基于半監(jiān)督學(xué)習(xí)的極化SAR地物分類.pdf

1、極化合成孔徑雷達(dá)(PolSAR)由于能夠提供更多更豐富的目標(biāo)散射信息,近年成為遙感領(lǐng)域的新熱點(diǎn)。其地物分類問(wèn)題作為極化 SAR圖像解譯的重要研究?jī)?nèi)容和關(guān)鍵技術(shù),在民用和軍事領(lǐng)域具有重大的理論意義和應(yīng)用價(jià)值。半監(jiān)督學(xué)習(xí)(Semi-supervised Learning)能夠同時(shí)利用已標(biāo)記和未標(biāo)記樣本,同時(shí)有效解決各種實(shí)際問(wèn)題中常見的已知樣本代表性不好或訓(xùn)練樣本難以獲得的問(wèn)題,在機(jī)器學(xué)習(xí)領(lǐng)域受到了重視和長(zhǎng)足的發(fā)展。本文基于半監(jiān)督SVM算法對(duì)

2、極化SAR地物分類問(wèn)題進(jìn)行研究。并結(jié)合實(shí)際問(wèn)題,對(duì)已有的算法進(jìn)行改進(jìn),同時(shí)提出自己的算法。
　　1、本文著重討論了半監(jiān)督學(xué)習(xí)中的一種熱點(diǎn)算法:半監(jiān)督SVM算法。并將其與經(jīng)典的圖像分割MeanShift方法結(jié)合,對(duì)極化SAR圖像進(jìn)行分類。并引入?yún)f(xié)同學(xué)習(xí)的框架結(jié)合兩種方法,從而充分利用極化 SAR圖像中像素的極化散射特征和像素間的空間特征。實(shí)驗(yàn)結(jié)果顯示,該方法較傳統(tǒng)方法在極化SAR圖像上有較好的分類精度。
　　2、對(duì)半監(jiān)督SVM

3、算法進(jìn)行研究,提出了一種半監(jiān)督SVM集成學(xué)習(xí)算法。有效的解決了傳統(tǒng)半監(jiān)督SVM算法需要樣本集正負(fù)類分布先驗(yàn)的問(wèn)題。用不同的正負(fù)類分布估計(jì)得到多個(gè)半監(jiān)督SVM分類器,并用聚類評(píng)價(jià)指標(biāo)判斷集成結(jié)果。實(shí)驗(yàn)證明,在樣本集正負(fù)類別分布未知的情況下,該算法較傳統(tǒng)半監(jiān)督SVM效果有顯著提升。
　　3、在提出的半監(jiān)督SVM集成學(xué)習(xí)算法的基礎(chǔ)上進(jìn)行擴(kuò)展。提出了一種針對(duì)該方法的多分類策略。并針將極化SAR數(shù)據(jù)符合wishart分布這一先驗(yàn)只是將加入集