針對經(jīng)典全卷積網(wǎng)絡（fully convolution network,FCN）分類精度低、效果差,以及傳統(tǒng)的極化合成孔徑雷達（PolSAR）土地覆蓋分類方法未充分考慮地物散射特性的問題,提出了一種結(jié)合改進FCN和條件隨機場（conditional random field,CRF）的全極化SAR土地覆蓋分類算法。首先,利用Freeman分解和Pauli分解建模全極化SAR影像,同時提取各分解對應的散射特征,參考Freeman分解散射功率獲取其主散射分量對應的主散射地物;同時,借鑒在圖像分類領域中具有卓越表現(xiàn)的FCN-Vgg19-8s網(wǎng)絡,考慮其高層卷積參數(shù)量大和低層卷積模型參數(shù)優(yōu)化程度不足,通過在高層和中層分別構建多尺度卷積組和代價函數(shù)設計了FCN-MD-8s網(wǎng)絡,保證對整體模型參數(shù)進行降維和優(yōu)化;以Freeman分解散射機理特征為基準,采用級連式遷移學習結(jié)構,實現(xiàn)FCN-MD-8s網(wǎng)絡的模型訓練和測試;然后,根據(jù)主散射分量所對應的主散射地物,在各分量預測圖中提取出主特征地物,得到分量地物分類結(jié)果,并將其進行疊加得到全局粗分類;最后,利用全連接CRF結(jié)合Pauli相干分解重建假彩色圖... 

【文章來源】：測繪學報. 2020,49(01)北大核心

【文章頁數(shù)】：14 頁

【部分圖文】：

圖5 分解結(jié)果

圖6 分解結(jié)果

FCN-MD-8s網(wǎng)絡共41層,包括32個卷積層、5個池化層、3個轉(zhuǎn)置卷積層和1個Softmax分類器層,如圖1所示。其中,池化層將32個卷積層隔斷為6個卷積組,從左至右每個卷積組包含卷積層數(shù)分別為2、2、4、4、4和16。前5個卷積組卷積層的卷積核大小為3×3像素,且組內(nèi)卷積核數(shù)目相同,并逐組遞增,分別為64、128、256、512和512。在第5個池化層后添加中層代價函數(shù),以優(yōu)化中低層網(wǎng)絡參數(shù)。第6個卷積組為多尺度卷積組,由多尺度卷積核構成。轉(zhuǎn)置卷積層由轉(zhuǎn)置卷積和跳躍結(jié)構實現(xiàn),將多尺度卷積組通道連接特征圖通過2倍轉(zhuǎn)置卷積與第4個池化層特征結(jié)合得到第1次融合結(jié)果,對該融合結(jié)果再進行2倍轉(zhuǎn)置卷積與第3個池化層特征結(jié)合得到第2次融合結(jié)果,最后對第2次融合結(jié)果通過8倍轉(zhuǎn)置卷積并經(jīng)Softmax分類器恢復到與輸入圖像相同大小的特征圖,實現(xiàn)對原始輸入圖像端到端像素級預測分類。圖1中虛線框內(nèi)的結(jié)構為多尺度卷積組,A1表示融合操作,A2表示卷積層和激勵層;A3表示池化層,A4表示將通道聯(lián)合后的特征,A5表示第1次融合結(jié)果,A6表示第2次融合結(jié)果。

【參考文獻】：
期刊論文
[1]利用目標分解特征的全極化SAR海冰分類[J]. 趙泉華,郭世波,李曉麗,李玉.  測繪學報. 2018(12)
[2]基于卷積神經(jīng)網(wǎng)絡與遷移學習的油茶病害圖像識別[J]. 龍滿生,歐陽春娟,劉歡,付青.  農(nóng)業(yè)工程學報. 2018(18)
[3]基于HJ衛(wèi)星數(shù)據(jù)與面向?qū)ο蠓诸惖耐恋乩?覆蓋信息提取[J]. 朱永森,曾永年,張猛.  農(nóng)業(yè)工程學報. 2017(14)

碩士論文
[1]基于譜圖分割的極化SAR影像面向?qū)ο蠓诸惙椒ㄑ芯縖D]. 趙磊.中國林業(yè)科學研究院 2014



本文編號：2962257