学位论文 > 优秀研究生学位论文题录展示

基于目标分解和SVM的POL-SAR图像分类方法研究

作　者: 裴彩红
导　师: 邹斌
学　校: 哈尔滨工业大学
专　业: 信息与通信工程
关键词: 极化合成孔径雷达 目标分解 纹理特征 支持向量机 分类
分类号: TN957.52
类　型: 硕士论文
年　份: 2007年
下　载: 190次
引　用: 0次
阅　读: 论文下载
 

内容摘要


POL-SAR属于目前SAR领域和雷达极化领域研究的前沿课题,同时也是研究的热点和难点。在此背景下,开展关于POL-SAR的图像特征提取以及目标分类等方面的研究,对于解决如何优化POL-SAR系统整体性能,提高对POL-SAR图像的解译能力,推动我国POL-SAR系统走向应用具有重要的理论和实际意义。本文研究的是POL-SAR图像特征提取和分类技术,研究的主要内容包括:基于目标分解的POL-SAR图像特征提取,基于灰度共生矩阵的纹理特征提取,以及基于SVM的POL-SAR图像分类。本文首先介绍了POL-SAR系统的历史与发展现状,并针对极化图像目标分解和分类技术的国内外研究现状进行了详细的综述。同时,介绍了SVM以及它在各种不同领域中的发展应用现状,并对SVM理论进行了详细的介绍。接下来,介绍了目标极化散射特性的表示方法,包括极化散射矩阵,协方差矩阵和相干矩阵等,给出了几种基本的极化散射机理。在此基础之上进行了基于目标分解的多种极化散射特征提取,研究了基于灰度共生矩阵的纹理特征提取,进而用ESAR L波段真实数据进行了实验,然后对实验结果做了详尽的分析和比较。最后,着重研究了基于SVM的POL-SAR图像特征选择和分类技术。重点研究了SVM参数的选择,比较了不同的参数和分类精度的关系,提出了具体的分类算法,并用这种算法对POL-SAR图像进行分类。本文还用Cameron分类、H ?α分类和神经网络等方法进行分类,并和SVM分类结果进行了比较,从而验证SVM方法用于POL-SAR图像分类的有效性。

全文目录


摘要  3-4
Abstract  4-8
第1章 绪论  8-16
  1.1 课题背景及研究的意义  8-9
  1.2 国内外研究现状及分析  9-15
    1.2.1 POL-SAR系统的发展现状  9-10
    1.2.2 POL-SAR图像信息提取  10-12
    1.2.3 SVM研究发展现状  12-15
  1.3 本文主要工作及结构安排  15-16
第2章 SVM理论基础  16-27
  2.1 机器学习的模型  16-18
    2.1.1 经验风险最小化原则  17
    2.1.2 学习的复杂性和推广能力  17-18
  2.2 统计学习理论  18-22
    2.2.1 学习机器的VC维  19
    2.2.2 学习机器推广性的界  19-20
    2.2.3 结构风险最小化原则  20-22
  2.3 SVM方法概述  22-26
    2.3.1 最优分类超平面  22-24
    2.3.2 广义的最优分类超平面  24-25
    2.3.3 核函数的运用  25-26
  2.4 本章小结  26-27
第3章 POL-SAR图像特征提取  27-44
  3.1 目标极化散射特性的表示方法  27-29
    3.1.1 极化散射矩阵  27-28
    3.1.2 极化协方差矩阵  28-29
  3.2 几种基本极化散射机理  29-31
    3.2.1 奇次散射  29
    3.2.2 偶散射  29-30
    3.2.3 体散射  30
    3.2.4 漫散射  30-31
  3.3 基于相干目标分解的散射特征提取  31-34
    3.3.1 Cameron分解  31
    3.3.2 SSCM分解  31-32
    3.3.3 实验数据  32-33
    3.3.4 分解结果及分析  33-34
  3.4 基于部分相干目标分解的散射特征提取  34-40
    3.4.1 Freeman分解  35-36
    3.4.2 H/A/alpha分解  36
    3.4.3 OEC分解  36-39
    3.4.4 分解结果及分析  39-40
  3.5 基于灰度共生矩阵的纹理特征提取  40-43
    3.5.1 灰度共生矩阵  41
    3.5.2 灰度共生矩阵的特征参数  41-43
  3.6 本章小结  43-44
第4章 基于SVM的特征选择和分类  44-56
  4.1 SVM模型的建立  44-48
    4.1.1 SVM的核函数  45-46
    4.1.2 SVM的训练算法  46-47
    4.1.3 SVM学习算法的步骤  47
    4.1.4 SVM多分类器算法  47-48
  4.2 基于SVM的特征选择和分类  48-52
    4.2.1 训练和测试样本的选择  48-49
    4.2.2 SVM参数的选择  49-51
    4.2.3 基于SVM的POL-SAR图像分类  51-52
  4.3 几种不同分类方法的比较  52-55
    4.3.1 Cameron 分类  52
    4.3.2 H/alpha 分类  52-54
    4.3.3 人工神经网络分类  54-55
    4.3.4 几种分类结果的比较  55
  4.4 本章小结  55-56
结论  56-57
参考文献  57-62
攻读学位期间发表的学术论文  62-64
致谢  64

相似论文

  1. K公司计划及预测改进对于合理库存配置的研究,F224
  2. 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
  3. 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
  4. 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
  5. 极化SAR图像超分辨算法的研究,TN957.52
  6. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  7. 音乐结构自动分析研究,TN912.3
  8. 基于词义及语义分析的问答技术研究,TP391.1
  9. 基于三维重建的焊点质量分类方法研究,TP391.41
  10. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  11. 基于串核的蛋白质分类算法的研究与实现,TP301.6
  12. 统计与语言学相结合的词对齐及相关融合策略研究,TP391.2
  13. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  14. 上下文相关的词汇复述研究,TP391.1
  15. 基于仿生模式识别的文本分类技术研究,TP391.1
  16. 互联网上旅游评论的情感分析及其有用性研究,TP391.1
  17. 基于SVM的中医舌色苔色分类方法研究,TP391.41
  18. 基于图像的路面破损识别,TP391.41
  19. 多样性密度学习算法的研究与应用,TP181
  20. 运动特征及地形约束的感知网目标跟踪算法及系统研究,TP212.9
  21. 基于支持向量机的故障诊断方法研究,TP18

中图分类: > 工业技术 > 无线电电子学、电信技术 > 雷达 > 雷达设备、雷达站 > 雷达接收设备 > 数据、图像处理及录取
© 2012 www.xueweilunwen.com