極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,POLSAR)可對地面或者空間的目標(biāo)進(jìn)行探測,具有全天候、全天時(shí)、高精度、高效率等特點(diǎn),能夠發(fā)射和接受多種不同組合的極化電磁波,因此所探測到的目標(biāo)具有非常豐富的極化信息,有利于后續(xù)的數(shù)據(jù)分析工作。圖像理解與解譯包含很多任務(wù),例如目標(biāo)識(shí)別、變換檢測、降噪和圖像分類等等。其中極化SAR圖像分類是極化SAR圖像理解與解譯中非常重要的應(yīng)用之一,也是地物識(shí)別的基礎(chǔ)。分類的結(jié)果可以作為最終結(jié)果輸出給用戶提供重要的目標(biāo)信息,也可以作為中間結(jié)果,為后續(xù)目標(biāo)識(shí)別、邊緣檢測等工作提供有用的圖像信息。但是,由于極化SAR圖像具有較難得到用于分類的判別性特征、數(shù)據(jù)規(guī)模巨大、有標(biāo)簽的訓(xùn)練樣本過少以及相干斑噪聲嚴(yán)重等缺點(diǎn),給分類工作帶來了不小的困難。本論文以極化SAR數(shù)據(jù)為研究對象,針對極化SAR圖像分類任務(wù)中存在的較難得到適合分類的特征、含噪樣本較多且有標(biāo)簽的樣本較少等難點(diǎn)以及極化SAR數(shù)據(jù)的特性,設(shè)計(jì)了一系列結(jié)合判別性特征的新穎、魯棒、智能的分類器,在本文中的研究成果如下:1.考慮到極化SAR圖像較難同時(shí)獲得光滑的區(qū)域和清晰的邊緣,設(shè)計(jì)了一個(gè)基于高概率選擇和自適應(yīng)MRF(Markov Random Field,MRF)的分類框架。SVM(Support Vector Machine,SVM)分類器是一個(gè)具有判別性的傳統(tǒng)分類器,但是該分類器并沒有考慮極化SAR圖像的空間信息。針對此問題,在所設(shè)計(jì)的分類框架中利用Wishart距離來增強(qiáng)概率輸出SVM分類器的判別性,與此同時(shí),利用自適應(yīng)窗口的MRF來對圖像的同質(zhì)區(qū)域進(jìn)行平滑操作。經(jīng)過大量的實(shí)驗(yàn)驗(yàn)證,這款分類器可以同時(shí)得到更清晰的邊緣和更平滑的同質(zhì)區(qū)域,并提高了分類精度。2.針對極化SAR圖像有標(biāo)記樣本不足的問題,提出了基于稀疏自編碼器(Sparse Autoencoder,SAE)和邊緣保持的Wishart馬爾科夫隨機(jī)場的極化SAR圖像分類方法。SAE是一個(gè)端對端的特征分類器學(xué)習(xí)框架,學(xué)習(xí)的過程是受分類指導(dǎo)的,它可以無監(jiān)督的自動(dòng)逐層學(xué)習(xí)到有利于分類的判別性特征,然后用少量的樣本進(jìn)行微調(diào),以此來減少對樣本數(shù)量的需求。接下來,用邊緣保持的MRF來減輕相干斑噪聲,并且彌補(bǔ)SAE分類結(jié)果的不確定性和模糊性。并且同時(shí)提出了一個(gè)糾錯(cuò)策略來對MRF分錯(cuò)的像素進(jìn)行糾正。此分類框架包括兩層,第一層由基于像素的稀疏自編碼器得到初始的分類結(jié)果,并同時(shí)為改善邊緣處的分類效果提供豐富的信息。第二層的設(shè)計(jì)基于極化SAR空間信息,用MRF糾正第一層的分類結(jié)果。其有效性在不同的極化SAR數(shù)據(jù)上得到了驗(yàn)證。3.針對兩階段分類器的分類效果在很大程度上依賴于第一階段的分類結(jié)果這一弊端,提出了一個(gè)判別式的分類模型。該分類模型在間隔最大化的框架下重新設(shè)計(jì)了適合極化SAR圖像分類的特征函數(shù)。該特征函數(shù)包括兩個(gè)部分:散射項(xiàng)和空間項(xiàng)。其中散射項(xiàng)用了經(jīng)典的SVM算法,此算法可以有效的學(xué)習(xí)間隔最大化框架的決策邊界,并且在訓(xùn)練樣本有限的情況下,能夠有效提升極化SAR圖像的分類準(zhǔn)確率。在空間項(xiàng)應(yīng)用了條件隨機(jī)場來將上下文信息融合在觀測域和標(biāo)簽域中,并用Wishart分布來描述極化SAR圖像的統(tǒng)計(jì)特性。與兩階段分類器不同的是,本方法不是特別依賴于空間項(xiàng)進(jìn)行糾正錯(cuò)誤,而在分類器學(xué)習(xí)的過程中利用了空間信息。實(shí)驗(yàn)表明,該分類框架對極化SAR圖像的分類可以獲得較高的分類精度和較清晰的分類圖像。4.考慮到極化SAR數(shù)據(jù)訓(xùn)練樣本較少且受相干斑的影響較大,使得分類器的學(xué)習(xí)性能受到影響。提出一種遞歸卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)模型,將每一次分類結(jié)果中具有高置信度的分類結(jié)果的樣本加入到訓(xùn)練樣本中,再對整個(gè)模型進(jìn)行訓(xùn)練,得到一個(gè)半監(jiān)督的極化SAR圖像分類模型,該模型脫離了有監(jiān)督分類對人工標(biāo)定樣本的依賴。此外,該模型是基于判別性特征學(xué)習(xí)的端對端的分類框架,在CNN進(jìn)行卷積操作時(shí)自動(dòng)的學(xué)習(xí)到極化SAR圖像的空間紋理特征,并且試圖從高置信度的樣本中學(xué)習(xí)到有利于分類的特征。該模型有三點(diǎn)好處:首先通過從每一次迭代分類結(jié)果中不斷地增加訓(xùn)練樣本,從而解決小樣本問題;其次每一次迭代過程中去掉了低置信度的樣本而減少噪聲樣本對模型魯棒性的影響;最后,每一次迭代過程中CNN參數(shù)的初始化都用上一次學(xué)習(xí)的結(jié)果,從而參數(shù)的設(shè)置會(huì)越來越魯棒,使得整個(gè)模型不會(huì)因?yàn)殡S機(jī)初始化而降低性能。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2018
【中圖分類】：TN957.52
【部分圖文】：

TerraSAR-X(DLR)X/L Band Quad圖1.2 星載 SAR 系統(tǒng)1.1.2國內(nèi)SAR系統(tǒng)發(fā)展我國在微波遙感和雷達(dá)探測方面起步較晚，但是隨著大量的學(xué)者和研究人員投入到雷達(dá)事業(yè)的研究中，近年來在很多領(lǐng)域邁進(jìn)了國際先進(jìn)的行列。中科院電子所是我國微波成像技術(shù)的領(lǐng)頭單位，在雷達(dá)技術(shù)領(lǐng)域取得了很大的成果，是國內(nèi)星載 SAR、機(jī)載 SAR 領(lǐng)域最重要的研發(fā)機(jī)構(gòu)之一。近 30 年來，完成了幾代合成孔徑雷達(dá)系統(tǒng)的研發(fā)。1979 年，我國第一套機(jī)載 SAR 原理樣機(jī)在中科院電子所研制成功，并于同年獲取國內(nèi)第一幅 SAR 圖像。南京航空航天大學(xué)與隸屬于中國航天工業(yè)的 607 研究所于 2000 年共同研發(fā)出機(jī)載 SAR，命名為 JZ8-SAR[39]。中國電子科技集團(tuán)公司第 38研究所于 2004 年成功研制出有自主功能的機(jī)載拍攝的雙極化SAR 系統(tǒng)

電磁波與目標(biāo)的相互作用

首先對其進(jìn)行濾波等預(yù)處理，然后提取感興趣的特征進(jìn)行分類，分類后經(jīng)過后處理得到相應(yīng)的分類結(jié)果圖。圖1.4 極化 SAR 圖像分類流程極化 SAR 圖像分類方法多種多樣，根據(jù)不同的角度可以將其歸為不同的類別。例如從是否利用空間信息的角度，可以將極化 SAR 圖像分類方法歸為基于像素的分類方法和基于空間信息的分類方法[59-61]。根據(jù)是否需要有標(biāo)簽的訓(xùn)練樣本進(jìn)行人工指導(dǎo)，又可分為有監(jiān)督和無監(jiān)督的分類方法[62,63]。根據(jù)如何利用極化信息，可分為直接利用散射矩陣和散射向量的分類方法、直接利用協(xié)方差矩陣和相干矩陣的分類方法以及利用極化目標(biāo)分解的方法[63-66]。本章根據(jù)近年來極化 SAR 圖像分類的研究趨向，將極化 SAR 分類任務(wù)分為三個(gè)類別：基于極化數(shù)據(jù)統(tǒng)計(jì)分布的分類、基于目標(biāo)分解的分類以及基于機(jī)器學(xué)習(xí)的分類。(1) 基于目標(biāo)分解的分類方法這種分類方法通過執(zhí)行目標(biāo)分解[67]來提取各個(gè)類別的特征，然后將得到的特征輸入到合適的分類器得到分類結(jié)果。通常將極化測量數(shù)據(jù)分解成不同的成分，之后利用這些不同的成分信息將極化 SAR 數(shù)據(jù)分成不同的類別。接下來介紹幾種較為著名的目標(biāo)分解的方法。Krogager 等人于 1990 年提出了一種目標(biāo)分解的方法
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 彭鵬;朱友志;張平;;POLSAR多視復(fù)圖像的特征提取和分類方法[J];系統(tǒng)工程與電子技術(shù);2008年08期

2 晏磊;羅立;張雪虎;;真實(shí)孔徑雷達(dá)海洋圖像的分形特征分析[J];電波科學(xué)學(xué)報(bào);2007年04期

3 朱岱寅,朱兆達(dá),謝求成,葉少華,張昆輝;機(jī)載SAR斜視區(qū)域成像研究[J];電子學(xué)報(bào);2002年09期

本文編號(hào)：2844641