發(fā)布時(shí)間：2020-08-27 20:58

【摘要】：極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,PolSAR)能夠獲取豐富的目標(biāo)散射信息,其地物分類方法也逐漸成為近年雷達(dá)圖像解譯的研究熱點(diǎn)。目前,已發(fā)展出大量有監(jiān)督和無監(jiān)督PolSAR圖像地物分類方法。其中,無監(jiān)督學(xué)習(xí)方法不需要標(biāo)記樣本,但通常要求較強(qiáng)的專家知識(shí)設(shè)計(jì)判別性的極化散射特征,且分類精度不高。監(jiān)督學(xué)習(xí)則使用大量標(biāo)記樣本訓(xùn)練模型,雖然可以獲得相對(duì)準(zhǔn)確的分類結(jié)果,但樣本標(biāo)記成本較高,實(shí)用性受限。針對(duì)PolSAR圖像地物分類中無監(jiān)督方法精度不高,而傳統(tǒng)監(jiān)督方法標(biāo)記樣本數(shù)量與成本受限等問題,本文提出了一系列使用小規(guī)模標(biāo)記樣本的PolSAR圖像地物分類方法。主要研究工作和創(chuàng)新包括:1.實(shí)現(xiàn)了一種基于FSW-LapSVM的小樣本PolSAR圖像地物分類方法。該方法首先從極化協(xié)方差矩陣中提取特征,并基于極化協(xié)方差矩陣服從的復(fù)Wishart分布特性與空間關(guān)系,為大量無標(biāo)記樣本設(shè)計(jì)Spatial-Wishart相似度與相應(yīng)的圖正則。其次,引入像素模糊標(biāo)簽降低數(shù)據(jù)噪聲對(duì)分類的影響,提高模型魯棒性。該方法利用大量廉價(jià)無標(biāo)記樣本輔助分類,降低標(biāo)記成本,使得在小樣本條件下也獲得較好的分類性能。多組實(shí)驗(yàn)結(jié)果表明,該方法在0.5%~1%的小樣本條件下能夠獲得較高的分類準(zhǔn)確率。2.實(shí)現(xiàn)了一種基于深度卷積孿生網(wǎng)絡(luò)的小樣本PolSAR圖像地物分類方法。該方法基于空間一致性假設(shè),引入空間鄰域信息,并利用深度神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征。針對(duì)深度模型嚴(yán)重依賴大量樣本的問題,該方法設(shè)計(jì)一種有監(jiān)督預(yù)訓(xùn)練加有監(jiān)督微調(diào)的深度網(wǎng)絡(luò)模型,在小樣本條件下利用深度學(xué)習(xí)實(shí)現(xiàn)端到端的精準(zhǔn)分類。首先構(gòu)造權(quán)值共享的卷積孿生網(wǎng)絡(luò),使小樣本數(shù)據(jù)集得到極大擴(kuò)充的同時(shí)提取更易于分類的差異化特征。隨后,在孿生網(wǎng)絡(luò)之上增加全連接分類網(wǎng)絡(luò)組成深度卷積孿生網(wǎng)絡(luò),并利用監(jiān)督信息微調(diào)整個(gè)網(wǎng)絡(luò),實(shí)現(xiàn)網(wǎng)絡(luò)分類能力。在多組PolSAR數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,在每類僅標(biāo)記10個(gè)樣本的條件下,該方法具有較好的分類效果。3.實(shí)現(xiàn)了一種基于深度卷積Bi-LSTM孿生網(wǎng)絡(luò)的小樣本PolSAR圖像地物分類方法。該方法在深度卷積孿生網(wǎng)絡(luò)的基礎(chǔ)上,對(duì)空間鄰域信息進(jìn)行雙向時(shí)序建模,更合理地利用鄰域信息。雙向LSTM可以提取更完整的樣本信息,使分類結(jié)果更加準(zhǔn)確。另外,卷積的引入可以刻畫數(shù)據(jù)局部特征并降低數(shù)據(jù)冗余,防止模型過擬合。在小樣本條件下,該方法更充分更合理地利用樣本信息來提高分類性能。最后,多組實(shí)驗(yàn)結(jié)果表明,同樣在每類僅標(biāo)記10個(gè)樣本時(shí),該方法可以進(jìn)一步提高分類準(zhǔn)確率。
【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
【分類號(hào)】：TN957.52
【圖文】：

SVM分類結(jié)果圖(e)LapSVM分類結(jié)果圖(c)S-Wishart分類

23(f) SSA 分類結(jié)果圖 (g) W-RBM 分類結(jié)果圖 (h) W-DBN 分類結(jié)果圖(i) SW-LapSVM 分類結(jié)果圖 (j) FSW-LapSVM 分類結(jié)果圖圖2.3 San Francisco 地區(qū)子圖實(shí)驗(yàn)結(jié)果圖海洋 植被 低密度城區(qū) 高密度城區(qū)

FSW-LapSVM分類結(jié)果圖(i)SW-LapSVM分類

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 吳永輝;計(jì)科峰;郁文賢;;基于支持向量機(jī)的極化SAR圖像分類[J];現(xiàn)代雷達(dá);2007年06期

2 劉秀清,楊汝良,楊震;雙波段全極化SAR圖像非監(jiān)督分類方法及實(shí)驗(yàn)研究[J];電子與信息學(xué)報(bào);2004年11期

相關(guān)博士學(xué)位論文 前1條

1 吳永輝;極化SAR圖像分類技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2007年

本文編號(hào)：2806613