2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩116頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,PolSAR)利用四個極化通道可以獲得地物目標豐富的極化散射信息,在其眾多應用中,極化SAR數(shù)據(jù)地物分類是最主要的應用領(lǐng)域之一。許多已有的極化SAR數(shù)據(jù)地物分類方法雖然能夠取得不錯的分類結(jié)果,但是它們都是直接在一組特征集上進行數(shù)據(jù)分析和分類器設(shè)計,且在分類過程中沒有考慮極化SAR數(shù)據(jù)的空間關(guān)系。這都可能使分類結(jié)果不好,尤其是在分類高分辨率極化S

2、AR數(shù)據(jù)時。
  本文主要研究基于散射特性和空間特性的極化SAR地物分類方法,在原有分類方法基礎(chǔ)上提出了兩種改進方法:
  1.提出了一種極化SAR數(shù)據(jù)地物分類方法:基于多特征集的極化SAR地物分類。在該方中采用新的極化特征分析策略——多特征集策略,即對比分析多組非相關(guān)極化特征矢量集,在其基礎(chǔ)上設(shè)計分類器,以改進原有分析一組極化特征集的分類方法。為了驗證該策略的有效性,本章改進了原有Wishart迭代分類器——在兩組非相關(guān)極

3、化特征矢量集上,使用K-MEANS聚類分析,為Wishart分類器選擇可分度高的訓練樣本。高可分度的訓練樣本不僅加速了Wishart分類器的收斂過程,使其迭代次數(shù)大為減少,而且分類器的分類正確率也有所提高,分類后數(shù)據(jù)的區(qū)域一致性更好。真實極化SAR數(shù)據(jù)實驗驗證了本章多特征集策略的有效性。
  2.提出了一種極化SAR數(shù)據(jù)地物分類方法:基于空間特征和統(tǒng)計特性的極化SAR地物分類。已有的分析極化 SAR數(shù)據(jù)空間關(guān)系的地物分類方法在分類

4、前和(或)分類后直接在分類結(jié)果中引入分類標號的空間約束,取得了比基于像素的分類方法更好的分類結(jié)果。本章從新的角度——在極化特征空間上引入數(shù)據(jù)的空間約束,設(shè)計在分類過程中引入數(shù)據(jù)空間關(guān)系的分類器。為了驗證該方法的有效性,本章改進了原有Wishart迭代分類器——通過雙邊濾波方法在Wishart距離特征上引入極化SAR數(shù)據(jù)的空間約束,最后分類。改進的Wishart分類器保留了原有分類器的特點,還較好的克服分類器易受相干斑噪聲影響的缺點,而且

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論