随机分布和体散射的过估计所导致的全极化合成孔径雷达(POlSAR)图像分类结果的错分问题,构造了一种基于改进极化目标分解的POlSAR图像分类处理方法。首先,对POlSAR图像的相干矩阵进行去极化方位角处理,消除极化方位角对目标的影响;其次,对目标进行修正体散射分量的Freeman分解得到能较好的区分不同的散射地物的叁种散射功率分类;最后,采用模糊C-均值(FCM)方法对归一化的散射功率进行分类处理。实验结果显示,在对极化分解之前去极化方位角可以有效降低分解结果中的负功率问题,在Freeman分解中修正体散射分量可以明显的抑制体散射功率的过估计问题,同时有利于增强POlSAR图像分类精度。(本文来源于《国家安全地球物理丛书(十一)——地球物理应用前沿》期刊2015-10-01)

极化目标分解论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

全极化SAR影像含有丰富的特征信息,针对单一特征用于分类难以达到满意精度的问题,提出一种基于不同目标分解方法及纹理信息的SVM(Support Vector Machine,SVM)全极化SAR影像监督分类方法。结果表明,Cloude分解和Yamaguchi分解在极化特征信息提取时各有优势,且都优于Freeman分解效果;Cloude分解和Yamaguchi分解结合作为极化特征信息时,分类总体精度相对较高;纹理信息与极化特征信息在表现地物特性方面具有互补性,结合纹理信息后,分类总体精度提高了4.92%,为90.86%,Kappa系数为0.8754。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

极化目标分解论文参考文献

[1].赵泉华,郭世波,李晓丽,李玉.利用目标分解特征的全极化SAR海冰分类[J].测绘学报.2018

[2].刘雨思,余洁,张晶.基于目标分解及纹理信息的全极化SAR影像分类[J].地理空间信息.2018

[3].张腊梅,段宝龙,邹斌.极化SAR图像目标分解方法的研究进展[J].电子与信息学报.2016

[4].杨玉锋.基于目标分解的全极化SAR图像分类方法研究[D].南京林业大学.2016

[5].曲永超.基于极化目标分解的全极化Radarsat-2图像分类[D].南京大学.2016

[6].韩飞.基于目标分解的极化合成孔径雷达图像分类研究[D].电子科技大学.2016

[7].杨魁,马华山,陈楚.目标分解的极化SAR影像分割算法[J].测绘科学.2016

[8].王昭.基于目标分解与机器学习的极化SAR图像地物分类[D].西安电子科技大学.2015

[9].刘晓英,肖虹雁,岳彩荣.基于极化目标分解地物类型识别方法研究[J].林业调查规划.2015

[10].芦颖,倪维平,严卫东,边辉.基于改进极化目标分解算法的POLSAR图像分类[C].国家安全地球物理丛书(十一)——地球物理应用前沿.2015

标签:;  ;  ;  ;  

极化目标分解论文-赵泉华,郭世波,李晓丽,李玉
下载Doc文档

猜你喜欢