極化SAR影像超像素分割和面向對象分類方法

內容簡介

本書以提高全極化SAR影姜市循承像處理速度及解譯精度為目捆灶估標，對極化雷達基礎理論及現有的極化SAR分割、分類方法進行了系統的研究，主要參考了光學圖像分割中非常優秀的數學算法，結合目前極化SAR影像分割算法細節信息保持效果差、分割速度慢等研究現狀，提出了新的極化SAR影像分割算法，實現了極化SAR影像的精確、快速分割；在此基礎上，結合基於深度學習的多分類器集成算法和超像素分割及監督分類器，實現了極化SAR影像的精確、快速分類。通過兩組機載L波段數據進行實驗，證明了所提出的算法在處理頁刪愉速度及分割效果和分類精度方面有明顯的優勢。

圖書目錄

第1章緒論

1.1 合成孔徑雷達（SAR）概述

1.2 極化SAR影像分類研究動態

1.3 極化SAR影像分割研究動態

1.4 本書內容和組織結構

1.4.1 主要內容

1.4.2 組織結構

第2章極化SAR基本理論

2.1 極化電磁波的表征

2.1.1 極化橢圓

2.1.2 Jones矢量

2.1.3 Stokes矢量

2.2 極化SAR數據的矩陣描述

2.2.1 極化散射矩陣

2.2.2 協方差矩陣與相干矩陣

2.2.3 Mueller矩陣

2.2.4 Stokes矩陣

2.3 極化合成

2.4 極化SAR數據的統計特性

2.4.1 單極化SAR數據統計特性

2.4.2 全極化組拳蒸連SAR數據統計特性

2.5 極化目標分解

2.5.1 基本散射機制

2.5.2 Pauli分解

2.5.3 Cloude-Pottier分解

2.5.4 Freeman-Durden三分量分解

2.6 本章小結

第3章極化采檔SAR影像超像素分割

3.1 常用的超像素分割方法

3.1.1 Ncut分割

3.1.2 GBMS分割

3.2 PolSLIC超像素分割

3.2.1 SLIC算法

3.2.2 PolSLIC算法

3.3 實驗數據及其預處理

3.4 分割效果評價

3.4.1 與原始SLIC算法的比較

3.4.2 與Ncut和GBMS算法的比較

3.5 實驗結論

3.6 本章小結

第4章面向對象的極化SAR影像分類

4.1 常厚芝己用的極化SAR分類器

4.1.1 Wishart最大似然分類器

4.1.2 隨機森林

4.2 集成學習基本思想

4.2.1 Bagging方法

4.2.2 Boosting方法

4.3 極化SARRBM-AdaBoost分類算法

4.3.1 受限玻爾茲曼機

4.3.2 自適應提升框架

4.3.3 RBM-AdaBoost算法體紋判

4.4 實驗數據及其預處理

4.5 實驗結果分析

4.5.1 評價指標

4.5.2 RBM分類效果分析

4.5.3 與其他方法的比較

4.6 實驗結論

4.7 本章小結

參考文獻

縮寫索引

極化SAR影像超像素分割和面向對象分類方法

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條