發(fā)布時間：2020-03-28 15:51

【摘要】：隨著高分辨率極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,PolSAR)衛(wèi)星的陸續(xù)投入使用,PolSAR技術逐漸成為了遙感領域的研究熱點之一。尤其是高分三號的發(fā)射升空,更是彌補了我國在高分雷達領域的空白。而PolSAR地物分類作為SAR圖像解譯的一項重要技術,在軍事、農(nóng)業(yè)、林業(yè)、環(huán)境保護、水文監(jiān)測、城市規(guī)劃以及地質(zhì)勘探等方面具有重大的研究和應用價值�；趥鹘y(tǒng)圖像分類方法的PolSAR地物分類算法通常依賴于特定特征的選取,算法過程通常會依靠嚴密的數(shù)學計算,因此關于分類閾值等參數(shù)的確定需要一定的先驗知識。與此同時,傳統(tǒng)分類方法通常以像素為基本單位,易受到相干斑噪聲的影響;而深度學習方法既可以從原始數(shù)據(jù)中抽象出更高維的特征又能充分利用二維空間信息。本論文主要開展了PolSAR地物分類方法的研究。主要研究內(nèi)容和創(chuàng)新如下:1.探索了一種結合多尺度分割和徑向基神經(jīng)網(wǎng)絡的PolSAR地物分類方法。研究了徑向基神經(jīng)網(wǎng)絡在PolSAR地物分類領域的應用,為消除SAR圖像本身固有的相干斑特性和真實地物類型具有的不規(guī)則邊界情況,探索了基于徑向基神經(jīng)網(wǎng)絡的像素級分類結合分割對象的PolSAR地物分類方法。該方法有效減少了破碎孤立點的產(chǎn)生并有效提高了分類精度。2.提出了一種基于多尺度GoogLeNet卷積神經(jīng)網(wǎng)絡的PolSAR地物分類方法�？紤]到基于像素級的分類過程并未顧及到SAR圖像的二維空間信息和紋理特征等問題,分析了不同地物類型在真實地表覆蓋中的不同規(guī)模,引入了多尺度卷積神經(jīng)網(wǎng)絡模型進行地物分類。該方法同時考慮了真實地物邊界和極化SAR圖像的二維空間信息,有效提升了分類結果的完整性和分類精度。3.為避免多尺度分割帶來的區(qū)域局部分類精度不一致,采用超像素分割方法構建樣本集并對AlexNet卷積神經(jīng)網(wǎng)絡進行訓練,利用訓練好的網(wǎng)絡模型對實驗區(qū)域進行分類驗證。該方法以超像素分割對象為樣本,并為適應小尺度樣本選用網(wǎng)絡結構稍淺的AlexNet卷積神經(jīng)網(wǎng)絡,提高了分類精度、簡化了分類流程且增加了普適性。
【圖文】：

H平面圖

DBN結構
【學位授予單位】：中國測繪科學研究院
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：P237

【參考文獻】

相關期刊論文 前6條

1 李建飛;;極化SAR圖像分類方法研究綜述[J];科學技術創(chuàng)新;2017年19期

2 汪成;陳文兵;;基于SLIC超像素分割顯著區(qū)域檢測方法的研究[J];南京郵電大學學報(自然科學版);2016年01期

3 余潔;劉振宇;燕琴;朱騰;;多尺度下的半自動面向對象SAR影像分類[J];武漢大學學報(信息科學版);2013年03期

4 何楚;劉明;馮倩;鄧新萍;;基于多尺度壓縮感知金字塔的極化干涉SAR圖像分類[J];自動化學報;2011年07期

5 楊然;李坤;涂志剛;陳榮元;秦前清;;基于Yamaguchi分解模型的全極化SAR圖像分類[J];計算機工程與應用;2009年36期

6 張海劍;楊文;鄒同元;孫洪;;基于四分量散射模型的多極化SAR圖像分類[J];武漢大學學報(信息科學版);2009年01期

相關博士學位論文 前2條

1 馬曉瑞;基于深度學習的高光譜影像分類方法研究[D];大連理工大學;2017年

2 周曉光;極化SAR圖像分類方法研究[D];國防科學技術大學;2008年

相關碩士學位論文 前2條

1 郭巖河;基于深度學習的極化SAR分類研究[D];西安電子科技大學;2015年

2 畢劍;基于超像素和圖割理論的自動圖像分割方法研究[D];華中師范大學;2014年

，

本文編號：2604624