【摘要】：極化合成孔徑雷達(dá)(Pol SAR)作為合成孔徑雷達(dá)技術(shù)中一個重要的研究方向,在農(nóng)業(yè)生產(chǎn)、城市規(guī)劃、海冰監(jiān)測等眾多領(lǐng)域內(nèi)具有巨大的應(yīng)用價值。當(dāng)前國內(nèi)外學(xué)者提出了大量的有監(jiān)督的和無監(jiān)督的極化SAR圖像分類算法。然而這些分類方法中存在很多缺陷,例如很多算法都是單純地使用物理極化散射信息或者使用單一的模型進(jìn)行分類,這在一定程度上導(dǎo)致地物類別模糊;另外很多算法不能直接的從原始數(shù)據(jù)中提取特征,它們需要人工精心的設(shè)計各種模型或者是分解理論算法去提取特征,這十分費(fèi)時費(fèi)力,且計算比較復(fù)雜。此外大多數(shù)算法是以單個像素處理為目標(biāo)的,沒有考慮到相鄰像素的影響。近20年來,大量機(jī)器學(xué)習(xí)技術(shù)已的經(jīng)被引入到極化SAR圖像處理領(lǐng)域,而目前提出的深度學(xué)習(xí)理論引起了諸多學(xué)者的關(guān)注,其在語音識別、自然語言處理、自然圖像處理等領(lǐng)域獲得了巨大的成功。本論文將深度置信網(wǎng)技術(shù)和極化SAR數(shù)據(jù)的極化散射特性結(jié)合起來,對極化SAR圖像分類技術(shù)進(jìn)行了探討。本文在第三章首先提出了一種新的基于多特征融合和DBNs的極化SAR圖像分類方法。其主要思想是結(jié)合使用極化SAR圖像的散射特征(相干矩陣元素和H/?分解的參數(shù))和數(shù)字圖像特征(灰度共生矩陣的參數(shù))以及顏色直方圖特征去訓(xùn)練一個由多個無監(jiān)督模型(本文使用的是受限玻爾茲曼級,RBM)組成的DBNs模型,這有效的克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易收斂到局部最優(yōu),計算復(fù)雜等缺點(diǎn)。與基于神經(jīng)網(wǎng)絡(luò)和支撐向量機(jī)的算法相比,該算法在L波段舊金山灣極化數(shù)據(jù)取得了更好的分類視覺效果和更高的分類精度。接著在第四章中,介紹了一種基于特征自學(xué)習(xí)和DBNs的極化SAR分類方法。在該方法中,我們首先將極化SAR數(shù)據(jù)的相干矩陣轉(zhuǎn)化成一個9維的極化的SAR數(shù)據(jù);然后在每個維度面上隨機(jī)地抽取大量的patches(即以某個像素點(diǎn)為中心取的一個鄰域),并將這些patches拉成列向量去訓(xùn)練一個RBM,通過這個RBM我們可以獲取9維極化SAR數(shù)據(jù)每個維度面的結(jié)構(gòu)特征,這些特征充分考慮了相鄰像素間的鄰域關(guān)系。考慮到極化SAR數(shù)據(jù)的散射特性,我們將上述通過RBM學(xué)習(xí)到的特征和原始相干矩陣的元素組合在一起去訓(xùn)練一個DBNs網(wǎng)絡(luò),并將其用于極化SAR數(shù)據(jù)分類。本算法考慮到了像素點(diǎn)之間的空間相關(guān)性,很好的保留了邊緣的細(xì)節(jié)完整性,取得了較高的分類精度。最后,我們在真實(shí)的極化SAR數(shù)據(jù)上進(jìn)行了仿真實(shí)驗(yàn),本算法考慮到了像素點(diǎn)之間的空間相關(guān)性,,很好的保留了邊緣的細(xì)節(jié)完整性,取得了較高的分類精度。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TN957.52

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 李兵,洪文;合成孔徑雷達(dá)噪聲干擾研究[J];電子學(xué)報;2004年12期

2 周曉光;匡綱要;萬建偉;;極化SAR圖像分類綜述[J];信號處理;2008年05期

，

本文編號：2576614