空间极化信息协同的小样本极化SAR图像地物分类技术研究

《空间极化信息协同的小样本极化SAR图像地物分类技术研究》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、硕士学位论文｜９Ｍ空间极化信息协同的小样本极化ＳＡＲＩ图像地物分类技术研究ｉｉ作者姓名孟丽珠ｐ：指导教师姓名、职称杨淑媛教授申请学位类别工学硕士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指导下进行的研宄工作及取得的研宄成果。尽我所知，除了文中特别加以标注和致谢；也中所罗列的内容以外，论文中不包含其他人己经发表或撰写过的研宄成果不包含一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

2、的材料。与我同工作的同事对本研宄所做的任何贡献均己在论文中作了明确的说明并表示了谢意。一。学位论文若有不实之处，本人承担切法律责任本人签名：４日期：ｉＭ、ｋ＇ｙ〇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，即研宄生在‘校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文，，、公布论文的全部或部分内容允许采用影的复印件允许查阅借阅论文；学校可以印、缩印或其它复制手段保存论文。同时本人保证，结合

3、学位论文研宄成果完成的论。文、发明专利等成果，署名单位为西安电子科技大学－ｉｇ：本人签名：ｖｉｑ％导师签名＊ＬＶｏ日期：．）２／０日期：ｆ学校代码10701学号1502121118分类号TP75密级公开西安电子科技大学硕士学位论文空间极化信息协同的小样本极化SAR图像地物分类技术研究作者姓名：孟丽珠一级学科：信息与通信工程二级学科：智能信息处理学位类别：工学硕士指导教师姓名、职称：杨淑媛教授学院：人工智能学院提交日期：2018年6月TerrainClassification

4、forPolarimetricSARImagesBasedonSmallSamplesandSpatialPolarimetricInformationCooperationAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinIntelligentInformationProcessingByMengLizhuSupervisor:YangShuyuanTitle:Profes

5、sorJune2018摘要摘要极化合成孔径雷达（PolarimetricSyntheticApertureRadar，PolSAR）是一种实时测量目标散射回波系数的通道和参数双高的雷达成像系统，因此获得的极化合成孔径雷达（SyntheticApertureRadar，SAR）图像能够提供丰富的目标地物信息。作为雷达图像解译的重要研究内容之一，极化SAR图像地物分类技术在目标检测、灾情监测等多方面有广泛的应用。如何实现高准确率的地物分类，是国内外广受关注的热点问题。近年来极化SAR图像地物分类方法多通过大量训练

6、样本训练分类器，来达到准确分类的目的。然而，获取大量标记样本需要较高的人力成本。另一方面，极化SAR图像不仅含有回波信息的测量值，而且具有空间组织结构。基于上述讨论，本文研究了空间极化信息协同的小样本极化SAR图像地物分类方法，主要内容如下：1.设计了一种基于空间点域K近邻的增量式小样本分类方法。现有监督极化SAR图像分类方法多采用大量标记样本进行批处理训练，不仅数据成本高，而且训练过程不能充分利用历史信息。本文在小样本标记的条件下，通过增量式学习逐步预测数据标记。同时，设计了新的空间点域距离，来判定阶段预测

7、结果的准确性。在荷兰Flevoland图像、美国SanFranciscoBay图像、德国ESAR图像等五幅图像上对所提出的方法进行性能验证，实验结果表明：该方法在0.1%标记样本条件下能达到高于84%的分类正确率。2.设计了一种基于双通道低秩与空间极化距离的小样本分类方法。该方法主要将输入的极化SAR图像分为实部和虚部两个通道，通过低秩矩阵分解减少极化SAR图像中的相干斑噪声。文中设计了一个用来衡量样本相似度的权值计算公式，同时使用无穷范数构造空间约束以提升数据分类准确性。在五幅极化SAR图像上的实验结果表明

8、：该方法在0.1%标记样本条件下也能达到85%-98%的分类正确率，具有明显的有效性和优越性。3.设计了一种基于空间极化奖赏的强化学习小样本分类方法。根据定义的局部邻域区域，该方法计算标记样本提供关于动作的指示。同时，在局部邻域区域设计空间和极化奖赏函数，实现了空间极化信息的融合。该方法将强化学习引入到极化SAR图像分类中构建了动态连续学习的分类器。在多个极化SAR图像上的实验结果表明：该方法能够在