極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,PolSAR)已經成為遙感領域最重要的遙感信息獲取傳感器之一,除了具有全天時、全天候的優(yōu)點,它還能夠發(fā)送和接收不同極化方式的電磁波,這使得全極化SAR相比于單極化SAR可以獲取更加豐富的地物信息。因此,全極化SAR在軍事、農業(yè)、環(huán)境監(jiān)控等領域已經得到了廣泛的應用。全極化SAR圖像分類方法是全極化SAR數據理解和解譯的關鍵,本文從分類器的改進和特征提取兩個方面入手主要研究了基于自步學習和深度學習的全極化SAR地物分類方法。通過自步學習這種學習機制可以增強分類器的泛化能力,以提升對全極化SAR圖像中復雜場景的分類精度。而深度學習方法可以對全極化SAR原始數據進行非線性映射和表示,實現對SAR數據的抽象描述得到具有更強表征能力的分類特征。本文的主要內容包括以下幾點:(1)為了提升對全極化SAR圖像中復雜場景的分類精度,提出了一種基于自步支持向量機(SPSVM)的全極化SAR圖像分類方法。該方法根據自步學習的思想對傳統(tǒng)的SVM模型進行改進,在訓練分類器的過程中先學習SAR數據中簡單的樣本再逐漸引入復雜的樣本進行學習。通過這一學習過程,增強了傳統(tǒng)SVM分類器的泛化能力,提升了分類器的分類性能,特別是對復雜場景中地物的分類性能。另外,為了充分利用SAR圖像中的空間鄰域信息,我們對自步學習中的正則項加以改進,將鄰域信息作為約束引入到樣本權重的計算過程中。實驗結果表明,該分類方法提高了圖像中復雜場景的分類精度,能得到穩(wěn)定的分類結果。(2)針對傳統(tǒng)方法提取全極化SAR數據的極化、紋理等特征缺乏對原始數據最本質的表示這一問題,提出了一種基于自步棧式自編碼網絡(SPSAE)的全極化SAR分類方法。棧式自編碼網絡不僅可以對極化SAR原始數據進行學習和表示,挖掘出原始數據中表征能力更好的抽象特征,還具有易于訓練的優(yōu)點。而自步學習可以幫助網絡跳過局部最優(yōu)解收斂到更好的解,增強網絡的泛化能力。實驗結果表明,我們提出的SPSAE模型即使在較少樣本下也具有易于優(yōu)化,泛化能力強的優(yōu)點。(3)為了充分挖掘全極化SAR圖像四個通道(HH、HV、VH、VV)間的關聯(lián)信息和圖像空間信息,提出了一種基于自步卷積神經網絡(SPCNN)的全極化SAR分類方法。在本方法中,我們構造了一個6層的卷積神經網絡,利用每個像元在四個通道上的散射強度值和Pauli基下的RGB顏色信息及其鄰域信息構成三維的張量塊對其進行表示,再利用卷積神經網絡同時挖掘通道、空間信息提取用于分類的抽象特征。在網絡學習的過程中,通過自步學習方法對整個學習過程進行優(yōu)化,幫助網絡收斂到更好的解,從而提升了網絡的泛化能力。實驗結果表明,我們提出的SPCNN方法得到的分類結果具有更好的空間一致性。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN957.52
【部分圖文】：

莖豆 油菜籽 裸露土地 土豆 小麥 草地 甜菜 小麥 2豌豆 小麥 3 苜蓿 大麥 水域 森林 建筑圖3.3 AIRSAR 系統(tǒng)的 Flevoland 數據集圖3.4 舊金山海灣地區(qū) RGB 圖圖 3.5(a) Pauli 基下 RGB 偽彩色圖 圖 3.5(b) 參考圖[53]城區(qū) 水域 森林 農作物圖3.5 RADARSAT-2 系統(tǒng)的 Flevoland 數據集

莖豆 油菜籽 裸露土地 土豆 小麥 草地 甜菜 小麥 2豌豆 小麥 3 苜蓿 大麥 水域 森林 建筑圖3.3 AIRSAR 系統(tǒng)的 Flevoland 數據集圖3.4 舊金山海灣地區(qū) RGB 圖圖 3.5(a) Pauli 基下 RGB 偽彩色圖 圖 3.5(b) 參考圖[53]城區(qū) 水域 森林 農作物圖3.5 RADARSAT-2 系統(tǒng)的 Flevoland 數據集

豌豆 小麥 3 苜蓿 大麥 水域 森林 建筑圖3.3 AIRSAR 系統(tǒng)的 Flevoland 數據集圖3.4 舊金山海灣地區(qū) RGB 圖圖 3.5(a) Pauli 基下 RGB 偽彩色圖 圖 3.5(b) 參考圖[53]城區(qū) 水域 森林 農作物圖3.5 RADARSAT-2 系統(tǒng)的 Flevoland 數據集
【參考文獻】

相關期刊論文 前2條

1 呂啟;竇勇;牛新;徐佳慶;夏飛;;基于DBN模型的遙感圖像分類[J];計算機研究與發(fā)展;2014年09期

2 曲長文,何友,龔沈光;機載SAR發(fā)展概況[J];現代雷達;2002年01期

相關博士學位論文 前1條

1 劉高峰;極化SAR圖像特征提取與分類方法研究[D];西安電子科技大學;2014年

相關碩士學位論文 前1條

1 王朋;基于聯(lián)合稀疏的全極化SAR圖像分類[D];西安電子科技大學;2017年

本文編號：2872841