2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩65頁(yè)未讀 繼續(xù)免費(fèi)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar, POLSAR)是一種用來測(cè)量輻射信號(hào)極化特性的新型合成孔徑雷達(dá),它進(jìn)行的是多極化測(cè)量,能夠獲得更多的地物信息和分類特征,極大的拓展了SAR的應(yīng)用領(lǐng)域,已經(jīng)成為國(guó)內(nèi)外雷達(dá)系統(tǒng)及技術(shù)發(fā)展的主要方向之一。
  極化SAR圖像存在著大量相干斑噪聲,降低了極化SAR圖像的質(zhì)量,嚴(yán)重影響了極化SAR圖像的可解譯性及后續(xù)圖像分類處理等應(yīng)用。現(xiàn)有的基于

2、統(tǒng)計(jì)特性的濾波算法及基于多尺度分析的相干斑抑制方法,均能能夠一定程度上去除相干斑噪聲,但也存在著極化信息未能充分利用、細(xì)節(jié)信息丟失等問題。本文在分析了已有極化SAR圖像相干斑抑制方法和分類方法的基礎(chǔ)上,提出了以形態(tài)成分分析(Morphological Component Analysis, MCA)為基礎(chǔ)的極化SAR圖像相干斑抑制方法,及以改進(jìn)反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)的極化SAR圖像分類方法

3、,主要工作和貢獻(xiàn)如下:
  (1)根據(jù)極化SAR圖像相干斑模型和形態(tài)成分分析方法,建立了用于本文的極化SAR圖像相干斑模型和極化SAR圖像稀疏分解模型。
 ?。?)分析了已有的相干斑抑制方法,在此基礎(chǔ)上,首次將形態(tài)成分分析的方法應(yīng)用到極化SAR圖像相干斑抑制中,提出了兩種基于形態(tài)成分分析的極化SAR圖像相干斑抑制方法:1)基于形態(tài)成分分析和極化白化濾波(MCAPWF)的極化SAR圖像相干斑抑制;2)基于形態(tài)成分分析的Curv

4、elet變換和最優(yōu)加權(quán)濾波相結(jié)合(MCACOWF)的極化SAR圖像相干斑抑制。采用基于形態(tài)成分分析方法的混合相干斑抑制方法,提高了極化信息的利用率,增強(qiáng)了細(xì)節(jié)信息保持能力。最后設(shè)計(jì)了兩組極化SAR圖像相干斑抑制實(shí)驗(yàn),結(jié)果表明所提出的基于MCAPWF相干斑抑制方法和基于MCACOWF相干斑抑制方法取得了較傳統(tǒng)的相干斑抑制方法更好的相干斑抑制效果,同時(shí)能夠更好的保持圖像的紋理等細(xì)節(jié)信息。
 ?。?)在原始BP神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上,引入

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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論