基于krogager分解和svm的极化sar图像分类

目标分解包括基于sinclair矩阵的相干目标分解和基于mueller矩阵的部分相干目标分解,krogager分解即属于相干目标分解,它可以将任一对称sinclair矩阵分解为球散射体、二面角散射体和螺旋体3个分量,这是极化合成孔径雷达(syntheticapertureradar,sar)图像特征提取的有效途径。把3个分量的分解系数作为极化散射特征,由其组成样本向量,运用基于统计学习理论的支持向量机(supportvectormachines,svm)设计多类分类器,提出了一种极化sar图像分类算法,并对实测极化sar数据进行分类实验。结果表明,将krogager分解和svm分类器结合起来,对极化sar图像进行分类是可行和有效的,并且选择不同的参数得到的分类结果差别很大,验证了参数选择在svm分类器中的重要作用。