高概率选择和自适应MRF的极化SAR分类

发布时间：2020-11-06 13:07:29 来源：文档文库

小中大

字号：

手机查看

张姝茵，侯彪

【摘要】摘要：针对极化合成孔径雷达分类过程中较难同时获得精确的边缘和光滑的同质区域的问题，提出了一种基于Wishart距离的高概率选择分类器与自适应马尔科夫随机场相结合的分类方法，对极化合成孔径雷达图像分类．首先，将Wishart分类器应用于概率输出的支撑矢量机中，根据高概率选择得到一个基于像素的初始分类结果，并将此结果结合不同的边缘检测方法得到一个精确的边缘；其次，采用自适应窗口的马尔科夫随机场对上一步的分类结果进行修正，该过程在得到平滑区域的同时，也保持了上一步分类结果的边缘．实验结果表明，该算法提高了极化合成孔径雷达图像分类的精度，并保持了图像的细节信息．

【期刊名称】西安电子科技大学学报（自然科学版）

【年(卷),期】2017(044)006

【总页数】6

【关键词】支撑矢量机;极化合成孔径雷达;Wishart距离;马尔科夫随机场;自适应窗口

与传统的合成孔径雷达(Synthetic Aperture Radar，SAR)相比，极化合成孔径雷达(POLarimetric SAR，POLSAR)在描述观测目标方面可提供更丰富的信息．在遥感图像领域，地物分类是最重要的任务之一．分类结果的好坏，取决于分类边缘是否清晰，同时区域是否平滑．近年来有很多分类方法，从是否使用空间结构信息的角度，这些方法主要分为3大类：第1类是基于像素的方法，此方法往往能得到一个比较好的分类边缘[1-3]．但是由于POLSAR图像受相干斑噪声的影响，使得基于像素的分类效果大打折扣，并且在很多光滑区域产生不连续的分类结果．为解决这个问题，第2类基于区域的分类方法发展了起来[4-5]．基于区域的方法通常可以获得同质区域，并且通过空间信息的利用来提高分类精度．然而这在很大程度上取决于精确的初始分割．近年来，为缓解以上提出的问题，第3类方法同时结合了像素和区域的信息[6-7]．虽然这些文献中的方法在一定程度上提高了分类精度，但是没有同时考虑边缘保持和区域的平滑，因此分类结果也不尽理想．