深度學(xué)習(xí)方法在極化合成孔徑雷達（Polarimetric Synthetic Aperture Radar,PolSAR）圖像分類中有著非常重要的地位,其目的是通過大量的標記數(shù)據(jù)對模型進行訓(xùn)練,從而挖掘更豐富的圖像信息,實現(xiàn)對PolSAR圖像較為準確的分類。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)是在實數(shù)域完成圖像特征提取與分類任務(wù)的,由于其簡單且分類準確率高,因此在PolSAR圖像分類中已經(jīng)得到了廣泛應(yīng)用。然而,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)分類算法存在未考慮PolSAR數(shù)據(jù)的復(fù)數(shù)特性、相位信息、空間信息,以及標記樣本缺失與可信度低等問題,導(dǎo)致無法更為有效地提取PolSAR的數(shù)據(jù)信息,進而無法獲取較為理想的分類結(jié)果。針對上述問題,本文以復(fù)值神經(jīng)網(wǎng)絡(luò)（Complex-Valued Neural Network,CV-NN）為基礎(chǔ),考慮圖像的復(fù)數(shù)特性、相位與空間信息,并著重解決標記樣本存在的缺失與可信度低的問題,提出了三種基于CV-NN的PolSAR圖像分類算法。具體研究工作介紹如下:（1）通過引入PolSAR圖像的相位信息與復(fù)值信息,本文提出了復(fù)值Wishart堆棧自編碼網(wǎng)絡(luò)（Complex-Valued Wishart St... 

【文章來源】：西安郵電大學(xué)陜西省

【文章頁數(shù)】：105 頁

【學(xué)位級別】：碩士

【部分圖文】：

WAE網(wǎng)絡(luò)的框架圖

第3章基于CV-WSAE模型的PolSAR圖像分類方法25為了獲得圖像的分類結(jié)果，在CV-WSAE網(wǎng)絡(luò)模型的末端連接了一個分類器，以構(gòu)成一個分類模型，如圖3.2所示。PolSAR圖像分類可以通過將單個像素分類為特定地物類型來實現(xiàn)，因此，通過對33復(fù)數(shù)相干矩陣進行矢量化處理，輸入層是一個復(fù)值矢量，隱藏層是圖像的分類特征，輸出層是預(yù)測標簽，將其組織為一個獨熱編碼矢量，其中ON值為11*j，輸出向量的長度是類別數(shù)目。在RV-WAE分類模型中，利用Softmax分類器來預(yù)測不同類別中的概率分布，然后通過使用對數(shù)損失函數(shù)最小化來學(xué)習(xí)整個網(wǎng)絡(luò)模型[78]。在CV-WASE分類模型中，概率不能用作標簽預(yù)測的目標函數(shù)。因此，在CV-WSAE分類模型中采用了最小二乘損失函數(shù)。最后，總的損失函數(shù)由下述公式(3.17)給出：22112NiiiiiElylyN(3.17)其中，il是真實標簽，iy是第i個像素的預(yù)測標簽。通過優(yōu)化上式，以實現(xiàn)CV-WSAE分類模型的精調(diào)過程。圖3.2展示了CV-WSAE分類模型的框架圖。除了輸入層和輸出層之外，它還包含兩個隱藏層，一個來自CV-WAE網(wǎng)絡(luò)模型，另一個來自CV-AE網(wǎng)絡(luò)模型。輸入的尺寸大小為9，表示向量為33的復(fù)數(shù)相干矩陣iT。分類特征的尺寸大于輸入，輸出是每個像素的預(yù)測標簽。網(wǎng)絡(luò)訓(xùn)練結(jié)束后，可以使用CV-WSAE預(yù)測整個PolSAR地物數(shù)據(jù)中的每個標簽。圖3.2CV-WSAE分類模型的框架圖

第4章基于半監(jiān)督循環(huán)CV-CNN模型的PolSAR圖像分類方法31第4章基于半監(jiān)督循環(huán)CV-CNN模型的PolSAR圖像分類方法4.1引言第3章內(nèi)容考慮到Wishart統(tǒng)計分布特性，通過堆疊CV-SAE與CV-WAE網(wǎng)絡(luò)模型構(gòu)建了CV-WSAE分類模型，該模型已經(jīng)能夠充分證明復(fù)數(shù)域數(shù)據(jù)和Wishart統(tǒng)計分布對PolSAR圖像分類的重要性。然而，由于傳統(tǒng)分類模型的局限性，所提出的CV-WSAE分類模型也存在一些缺陷。首先，基于像素級的分類方法，沒有考慮圖像的空間信息；其次，該分類模型是基于監(jiān)督分類方法的模型，沒有考慮到PolSAR數(shù)據(jù)遭受缺失標簽樣本的問題；最后，CV-WSAE分類模型沒有考慮到網(wǎng)絡(luò)的過擬合問題。本章基于以上三個缺陷進行相應(yīng)的改進。首先，RV-CNN分類模型因其避免了復(fù)雜的圖像預(yù)處理，并且可以直接輸入原始圖像，因而在圖像分類領(lǐng)域中得到了非常廣泛的應(yīng)用。本章通過構(gòu)造CV-CNN分類模型以獲取更加豐富的地物信息，減少因缺失空間信息而導(dǎo)致的模型分類精度過低的問題。其次，為了在標簽樣本較少的情況下仍能取得較高的分類精度，結(jié)合半監(jiān)督學(xué)習(xí)方法和CV-CNN，本章提出了一種新穎的半監(jiān)督PolSAR圖像分類方法，即RCV-CNN分類模型。最后，四幅圖像的實驗結(jié)果證明，所提出的方法僅需要少量的標記樣本即可獲得良好的分類性能和空間一致性，且能夠有效降低網(wǎng)絡(luò)的過擬合現(xiàn)象。4.2RV-CNN網(wǎng)絡(luò)原理RV-CNN網(wǎng)絡(luò)模型由一個輸入層、一個輸出層和多個隱藏層組成，其中每個隱藏層由卷積層、池化層和全連接層所構(gòu)成[81,82]。RV-CNN框架可以看作是深度神經(jīng)網(wǎng)絡(luò)的一種變體，如圖4.1所示。在PolSAR圖像分類中，將3-D補丁圖像作為RV-CNN的輸入。圖4.1RV-CNN分類模型的框架

【參考文獻】：
博士論文
[1]極化SAR圖像人造目標特征提取與檢測方法研究[D]. 張臘梅.哈爾濱工業(yè)大學(xué) 2010

碩士論文
[1]基于子孔徑分解的極化SAR圖像分類方法研究[D]. 孫晨.首都師范大學(xué) 2014



本文編號：2952864