极化SAR图像分类方法研究

论文摘要

近年来,极化合成孔径雷达（Synthetic Aperture Radar,SAR）已成为遥感领域最先进的传感器之一。极化SAR图像分类是极化SAR图像解译的重要研究内容,在民用和军用领域均有着巨大的应用价值和理论意义。主要着眼于分类精度的提高和散射类型的准确描述,本文对极化SAR图像分类相关技术进行了系统深入的研究。开展的工作主要包括以下几个方面:（1）雷达极化测量基础理论的深入分析。为进一步消除极化界在极化测量基本方程理解上产生的一些混乱和模糊,利用方向性Jones矢量和时间反演算子,给出了场方程和电压方程下Sinclair散射矩阵极化基变换的一种合理推导。通过正向和反向传播空间概念的引入,从理论上说明了Mueller矩阵和Kennaugh矩阵的本质一致性。此外,还对部分极化波进行了较深入的分析。（2）极化SAR测量数据的统计建模。基于斑点乘积模型,导出了散射矢量的五个新分布（ KP分布、GP 0分布、GP H分布、GP 1分布和GP 2分布）和极化协方差矩阵的两个新分布（ GP 1分布和GP 2分布）。在现有分布中, GP 2分布最适合同时对均匀区域、一般不均匀区域和极不均匀区域的数据进行描述。推导了GP 1分布和GP 2分布参数的矩估计式,着重提出了参数估计的最优化方法。与矩估计法相比,最优化方法的估计误差更小,稳健性更高。（3）极化SAR图像的有监督统计分类。提出了一个基于最大后验概率准则（MAP）、GP 2分布和马尔可夫随机场（MRF）的迭代分类方法（GMMAP方法）。该方法在理论上可获得最小分类错误率,并可解决分类过程中小容量训练样本难以对统计模型的参数进行准确估计的问题。（4）极化SAR目标的散射随机性度量。提出了一个可以反映目标散射随机性随入射波极化态变化的新度量——随机度。定义了“随机度特征图”对随机度进行可视化描述。给出了随机度均值和标准差的定义式,并着重分析了“水平-垂直”线极化波、“45°-135°”线极化波以及“左旋-右旋”圆极化波激励所得的平均随机度。该参数与散射熵的变化规律几乎一样,且二者之间存在一个近似关系,但其计算仅涉及一些简单操作,不需进行特征值分解,速度要比散射熵的计算快得多,因此在实际工程应用中,可考虑用平均随机度代替散射熵。（5）极化SAR图像的无监督散射分类。提出了一个基于目标主散射机制和散射随机性度量的极化SAR图像散射分类框架。在该框架下,针对H /α分类存在的问题,提出了一个基于特征分解、Krogager分解和散射熵的新方法（EKE方法）。为实现非相干情况下主散射机制的直接提取和鉴别,提出了一个基于Freeman分解和平均随机度的分类方法（FDR方法）。为了进一步改善分类效果,结合Wishart距离度量,提出了EKE-Wishart迭代分类方法和FDR-Wishart迭代分类方法。所提方法的有效性得到了实测数据的实验验证。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 分类特征提取
• 1.2.2 分类方法
• 1.2.3 软件系统实现
• 1.3 论文的研究内容和组织结构
• 第二章 雷达极化测量理论
• 2.1 引言
• 2.2 电磁波的极化特性分析
• 2.2.1 单色平面电磁波
• 2.2.2 反向传播与时间反演
• 2.2.3 部分极化波
• 2.3 目标的极化特性分析
• 2.3.1 场方程和电压方程的统一
• 2.3.2 确定性目标和分布式目标的概念
• 2.3.3 Sinclair 矩阵和目标散射矢量
• 2.3.4 Mueller 矩阵和Kennaugh 矩阵的统一
• 2.3.5 协方差矩阵和相干矩阵
• 2.3.6 不同矩阵间的关系
• 2.4 本章小结
• 第三章 极化SAR 数据统计建模
• 3.1 引言
• 3.2 斑点及斑点乘积模型分析
• 3.2.1 斑点在图像中的表现及成因
• 3.2.2 斑点统计分布
• 3.2.3 斑点乘积模型分析
• 3.3 极化SAR 测量数据的统计模型
• 3.3.1 散射矢量分布的推导
• 3.3.2 协方差矩阵分布的推导
• 3.3.3 分布参数的统计和物理意义
• P 分布族'>3.3.4 G_P分布族
• 3.4 粗糙度参数的估计
• 3.4.1 参数估计的矩方法
• 3.4.2 参数估计的最优化方法
• 3.5 实测数据的拟合实验
• 3.5.1 Oberpfaffenhofen 地区ESAR 数据
• 3.5.2 San Francisco 海湾地区AIRSAR 数据
• 3.5.3 视数的讨论
• 3.6 本章小结
• 第四章 极化SAR 图像有监督统计分类
• 4.1 引言
• 4.2 Bayes 决策基本理论与分类算法评估准则
• 4.2.1 Bayes 决策
• 4.2.2 分类算法评估准则
• P² 分布和MRF 的迭代MAP 分类'>4.3 基于G_P² 分布和MRF 的迭代MAP 分类
• 4.3.1 MAP 分类
• 4.3.2 马尔可夫随机场（MRF）
• 4.3.3 新的分类方案（GMMAP 迭代分类）
• 4.3.4 实验结果及分析
• P 分布族分类性能实验分析'>4.4 G_P分布族分类性能实验分析
• 4.4.1 基于不同统计分布的ML 分类距离度量
• 4.4.2 利用实测数据进行分类实验
• 4.5 本章小结
• 第五章 极化SAR 目标散射随机性度量
• 5.1 引言
• 5.2 一种新的散射随机性度量——随机度
• 5.2.1 随机度的定义
• 5.2.2 极化度不同组合方式的讨论
• 5.2.3 随机度特征图
• 5.3 平均随机度
• 5.3.1 平均随机度的定义
• 5.3.2 两类重要散射中的平均随机度
• 5.3.3 平均随机度与散射熵的比较
• 5.4 随机度的标准差
• 5.5 本章小结
• 第六章 极化SAR 图像无监督散射分类
• 6.1 引言
• 6.2 基于特征分解、Krogager 分解和散射熵的分类（EKE 方法）
• 6.2.1 特征分解
• 6.2.2 散射机制的鉴别
• 6.2.3 EKE 分类方案
• 6.2.4 实验分析及与H / α分类的比较
• 6.2.5 Wishart 迭代调整（EKE-Wishart 方法）
• 6.3 基于Freeman 分解和平均随机度的分类（FDR 方法）
• 6.3.1 Freeman 分解
• 6.3.2 FDR 分类方案
• 6.3.3 实验分析及与H / α分类的比较
• 6.3.4 Wishart 迭代调整（FDR-Wishart 方法）
• 6.3.5 FDR-Wishart 方法与EKE-Wishart 方法的比较
• 6.4 本章小结
• 第七章 结束语
• 7.1 论文的主要研究成果及创新点
• 7.2 进一步的研究方向
• 致谢
• 参考文献
• 作者在学期间取得的学术成果