1.2 SAR 图像分类研究现状

依据模式识别方法对 SAR 图像分类：可分为有监督和无监督。对于有监督 分类，需要有类别标签训练样本的先验知识，主要是通过采集训练样本，我们可 以在不同类型的表面特征的进行描述，然后处理剩余的未标记或通过 SAR 获得 新的图像数据[2]。无监督分类，我们需要后表面特征的散射特性的先验知识来描 述。举个例子，将已经掌握的不同类型的表面特征结合到散射特定参数的 SAR 图像特征，来确定具体的 SAR 图像的特征分布。同时，可以在生长季节使用不 同的作物，以确定散射特性作物类型的差异。用于通过分析所述散射特性的典型 散射的典型特征或创建数据模型偏振数据，来可以实现无监督 SAR 图像分类[3]。来.自>优:尔论`文/网www.youerw.com

在无监督分类方法中 ISODATA、K 均值分类方法的缺点是：地物分类混乱、 分类精度低。所以不适合在是实际操作中应用。根据统计分析的传统方法，一般 分为：最大似然、最小距离、马氏距离、平行六面体法这四种[3]，适用于分辨率 为 20 米左右，四个波段及以上的多光谱图像[4]。神经网络方法基于人工智能，

适用于超过 10 米分辨率的多光谱图像。支持向量机方法适用于 1-20 米分辨率的 多光谱图像，这种方法是是依据模式识别的方法来分类。

1.3 本论文的主要研究内容

本文主要是在基于国内外对 SAR 数据研究的背景下，选用了合成孔径雷达 COSMO-Skymed 数据在黑河流域运用了 ISODATA，最大似然，支持向量机，决 策树等多种分类方法对地表地物进行了分类研究。