首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  免费   2篇
无线电   4篇
  2020年   1篇
  2016年   2篇
  2012年   1篇
排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
极化定标是多极化合成孔径雷达(PolSAR)系统获取真实目标极化散射矩阵的必要步骤。文中针对极化定标过程中存在的极化隔离度距离向空变特性,采用基于无源角反射器的极化定标算法作为仿真工具,对PolSAR系统极化隔离度绝对值及其空变范围对图像中极化隔离度的影响规律进行了分析。分析结果表明:当用于极化修正的极化误差矩阵与PolSAR系统自身极化隔离度不匹配时,极化修正将会使得修正后的图像极化隔离度变差。因此,在进行极化定标时,应当尽可能在定标场沿距离向布设一定间距的多组定标器,从而获取PolSAR系统在整个距离向成像带宽内的极化隔离度拟合曲线,在进行极化修正时对图像中距离向不同的像素点采用曲线中对应位置的极化误差矩阵进行修正,进而得到尽可能接近目标真实极化散射矩阵的估计值。  相似文献   
2.
该文提出一种利用贝叶斯信息准则自动确定聚类类别数的极化干涉SAR非监督分类算法。该方法首先利用Shannon熵特征对极化干涉SAR图像进行初始分类,然后利用期望最大化(Expectation-Maximization, EM)算法和标号代价(LabelCost)优化算法对分类结果进行迭代优化,同时通过贝叶斯信息准则(Bayesian Information Criterion, BIC)自动确定非监督分类的最佳类别数。实验结果表明该算法能够较准确地确定分类类别数,并具有较为满意的分类效果。  相似文献   
3.
非监督分类是极化SAR图像解译的重要手段,但其分类结果易受到高维特征的影响。针对此问题,本文提出一种结合特征选择和大尺度谱聚类的极化SAR图像非监督分类方法。该方法首先深入分析并提取了极化SAR图像分类中常用的特征参数,包括基于测量数据及其简单线性变换的特征和极化目标分解的特征。然后通过聚类森林特征选择算法进行特征降维处理,去除冗余信息。最后利用过分割产生代表点并构建原始数据与代表点间的二分图,通过大尺度谱聚类算法完成图像的非监督分类。实验结果表明,该方法能够选取有效的特征组合,并得到较为满意的分类效果。   相似文献   
4.
该文提出了一种利用多特征融合和集成学习的极化SAR图像监督分类算法。该算法首先提取极化SAR图像的多重特征,包括EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及扩展四分量分解特征。为保证集成学习中基本分类器的差异性与准确性,算法从5组特征集中每次随机选取两组不同的特征进行串联融合,作为SVM分类器的输入。最后,利用随机森林学习算法将所有基本分类器的预测概率集成输出最终分类结果。像素级和区域级的分类实验表明了该文算法的有效性。   相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号