極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,PolSAR)已經(jīng)成為遙感領(lǐng)域最重要的遙感信息獲取傳感器之一,除了具有全天時(shí)、全天候的優(yōu)點(diǎn),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(nóng)業(yè)、環(huán)境監(jiān)控等領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用。全極化SAR圖像分類方法是全極化SAR數(shù)據(jù)理解和解譯的關(guān)鍵,本文從分類器的改進(jìn)和特征提取兩個(gè)方面入手主要研究了基于自步學(xué)習(xí)和深度學(xué)習(xí)的全極化SAR地物分類方法。通過(guò)自步學(xué)習(xí)這種學(xué)習(xí)機(jī)制可以增強(qiáng)分類器的泛化能力,以提升對(duì)全極化SAR圖像中復(fù)雜場(chǎng)景的分類精度。而深度學(xué)習(xí)方法可以對(duì)全極化SAR原始數(shù)據(jù)進(jìn)行非線性映射和表示,實(shí)現(xiàn)對(duì)SAR數(shù)據(jù)的抽象描述得到具有更強(qiáng)表征能力的分類特征。本文的主要內(nèi)容包括以下幾點(diǎn):(1)為了提升對(duì)全極化SAR圖像中復(fù)雜場(chǎng)景的分類精度,提出了一種基于自步支持向量機(jī)(SPSVM)的全極化SAR圖像分類方法。該方法根據(jù)自步學(xué)習(xí)的思想對(duì)傳統(tǒng)的SVM模型進(jìn)行改進(jìn),在訓(xùn)練分類器的過(guò)程中先學(xué)習(xí)SAR數(shù)據(jù)中簡(jiǎn)單的樣本再逐漸引入復(fù)雜的樣本進(jìn)行學(xué)習(xí)。通過(guò)這一學(xué)習(xí)過(guò)程,增強(qiáng)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(duì)復(fù)雜場(chǎng)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(duì)自步學(xué)習(xí)中的正則項(xiàng)加以改進(jìn),將鄰域信息作為約束引入到樣本權(quán)重的計(jì)算過(guò)程中。實(shí)驗(yàn)結(jié)果表明,該分類方法提高了圖像中復(fù)雜場(chǎng)景的分類精度,能得到穩(wěn)定的分類結(jié)果。(2)針對(duì)傳統(tǒng)方法提取全極化SAR數(shù)據(jù)的極化、紋理等特征缺乏對(duì)原始數(shù)據(jù)最本質(zhì)的表示這一問(wèn)題,提出了一種基于自步棧式自編碼網(wǎng)絡(luò)(SPSAE)的全極化SAR分類方法。棧式自編碼網(wǎng)絡(luò)不僅可以對(duì)極化SAR原始數(shù)據(jù)進(jìn)行學(xué)習(xí)和表示,挖掘出原始數(shù)據(jù)中表征能力更好的抽象特征,還具有易于訓(xùn)練的優(yōu)點(diǎn)。而自步學(xué)習(xí)可以幫助網(wǎng)絡(luò)跳過(guò)局部最優(yōu)解收斂到更好的解,增強(qiáng)網(wǎng)絡(luò)的泛化能力。實(shí)驗(yàn)結(jié)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(qiáng)的優(yōu)點(diǎn)。(3)為了充分挖掘全極化SAR圖像四個(gè)通道(HH、HV、VH、VV)間的關(guān)聯(lián)信息和圖像空間信息,提出了一種基于自步卷積神經(jīng)網(wǎng)絡(luò)(SPCNN)的全極化SAR分類方法。在本方法中,我們構(gòu)造了一個(gè)6層的卷積神經(jīng)網(wǎng)絡(luò),利用每個(gè)像元在四個(gè)通道上的散射強(qiáng)度值和Pauli基下的RGB顏色信息及其鄰域信息構(gòu)成三維的張量塊對(duì)其進(jìn)行表示,再利用卷積神經(jīng)網(wǎng)絡(luò)同時(shí)挖掘通道、空間信息提取用于分類的抽象特征。在網(wǎng)絡(luò)學(xué)習(xí)的過(guò)程中,通過(guò)自步學(xué)習(xí)方法對(duì)整個(gè)學(xué)習(xí)過(guò)程進(jìn)行優(yōu)化,幫助網(wǎng)絡(luò)收斂到更好的解,從而提升了網(wǎng)絡(luò)的泛化能力。實(shí)驗(yàn)結(jié)果表明,我們提出的SPCNN方法得到的分類結(jié)果具有更好的空間一致性。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)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(shù)據(jù)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(nóng)作物圖3.5 RADARSAT-2 系統(tǒng)的 Flevoland 數(shù)據(jù)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(shù)據(jù)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(nóng)作物圖3.5 RADARSAT-2 系統(tǒng)的 Flevoland 數(shù)據(jù)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(shù)據(jù)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(nóng)作物圖3.5 RADARSAT-2 系統(tǒng)的 Flevoland 數(shù)據(jù)集
【參考文獻(xiàn)】

相關(guān)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(jì)算機(jī)研究與發(fā)展;2014年09期

2 曲長(zhǎng)文,何友,龔沈光;機(jī)載SAR發(fā)展概況[J];現(xiàn)代雷達(dá);2002年01期

相關(guān)博士學(xué)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(xué);2014年

相關(guān)碩士學(xué)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(xué);2017年

本文編號(hào)：2872841