全極化合成孔徑(PolSAR)雷達兼具微波波段主動遙感方式和多極化合成獲取地物信息的優(yōu)勢,數(shù)據(jù)獲取過程中能不依賴太陽光源,可全天候獲取影像數(shù)據(jù),多極化合成的方式使得PolSAR影像可以表達更為細節(jié)的地物信息,具有比傳統(tǒng)光學影像更為精確的地物表達和監(jiān)測能力。PolSAR影像分類作為PolSAR數(shù)據(jù)最為基礎的應用之一,對PolSAR數(shù)據(jù)的研究和后續(xù)應用都具有重要意義。傳統(tǒng)的PolSAR影像分類方法主要是基于特征矢量或單一目標分解方法,影像分類中使用的特征維數(shù)較少,不能充分利用PolSAR影像豐富的特征信息,PolSAR數(shù)據(jù)固有的相干斑噪聲也對分類結果造成了很大影響。隨著深度學習的發(fā)展,大量優(yōu)秀的深度學習模型被用于影像分類中,如DBN,AlexNet和ResNet等,其基于特征學習的分類方法使得模型能學習到圖像更為本質的特征,并根據(jù)輸入數(shù)據(jù)自行調整模型參數(shù),已在光學和SAR影像分類研究中取得了比傳統(tǒng)分類算法更為精準的結果。基于深度學習模型的PolSAR影像分類方法,能充分利用PolSAR數(shù)據(jù)豐富的極化散射特征,使多維的地物特征信息參與影像分類過程,有利于提高PolSAR數(shù)據(jù)的特征利用率。然而...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 極化SAR影像分類研究現(xiàn)狀
        1.2.2 基于深度學習的SAR影像分類研究現(xiàn)狀
    1.3 論文研究內容與組織結構
第2章 極化SAR基本原理與ResNet模型概述
    2.1 極化SAR機理分析
        2.1.1. 電磁波的極化表征
        2.1.2. 極化散射矩陣
    2.2 ResNet模型概述
        2.2.1 引言
        2.2.2 ResNet模型構建
        2.2.3 ResNet模型應用
    2.3 TensorFlow深度學習框架
        2.3.1 環(huán)境搭建
        2.3.2 計算圖模型
    2.4 本章小結
第3章 極化SAR影像目標分解與特征選取
    3.1 PolSAR影像目標分解
        3.1.1 基于Kennaugh矩陣的目標分解
        3.1.2 基于特征矢量的目標分解
        3.1.3 基于散射模型的目標分解
        3.1.4 相干目標分解
    3.2 不同雷達植被指數(shù)對比
        3.2.1 實驗數(shù)據(jù)介紹
        3.2.2 RVI計算
        3.2.3 不同RVI對比
    3.3 分類特征集優(yōu)化
    3.4 本章小結
第4章 基于ResNet模型的全極化SAR影像分類
    4.1 引言
    4.2 基于ResNet模型的PolSAR影像分類應用
        4.2.1 實驗數(shù)據(jù)介紹與預處理
        4.2.3 基于像素的ResNet模型PolSAR數(shù)據(jù)分類
    4.3 實驗結果與分析
    4.4 本章小結
第5章 基于超像素與ResNet模型的全極化SAR影像分類
    5.1 SLIC算法簡介
    5.2 基于SLIC分割與ResNet模型的全極化SAR影像分類
    5.3 實驗結果與分析
    5.4 本章小結
第6章 論文總結與展望
    6.1 工作總結
    6.2 展望
參考文獻
致謝



本文編號：3872299