【摘要】：極化合成孔徑雷達(dá)已成為國內(nèi)外合成孔徑雷達(dá)發(fā)展過程中不可或缺的對(duì)象之一,而在SAR圖像解譯中,極化SAR影像地物分類作為至關(guān)重要的一個(gè)研究方向,它根據(jù)每一分辨單元所獲取的目標(biāo)極化信息來判定像素點(diǎn)所屬的類別。相比于淺層網(wǎng)絡(luò),深度網(wǎng)絡(luò)模型在復(fù)雜高變函數(shù)的表示、網(wǎng)絡(luò)計(jì)算復(fù)雜度及獲取有效信息上都有突出優(yōu)勢,故本文采用深度學(xué)習(xí)方法對(duì)極化SAR影像地物分類。論文主要包含以下方面:1、提出了一種基于深度殘差網(wǎng)的極化SAR影像地物分類方法。極化SAR影像地物分類作為圖像處理的關(guān)鍵步驟,需要確定影像中每一像素點(diǎn)的類別。有效的特征學(xué)習(xí)是解決分類任務(wù)的基礎(chǔ),因此為了學(xué)習(xí)更為豐富的特征,本文首先對(duì)極化SAR影像采用平移、旋轉(zhuǎn)等手段進(jìn)行數(shù)據(jù)擴(kuò)增,然后通過深度殘差網(wǎng)進(jìn)行分類。數(shù)據(jù)擴(kuò)增豐富了極化SAR影像的特征表現(xiàn)形式,為深度殘差網(wǎng)挖掘極化SAR影像更高層次的抽象特征準(zhǔn)備了充足的數(shù)據(jù)量。該方法利用深度殘差網(wǎng)絡(luò)構(gòu)建短路結(jié)構(gòu)獲得更高的非線性表示學(xué)習(xí)能力,有效學(xué)習(xí)了淺層和深層特征,選取極化SAR影像已標(biāo)記樣本的百分之五到百分之八作為訓(xùn)練樣本,采用有監(jiān)督的學(xué)習(xí),實(shí)現(xiàn)對(duì)極化SAR影像的地物分類,與當(dāng)下典型的卷積網(wǎng)絡(luò)模型進(jìn)行對(duì)比,該方法取得更好的分類結(jié)果。2、提出了一種基于深度曲線波-殘差網(wǎng)的極化SAR影像地物分類方法。極化SAR影像含有豐富的紋理邊緣特征,對(duì)其進(jìn)行Curvelet變換,通過閾值操作可以減少噪聲對(duì)分類過程的干擾,并提取得到方向、角度、空間等多尺度信息,確保深度殘差網(wǎng)完備提取其多尺度信息,該方法可以更好的識(shí)別圖像中的邊緣信息,與其他卷積網(wǎng)絡(luò)模型相比,提高了對(duì)極化SAR影像地物分類的準(zhǔn)確率。3、提出了一種基于深度擴(kuò)張卷積結(jié)合殘差網(wǎng)的極化SAR影像地物分類方法。本文采用特征結(jié)合的思路,將經(jīng)過Pauli分解和經(jīng)過Curvelet變換之后的極化SAR影像分別輸入到雙通道結(jié)合深度殘差網(wǎng)的不同通道中,一方面提取極化SAR影像的物理散射特性,另一方面,對(duì)于極化SAR影像的方向、角度、尺度等多尺度信息輸入到模型中,同時(shí)有效地抑制噪聲,并在本方法第一個(gè)殘差模塊中引入擴(kuò)張卷積操作,加大感受野,在不損失數(shù)據(jù)信息效果的同時(shí),保證每個(gè)卷積輸出都包含極化SAR影像較大范圍的信息,達(dá)到微觀操作中具有宏觀和全局的效果,減少了特征損失,與以上方法比較,進(jìn)一步優(yōu)化了對(duì)極化SAR影像地物分類的結(jié)果,提高了分類精度。
【圖文】：

然而卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，ＣＮＮ）對(duì)圖像塊保留了圖像逡逑的空間鄰域信息，，但是網(wǎng)絡(luò)加深會(huì)導(dǎo)致訓(xùn)練艱難�？蒲腥藛T對(duì)此設(shè)計(jì)了很多方法，克逡逑服深度ＣＮＮ訓(xùn)練的問題。其中，最為著名的是Ｋｒｉｚｈｅｖｓｋｙｅｔａｌ．提出的ＡｌｅｘＮｅｔ結(jié)構(gòu)，逡逑類似于ＬｃＮｃｔ－５，但層數(shù)更深，對(duì)于圖像的特征學(xué)習(xí)的更為完善，具Q嚫諾謀硐幀ｅ義

本文編號(hào)：2630908