基于面向对象svm和谱聚类的极化sar分类

《基于面向对象svm和谱聚类的极化sar分类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于面向对象SVM和谱聚类的极化SAR分类作者姓名李伟龙导师姓名、职称焦李成教授一级学科控制科学与工程二级学科模式识别与智能系统申请学位类别工学硕士提交学位论文日期2014年11月学校代码10701学号1202121195分类TN82号TP751密级公开西安电子科技大学硕士学位论文基于面向对象SVM和谱聚类的极化SAR分类作者姓名：李伟龙一级学科：控制科学与工程二级学科：模式识别与智能系统学科门类：工学硕士学校导师姓名、职称：焦李成教授提交日期：2014年11月POLSARClassificationBasedonObject-orientedSVMandSpectra

2、lClusteringAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinControlScienceandEngineeringByLiweilongSupervisor:Prof.JiaolichengNovember2014西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论

3、文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切的法律责任。本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，

4、毕业后结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。（保密的论文在解密后遵守此规定）本学位论文属于保密，在年解密后适用本授权书。本人签名：导师签名：日期：日期：摘要摘要极化合成孔径雷达(Pol-SAR)是一个全天候，多通道，多参数的雷达成像系统，它可以获得一定波长和视角下目标的极化散射信息。和合成孔径雷达(SAR)比较，极化SAR拥有更丰富的极化内容，再加上极化SAR数据具有高维性，并且数据相对较复杂，如何结合现有的技术对极化SAR数据进行高效、准确的分类已成为极化SAR领域的研究热点。为了克服传统的分类方法时间复杂度过高的问题，本文提出了基于支持向量

5、的聚类方法。由于极化SAR存在着较大的相干斑噪声，对后续的分类产生了极大的影响，所以本文根据相干斑噪声模型，提出了利用面向对象的方法对极化SAR进行分类,其主要工作如下:(1).本文提出了基于面向对象和SVM的极化SAR分类方法。传统的SVM分类精度高，速度快，但是其分类极化SAR时易受相干斑噪声影响、分类杂点较多，本文将基于像素的极化SAR分类和基于区域的极化SAR分类方法进行了有效的结合，首先将极化SAR数据的相干矩阵T利用SVM进行分类得到初始分类，然后将极化SAR数据的Pauli特征利用面向对象的方法进行过分割，最后在过分割的图像上对SVM的初始分类结果利用投票

6、的方式进行二次分类，从而得到最终结果。由于该方法有效的利用了极化SAR数据的散射以及空间信息，所以具有不受相干斑噪声影响，边缘保持好，准确率高等优点。(2).本文提出了基于面向对象和谱聚类的极化SAR分类方法。传统的面向对象的方法可以对图像进行过分割，但是过分割后如何高效的融合是一个问题。谱聚类可以对极化数据进行很好的分类，但是当数据量大时，时间复杂度高，容易造成内存溢出。本文提出的方法首先利用面向对象的方法将极化SAR数据进行过分割，从而起到降维的目的，然后将过分割后的图像的每一个单元块当做一个对象，然后对这些对象进行谱聚类，最后将图像以对象为基本单元进行分类。由于该

7、方法利用面向对象的方法对极化SAR进行了降维，所以时间复杂度大大降低，又因为是以对象为单元进行聚类，所以很好的克服了噪声的影响。(3).本文提出了基于支持向量积和谱聚类的极化SAR分类方法。谱聚类是以谱图理论为基础的，和传统的聚类方法比，它有着很多优点，比如在任意的样本空间都可以聚类并且能收敛于全局最优解、对不规则数据不敏感、准确率高等。但极化SAR数据量通常很大，直接求解其相似度矩阵不可行。所以本文提出了先降维后聚类的方法。首先选择少量样本，对其利用快速SVM进行训练，从而得到其支持向量，然后利用谱聚类对支持向量进行聚类，并计算出相应的