10.3969/j.issn.1671-3168.2018.03.001
基于非负特征值分解和SVM的极化SAR图像分类
非负特征值约束的优势在于它可以判定一个极化矩阵能否对目标的散射机制进行表征.若一个矩阵不能满足非负特征值约束条件,则不能表征目标的散射机制,也就没有地物目标散射的极化信息.在非负特征值约束理论之前的极化分解中忽略了这个条件,导致分解的极化特征没有意义.根据满足非负特征值约束的非负特征值分解方法,提取出平面散射、偶次散射、体散射分量,结合支持向量机分类器,提出了一种SAR图像分类方法,并以AIRSAR_SanFrancisco数据进行分类实验,且将分类结果与H/A/α-Wishart分类结果进行对比分析.结果表明,基于非负特征值分解和支持向量机分类器结合的分类方法可行有效,且具有很好的分类精度.
合成孔径雷达(SAR)、非负特征值分解、支持向量机(SVM)、遥感图像分类、分类精度
43
S771.8;TP391(森林工程、林业机械)
国家自然科学基金31260156;云南省林学一流学科建设经费资助51600625
2018-08-15(万方平台首次上网日期,不代表论文的发表时间)
共6页
1-6