●章緒論1
1.1合成孔徑雷達（SAR）概述1
1.2極化SAR影像分類研究動態2
1.3極化SAR影像分割研究動態5
1.4本書內容和組織結構8
1.4.1主要內容8
1.4.2組織結構9
第2章極化SAR基本理論11
2.1極化電磁波的表征11
2.1.1極化橢圓12
2.1.2Jones矢量13
2.1.3Stokes矢量14
2.2極化SAR數據的矩陣描述15
2.2.1極化散射矩陣15
2.2.2協方差矩陣與相干矩陣16
2.2.3Mueller矩陣18
2.2.4Stokes矩陣19
2.3極化合成20
2.4極化SAR數據的統計特性21
2.4.1單極化SAR數據統計特性22
2.4.2全極化SAR數據統計特性25
2.5極化目標分解27
2.5.1基本散射機制28
2.5.2Pauli分解33
2.5.3Cloude-Pottier分解35
2.5.4Freeman-Durden三分量分解38
2.6本章小結40
第3章極化SAR影像超像素分割41
3.1常用的超像素分割方法42
3.1.1Ncut分割42
3.1.2GBMS分割46
3.2PolSLIC超像素分割50
3.2.1SLIC算法51
3.2.2PolSLIC算法53
3.3實驗數據及其預處理59
3.4分割效果評價61
3.4.1與原始SLIC算法的比較61
3.4.2與Ncut和GBMS算法的比較64
3.5實驗結論67
3.6本章小結68
第4章面向對像的極化SAR影像分類69
4.1常用的極化SAR分類器70
4.1.1Wishart優選似然分類器70
4.1.2隨機森林71
4.2集成學習基本思想73
4.2.1Bagging方法73
4.2.2Boosting方法74
4.3極化SARRBM-AdaBoost分類算法76
4.3.1受限玻爾茲曼機76
4.3.2自適應提升框架78
4.3.3RBM-AdaBoost算法79
4.4實驗數據及其預處理80
4.5實驗結果分析82
4.5.1評價指標82
4.5.2RBM分類效果分析82
4.5.3與其他方法的比較86
4.6實驗結論89
4.7本章小結90
參考文獻91
縮寫索引102
內容簡介
本書以提高全極化SAR影像處理速度及解譯精度為目標，對極化雷達基礎理論及現有的極化SAR分割、分類方法進行了繫統的研究，主要參考了光學圖像分割中很好很好的數學算法，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影像的準確、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影像的準確、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速度及分割效果和分類精度方面有明顯的優勢。
