【摘要】：在科技日益進(jìn)步的今天,各個(gè)行業(yè)對(duì)遙感影像技術(shù)的需求日益增加。極化合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)作為遙感影像技術(shù)中最受青睞的技術(shù),有很多優(yōu)勢(shì),如全天候、全天時(shí)、分辨率高、可側(cè)視成像等。極化SAR圖像富含豐富的極化信息,具有研究?jī)r(jià)值。極化SAR圖像地物分類(lèi)是研究極化SAR圖像的基本有效方式,而且也是極化SAR圖像應(yīng)用的重要組成部分。但是,傳統(tǒng)的極化SAR圖像地物分類(lèi)技術(shù)已經(jīng)不能滿(mǎn)足人們的需求。深度學(xué)習(xí)是近年來(lái)的研究熱點(diǎn),模擬人類(lèi)大腦皮層,具有強(qiáng)大的特征表示能力。本論文研究將深度學(xué)習(xí)中深度卷積生成式對(duì)抗網(wǎng)絡(luò)(Deep Convolutional Generative Adversarial Networks,DCGAN)模型應(yīng)用于極化SAR影像地物分類(lèi)領(lǐng)域以提高極化SAR圖像地物分類(lèi)精度及可靠性,從而促進(jìn)極化SAR圖像地物分類(lèi)的發(fā)展。本文主要研究?jī)?nèi)容如下:1.針對(duì)人工標(biāo)記數(shù)據(jù)困難的問(wèn)題提出了一種基于DCGAN的極化SAR圖像地物分類(lèi)方法。本方法利用大量無(wú)標(biāo)記樣本對(duì)DCGAN進(jìn)行無(wú)監(jiān)督訓(xùn)練。DCGAN能夠從大量無(wú)標(biāo)記數(shù)據(jù)樣本中學(xué)習(xí)出數(shù)據(jù)的分布特性,因此本方法在有標(biāo)記訓(xùn)練樣本較少的情況下仍可以達(dá)到很高的分類(lèi)精度。五組數(shù)據(jù)被用來(lái)進(jìn)行了實(shí)驗(yàn),然后分別用五種其他方法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果證明了本方法利用大量無(wú)標(biāo)記數(shù)據(jù)的信息,只用少量有標(biāo)記樣本能夠達(dá)到很高的分類(lèi)精度,而且得到了視覺(jué)效果很好的分類(lèi)結(jié)果圖。2.從多尺度分析著手,提出了一種基于Contourlet-DCGAN的極化SAR圖像地物分類(lèi)方法。該方法主要對(duì)DCGAN進(jìn)行改進(jìn),引入輪廓波(Contourlet)變換,提出了Contourlet-DCGAN模型。該模型不僅利用大量無(wú)標(biāo)記數(shù)據(jù)信息,而且添加Contourlet變換對(duì)極化SAR圖像進(jìn)行稀疏表示,提取了圖像的邊緣、紋理特征。最后,用不同分辨率和平臺(tái)的數(shù)據(jù)進(jìn)行了實(shí)驗(yàn),并對(duì)比了其他方法。實(shí)驗(yàn)結(jié)果證明了本方法提取了多尺度、多分辨特征,能提高分類(lèi)精度。3.針對(duì)網(wǎng)絡(luò)模型復(fù)雜的問(wèn)題,提出了一種基于Contourlet Depthwise-DCGAN的極化SAR圖像地物分類(lèi)方法。本方法主要根據(jù)深度可分卷積的思想提出了深度可分反卷積,然后將Contourlet-DCGAN模型中的標(biāo)準(zhǔn)卷積用深度可分卷積替換,而標(biāo)準(zhǔn)反卷積都用深度可分反卷積替換,構(gòu)成了Contourlet Depthwise-DCGAN模型。最后,用五組數(shù)據(jù)和不同的對(duì)比實(shí)驗(yàn)進(jìn)行了驗(yàn)證,實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法不僅減小了模型復(fù)雜度,避免了過(guò)擬合風(fēng)險(xiǎn),同時(shí)提高了特征表示能力,進(jìn)而提高了分類(lèi)精度。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TN957.52

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 王云艷;何楚;涂峰;陳東;廖明生;;特征選擇雙層SVM的融合算法用于極化SAR圖像分類(lèi)[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2015年09期

2 張中山;燕琴;余潔;李巖;;基于粒子群算法的全極化SAR圖像非監(jiān)督分類(lèi)算法研究[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2010年08期

3 王騰;徐向東;董云龍;張莉;蘇偉;;合成孔徑雷達(dá)的發(fā)展現(xiàn)狀和趨勢(shì)[J];艦船電子工程;2009年05期

4 曹芳;洪文;吳一戎;;基于Cloude-Pottier目標(biāo)分解和聚合的層次聚類(lèi)算法的全極化SAR數(shù)據(jù)的非監(jiān)督分類(lèi)算法研究[J];電子學(xué)報(bào);2008年03期

5 袁孝康;合成孔徑雷達(dá)的發(fā)展現(xiàn)狀與未來(lái)[J];上海航天;2002年05期

相關(guān)博士學(xué)位論文 前1條

1 陳軍;全極化SAR分類(lèi)若干關(guān)鍵技術(shù)研究[D];中國(guó)礦業(yè)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前6條

1 白雪瑩;基于深度RPCA網(wǎng)絡(luò)的極化SAR影像地物分類(lèi)[D];西安電子科技大學(xué);2015年

2 郭巖河;基于深度學(xué)習(xí)的極化SAR分類(lèi)研究[D];西安電子科技大學(xué);2015年

3 隋艷立;基于深度支持向量機(jī)的極化SAR圖像分類(lèi)[D];西安電子科技大學(xué);2014年

4 符丹鈺;基于深度神經(jīng)網(wǎng)絡(luò)與稀疏學(xué)習(xí)的極化SAR圖像分類(lèi)[D];西安電子科技大學(xué);2014年

5 李崇謙;基于K-wishart分布的極化SAR圖像分類(lèi)研究[D];西安電子科技大學(xué);2013年

6 吳婉瀾;基于子孔徑的極化SAR圖像目標(biāo)分類(lèi)算法研究[D];電子科技大學(xué);2009年

，

本文編號(hào)：2603151