导读:本文包含了极化分类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:特征,分解,向量,张量,卷积,孔径,多孔。
极化分类论文文献综述
王云艳,罗冷坤,周志刚[1]（2019）在《改进型DeepLab的极化SAR果园分类》一文中研究指出目的针对农作物种植趋向集中化、机械化和庄园化的现状,高分辨率遥感影像精准识别技术已广泛应用于农作物分类。研究表明,采用先进的深度学习算法挖掘高分辨率农作物影像信息,有利于高效地分析农作物长势和参量预测,为此,提出一种改进型深度神经网络(Deep Lab)的高分辨率果园遥感图像分割算法。方法首先提取原始数据的极化特征和基于相干/非相干分解的特征组成高维特征空间,然后选用流行学习降维方式获得最优3通道特征向量构成伪彩图,利用深度可分离网络(xception)、空洞卷积网络(atrous convolution)、多孔空间金字塔(ASPP)和上采样(upsample)搭建Deep Lab的编码解码过程(encoder-decoder),最后将伪彩训练集和标签导入搭建的Deep Lab进行训练并保存模型,利用模型对目标数据进行有效分类。结果利用本算法对中国海南某地的Ⅰ期芒果、Ⅱ期芒果、Ⅲ期芒果、槟榔、龙眼5类水果进行分类,针对不同时期的同一种水果分类错误率下降了8%左右,相比传统的果园分类算法,本算法的kappa系数提高了约0. 1,总体分类精度(OA)也有一定程度的提高。结论本算法在保证不同类别水果分类准确率的基础上,提高了不同时期的同一类水果的分类准确率,在一定程度上提高了农作物长势分析的准确性,保证了高分辨率果园数据分析的可靠性。(本文来源于《中国图象图形学报》期刊2019年11期）
廖露,黄青伦,周兴霞[2]（2019）在《一种基于改进极化散射矩阵和H/α-Wishart分类器的极化SAR影像分类方法》一文中研究指出本文提出一种基于改进极化散射矩阵和H/α-Wishart分类器的极化SAR影像分类方法。采用Quegan算法求解极化畸变参数矩阵并改进极化散射矩阵。利用该矩阵构建更为准确的H/α二维平面。通过H/α-Wishart分类器对极化SAR影像进行分类。在合并分类后,通过与调绘成果进行对比,表明改进方法的有效性。(本文来源于《电脑知识与技术》期刊2019年30期）
汪永红,张然,胡群涛[3]（2019）在《基于紧致极化SAR图像分类能力探索研究》一文中研究指出紧致极化SAR作为一种新型的雷达传感器,其极化信息丰富、刈幅宽度大等优势,在未来SAR卫星地表属性定性、定量反演领域具有很大前景,因而开展关于紧致极化SAR图像分类能力预研工作十分必要。针对目前尚未有紧致极化SAR数据公布的问题,开展了紧致极化SAR重构工作,利用多景RADARSAT-2全极化SAR影像反向重构了紧致极化数据。为了进一步评价紧致极化SAR图像分类能力,同样利用Nord算法得到了重建后的伪全极化数据(以π/4模式为例),并比较了紧致极化伪全极化和全极化数据在HH/HV/VV极化通道的重建效果。结果发现:共极化具有较高的重建精度,其相关度、均方根差、偏差和散射系数分别为0.75,4.16,-0.58,-0.23(HH极化);0.75,4.37,-0.54,-0.21(VV极化)。交叉极化重建精度交叉,其相关度、均方根差、偏差和散射系数分别为0.16,8.20,3.07,-0.05。此外,进一步分析了交叉极化重建精度对Freeman分解体散射分量的影响,比较了不同地物类型在重建过程中的体散射分量精度差异。最后,进一步评估了基于紧致极化SAR伪全极化图像的Freeman-Wishart分类结果,其Kappa系数和平均分类精度为0.7285和86.6%,由此可知,基于紧致极化SAR影像分类精度较为满意。(本文来源于《自动化与仪器仪表》期刊2019年09期）
陈媛媛,郑加柱,魏浩翰,张荣春,欧翔[4]（2019）在《基于不同特征的随机森林极化SAR图像分类》一文中研究指出近些年,利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据,利用不同的特征提取算法提取特征,并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数,采用灰度共生矩阵提取纹理特征参数;然后将提取的所有特征进行不同的组合,构成不同的特征集;最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差;利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果;综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果,总体精度和Kappa系数可以达到94.44%和0.9305,表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.(本文来源于《计算机系统应用》期刊2019年08期）
张腊梅,张思雨,董洪伟,朱厦[5]（2019）在《基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类》一文中研究指出考虑到极化合成孔径雷达(PolSAR)图像标注信息量低以及相干斑噪声难以消除的问题,该文从鲁棒统计学习的角度提出了一种基于Pin-SVM的极化SAR图像鲁棒分类方法,根据极化SAR图像的散射特性和地物的纹理特性,通过求解两类样本之间的最大分位数距离来确定分类超平面,在无需迭代的前提下得到更加鲁棒的分类结果。相比传统的基于最大间隔的极化SAR图像分类算法,该文所提算法一方面在对极化SAR图像提取到的特征中包含的噪声具有更好的鲁棒性,另一方面对于训练样本的抽样范围不敏感,即重采样具有更好的鲁棒性。利用EMISAR的Foulum地区极化SAR数据进行了算法验证,多种情况的对比实验的结果验证了该算法的有效性。(本文来源于《雷达学报》期刊2019年04期）
黄鹏艳,范永良[6]（2019）在《一种结合纹理特征的极化SAR图像分类方法》一文中研究指出为充分提取极化SAR图像中的信息来提高极化SAR图像分类精度,首先通过极化目标分解得到多个参数组成极化分解特征向量,然后提取纹理特征值得到纹理特征向量,最后将纹理特征向量与极化特征向量组合成新的特征向量,利用支持向量机SVM方法进行分类。对Radar Sat-2的Pol SAR数据进行分类实验,并对分类结果进行定性和定量比较分析。实验结果表明纹理特征与极化特征结合用于极化SAR图像分类可以提高分类精度。(本文来源于《山西建筑》期刊2019年14期）
张向荣,于心源,唐旭,侯彪,焦李成[7]（2019）在《基于马尔科夫判别谱聚类的极化SAR图像分类方法》一文中研究指出该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。(本文来源于《雷达学报》期刊2019年04期）
徐乔,张霄,余绍淮,陈启浩,刘修国[8]（2019）在《综合多特征的极化SAR图像随机森林分类算法》一文中研究指出为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。(本文来源于《遥感学报》期刊2019年04期）
邹焕新,李美霖,马倩,孙嘉赤,曹旭[9]（2019）在《一种基于张量积扩散的非监督极化SAR图像地物分类方法》一文中研究指出针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题,该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索,目前研究表明,其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离,因此能够更好地挖掘数据点之间内在的相似度信息。首先,将极化SAR图像进行分割,生成许多超像素;其次,基于超像素提取7种特征并生成一个特征向量,进而利用高斯核构建相似度矩阵;再次,基于已构建的相似度矩阵,利用张量积扩散沿着数据点的内在流形结构进行相似度的传播,实现全局的相似性度量,从而获得一个具有更强判别能力的相似度矩阵;最后,基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验,并与4种经典算法进行对比,结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。(本文来源于《雷达学报》期刊2019年04期）
朱腾,胡兆勇,吴悦明,陈和恩[10]（2019）在《极化SAR图像Pauli-Wishart非监督分类算法》一文中研究指出针对全极化SAR影像经典非监督分类方法中H/α初始划分适应性有限及武断僵硬的问题,结合极化总功率提出一种结合Pauli分解与Wishart距离的极化SAR影像非监督分类方法。利用极化总功率Span对数据进行基于散射强度的初始划分;结合初分类结果与Pauli分解得到的HH,HV,VV 3个波段进行迭代分类;基于Wishart距离进行聚类得到分类结果。实验采用NASA-JPL实验室的2组L波段全极化SAR数据验证了基于Pauli基迭代改进分类方法的有效性,分类结果与传统的H/α-Wishart分类方法对比,分类精度和合理性都有提高。(本文来源于《传感器与微系统》期刊2019年07期）
极化分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文提出一种基于改进极化散射矩阵和H/α-Wishart分类器的极化SAR影像分类方法。采用Quegan算法求解极化畸变参数矩阵并改进极化散射矩阵。利用该矩阵构建更为准确的H/α二维平面。通过H/α-Wishart分类器对极化SAR影像进行分类。在合并分类后,通过与调绘成果进行对比,表明改进方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
极化分类论文参考文献
[1].王云艳,罗冷坤,周志刚.改进型DeepLab的极化SAR果园分类[J].中国图象图形学报.2019
[2].廖露,黄青伦,周兴霞.一种基于改进极化散射矩阵和H/α-Wishart分类器的极化SAR影像分类方法[J].电脑知识与技术.2019
[3].汪永红,张然,胡群涛.基于紧致极化SAR图像分类能力探索研究[J].自动化与仪器仪表.2019
[4].陈媛媛,郑加柱,魏浩翰,张荣春,欧翔.基于不同特征的随机森林极化SAR图像分类[J].计算机系统应用.2019
[5].张腊梅,张思雨,董洪伟,朱厦.基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类[J].雷达学报.2019
[6].黄鹏艳,范永良.一种结合纹理特征的极化SAR图像分类方法[J].山西建筑.2019
[7].张向荣,于心源,唐旭,侯彪,焦李成.基于马尔科夫判别谱聚类的极化SAR图像分类方法[J].雷达学报.2019
[8].徐乔,张霄,余绍淮,陈启浩,刘修国.综合多特征的极化SAR图像随机森林分类算法[J].遥感学报.2019
[9].邹焕新,李美霖,马倩,孙嘉赤,曹旭.一种基于张量积扩散的非监督极化SAR图像地物分类方法[J].雷达学报.2019
[10].朱腾,胡兆勇,吴悦明,陈和恩.极化SAR图像Pauli-Wishart非监督分类算法[J].传感器与微系统.2019
论文知识图
