极化SAR影像超像素分割和面向对象分类方法

　　本书以提高全极化SAR影像处理速度及解译精度为目标，对极化雷达基础理论及现有的极化SAR分割、分类方法进行了系统的研究，主要参考了光学图像分割中非常优秀的数学算法，结合目前极化SAR影像分割算法细节信息保持效果差、分割速度慢等研究现状，提出了新的极化SAR影像分割算法，实现了极化SAR影像的精确、快速分割；在此基础上，结合基于深度学习的多分类器集成算法和超像素分割及监督分类器，实现了极化SAR影像的精确、快速分类。通过两组机载L波段数据进行实验，证明了所提出的算法在处理速度及分割效果和分类精度方面有明显的优势。

暂缺《极化SAR影像超像素分割和面向对象分类方法》作者简介

目录
第1章 绪论 1
1.1 合成孔径雷达（SAR）概述 1
1.2 极化SAR影像分类研究动态 2
1.3 极化SAR影像分割研究动态 5
1.4 本书内容和组织结构 8
1.4.1 主要内容 8
1.4.2 组织结构 9
第2章 极化SAR基本理论 11
2.1 极化电磁波的表征 11
2.1.1 极化椭圆 12
2.1.2 Jones矢量 13
2.1.3 Stokes矢量 14
2.2 极化SAR数据的矩阵描述 15
2.2.1 极化散射矩阵 15
2.2.2 协方差矩阵与相干矩阵 16
2.2.3 Mueller矩阵 18
2.2.4 Stokes矩阵 19
2.3 极化合成 20
2.4 极化SAR数据的统计特性 21
2.4.1 单极化SAR数据统计特性 22
2.4.2 全极化SAR数据统计特性 25
2.5 极化目标分解 27
2.5.1 基本散射机制 28
2.5.2 Pauli分解 33
2.5.3 Cloude-Pottier分解 35
2.5.4 Freeman-Durden三分量分解 38
2.6 本章小结 40
第3章 极化SAR影像超像素分割 41
3.1 常用的超像素分割方法 42
3.1.1 Ncut分割42
3.1.2 GBMS分割 46
3.2 PolSLIC超像素分割 50
3.2.1 SLIC算法 51
3.2.2 PolSLIC算法 53
3.3 实验数据及其预处理 59
3.4 分割效果评价 61
3.4.1 与原始SLIC算法的比较 61
3.4.2 与Ncut和GBMS算法的比较 64
3.5 实验结论 67
3.6 本章小结 68
第4章 面向对象的极化SAR影像分类 69
4.1 常用的极化SAR分类器 70
4.1.1 Wishart**似然分类器 70
4.1.2 随机森林 71
4.2 集成学习基本思想 73
4.2.1 Bagging方法 73
4.2.2 Boosting方法 74
4.3 极化SARRBM-AdaBoost分类算法 76
4.3.1 受限玻尔兹曼机 76
4.3.2 自适应提升框架 78
4.3.3 RBM-AdaBoost算法 79
4.4 实验数据及其预处理 80
4.5 实验结果分析 82
4.5.1 评价指标 82
4.5.2 RBM分类效果分析 82
4.5.3 与其他方法的比较 86
4.6 实验结论 89
4.7 本章小结 90
参考文献 91
缩写索引 102