论文部分内容阅读
全极化SAR图像与光学遥感图像和单极化SAR图像相比,能够获得更丰富的地物信息,为图像的深层次解译和分析提供了更多的依据,在目标检测、识别和几何参数的提取方面具有更大的潜力。因此,全极化SAR数据分类已成为当前国内外研究的热点之一。本文以全极化SAR成像理论和数据特点作为理论基础,探讨了全极化SAR数据的土地覆盖分类方法,并对传统方法进行了一定的改进。论文首先介绍了极化SAR图像数据的成像机理与主要极化散射机制。进而研究了极化SAR数据的极化特征分解理论,为后续进行土地覆盖分类提供了重要基础。在此基础上,研究了当前光学遥感影像或基于SAR原始数据的BP神经网络分类算法。最后,综合极化特征分解和BP神经网络分类的优势,将二者结合起来进行全极化SAR数据的分类。本文以北京地区RADARSAT-2全极化SAR图像数据为例,首先利用几种典型的特征分解方法,对图像进行特征分解提取极化信息。并利用所得到的极化特征分解数据,分别进行了BP神经网络分类,得出基于Freeman分解的BP神经网络分类方法具有较高的精度。最后将本文分类方法与传统的BP神经网络的分类方法、SVM监督分类和K-均值非监督分类方法的分类结果进行了比较。结果表明,结合Freeman分解的BP神经网络分类方法较大幅度地提高了全极化SAR数据土地覆盖分类的精度。