極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,POLSAR)是一種多通道、多參數(shù)的微波式主動雷達(dá)成像系統(tǒng),可探測隱藏目標(biāo),觀測到地表的真實形態(tài),具有全天時、全天候的優(yōu)點。由于極化SAR具有多極化特性,可以提供更為豐富的信息,所以被廣泛應(yīng)用于軍事和民用領(lǐng)域,如災(zāi)害救援、植被檢測、精細(xì)農(nóng)業(yè)和地質(zhì)研究等。極化SAR圖像分類作為極化SAR圖像理解與解譯的關(guān)鍵技術(shù)之一,是當(dāng)前遙感領(lǐng)域的一個研究熱點,分類結(jié)果可為后續(xù)如目標(biāo)識別檢測等工作提供有用的信息。然而由于極化SAR圖像數(shù)據(jù)較難獲得具有判別性的特征,在成像過程中不可避免地受到相干斑噪聲的影響,并且人工標(biāo)記的樣本少,這些特點為極化SAR圖像分類增加了難度。本文結(jié)合深度學(xué)習(xí)和極化SAR圖像特性,針對極化SAR圖像分類任務(wù)中存在的難以提取判別性強(qiáng)的特征、難以克服相干斑噪聲的影響和有標(biāo)記樣本少等難點展開研究,提出了一系列魯棒,準(zhǔn)確的分類方法。論文的研究成果如下:1.因為極化SAR圖像中獨立像素的散射測量受到相干斑噪聲的影響,所以基于像素的分類方法難以得到理想的分類效果。由于圖像中相鄰像素之間的空間相關(guān)性對克服相干斑噪聲有很大幫助,因此提出了利用棧式稀疏自編碼器(Stacked Sparse Autoencoder,SSAE)和極化SAR圖像局部空間信息的圖像分類方法。該方法從特征學(xué)習(xí)的角度出發(fā),通過無監(jiān)督的方式逐層地自動地學(xué)習(xí)到有用的特征。首先利用高階鄰域窗口提取極化SAR圖像的鄰域區(qū)域。為了保持鄰域區(qū)域的空間關(guān)系,一種基于鄰域像素到中心像素空間Wishart距離的權(quán)重計算方法被提出,然后將鄰域區(qū)域中的像素乘以其相應(yīng)的權(quán)重值。最后將鄰域區(qū)域作為SSAE的輸入值,SSAE通過學(xué)習(xí)的方式得到該鄰域中心像素的深度空間特征并完成分類。實驗結(jié)果證明,該方法得到的特征具有很強(qiáng)的魯棒性,能夠有效的抑制相干斑噪聲對分類結(jié)果的影響,從而提高分類的準(zhǔn)確性并獲得更好的區(qū)域一致性。2.由于大多數(shù)利用深度學(xué)習(xí)的極化SAR圖像分類方法都是基于單尺度的,而在圖像場景中往往存在具有不同尺度的地物目標(biāo),因此考慮到極化SAR圖像具有多尺度特性,提出了利用深度學(xué)習(xí)技術(shù)提取極化SAR圖像的多尺度深度空間特征的方法。該方法建立了由SSAE、平均池化和softmax分類器混合組成的分類框架。首先,在不同尺度下端對端地訓(xùn)練SSAE,從而提取出各個尺度下的特征。然后利用級聯(lián)的方式將這些特征組合起來。為了提高分類效率減少計算量,提出了一維平均池化策略對特征進(jìn)行降維處理。最后為了實現(xiàn)分類任務(wù),將獲得的多尺度深度空間特征輸入到softmax分類器中獲取最終的分類結(jié)果。由于獲取的多尺度特征同時具有大尺度特征和小尺度特征的特點,實驗證明它不僅可以提高勻質(zhì)區(qū)域一致性也可以對圖像細(xì)節(jié)準(zhǔn)確分類。3.針對第二章中的方法存在的缺點,即在獲得很好的勻質(zhì)區(qū)域一致性的同時存在細(xì)節(jié)損失的問題,結(jié)合極化SAR圖像中豐富的結(jié)構(gòu)信息提出了一個分類框架。該框架首先利用一個簡潔的結(jié)構(gòu)表示方法—極化素描圖,將復(fù)雜的極化SAR圖像劃分為勻質(zhì)區(qū)域和細(xì)節(jié)區(qū)域。然后分別對于勻質(zhì)區(qū)域和細(xì)節(jié)區(qū)域用特定的方法來分類,從而保持了每種區(qū)域的特點。結(jié)合單個像素特性和空間上下文關(guān)系的條件隨機(jī)場被用來進(jìn)行細(xì)節(jié)區(qū)域的分類,從而在保持細(xì)節(jié)分類準(zhǔn)確性的同時抑制相干斑噪聲。針對勻質(zhì)區(qū)域提出了一個分層的深度學(xué)習(xí)框架進(jìn)行特征提取和分類。首先,一個使用Gabor小波變換作為核函數(shù)的卷積層被用來提取多尺度多方向的初級特征,然后SSAE被用來進(jìn)一步學(xué)習(xí)得到更加抽象的深度特征并對勻質(zhì)區(qū)域進(jìn)行分類。最后,把細(xì)節(jié)區(qū)域的分類結(jié)果和勻質(zhì)區(qū)域的分類結(jié)果進(jìn)行融合,得到最終的分類結(jié)果。實驗結(jié)果表明,該方法可以提升分類正確率,在獲得更好的區(qū)域一致性的同時保持圖像細(xì)節(jié)。4.針對極化SAR圖像存在的有標(biāo)記樣本少的特點,提出了基于半監(jiān)督深度集成學(xué)習(xí)的極化SAR圖像分類方法,并提出一種樣本選擇策略,能夠在每次迭代中選擇可靠性高的樣本。該方法首先利用極少量的訓(xùn)練樣本分別訓(xùn)練每個分類器,并對無標(biāo)記樣本進(jìn)行預(yù)測,然后選取預(yù)測概率大的無標(biāo)記樣本,并在其中尋找各個分類器標(biāo)記一致的那些樣本作為新的訓(xùn)練樣本加入訓(xùn)練樣本集,利用新的訓(xùn)練樣本集重新訓(xùn)練分類器。反復(fù)迭代上面的步驟直到滿足停止條件。這種策略選取置信度高的樣本并舍棄那些預(yù)測標(biāo)記不一致的樣本,從而減少被錯誤預(yù)測的無標(biāo)記樣本對分類性能產(chǎn)生的不良影響。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)以及SSAE作為經(jīng)典的深度學(xué)習(xí)算法被選做基分類器。它們分別是基于空間的分類方法和基于像素的分類方法,因此具有互補(bǔ)的作用。實驗結(jié)果表明該方法可以在僅有極少量有標(biāo)記訓(xùn)練樣本的情況下達(dá)到令人滿意的分類精度。
【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】：2019
【中圖分類】：TP18;TN957.52
【部分圖文】：

(a) HH 極化 (b) HV 極化 (c) VV 極化圖 1.1 舊金山地區(qū)極化 SAR 圖像用雷達(dá)極化回波表示飛機(jī)的目標(biāo)特性，Sinclair、Huynen 和 Kennaugh 等人為極化 SAR 成像的發(fā)展做出了很大貢獻(xiàn)。此后，Ulaby 和 Fung 證明了極化信息在地物目標(biāo)參數(shù)估計上的價值。Valenzuela 和 Plant 等人發(fā)現(xiàn)了極化 SAR 對海洋波浪和洋流遙感觀測價值。Boerner[21]提出了包含極化比在內(nèi)的多種極化表述方式。近年來，極化 SAR 成像系統(tǒng)不斷地被發(fā)展和完善，大量的極化 SAR 成像系統(tǒng)被研發(fā)并投入使用，其中主要基于機(jī)載和星載平臺。由于各種不同的極化 SAR 成像系統(tǒng)具有不同的數(shù)據(jù)類型和等級，極化 SAR 圖像處理技術(shù)的發(fā)展也得益于各種成像系統(tǒng)的發(fā)展。1985 年美國航空航天局 (National Aeronautics and Space Administration,NASA) 的自噴氣推進(jìn)實驗室 (Jet Propulsion Laboratory, JPL) 裝配成功了第一部經(jīng)典的機(jī)載極化 SAR 成像系統(tǒng) (Airbone SAR, AIRSAR)，并將它搭載于 CV-990型飛機(jī)上。該雷達(dá)成像系統(tǒng)只工作在 L 波段 (1.225GHz)[22-24]。 1985 年 6 月 17

在該特征空間上，圖像中的每個像素更具有可分性。如圖1.5 所示，特征提取是通過某種變換操作 P ，將原始特征從輸入域 X 映射到特征域Y 。在特征域中，同種類別樣本的特征值更相似，其表現(xiàn)是在距離上同種類樣本之間距離更近，不同種類樣本之間距離更遠(yuǎn)。這樣增加了樣本的判別性，提高分類器的分類性能。目前常用的極化 SAR 特征包括[117]：常規(guī)極化參數(shù) (同極化比、交叉極化比、同極化相關(guān)系數(shù)、交叉極化相關(guān)系數(shù)、雷達(dá)植被指數(shù)等），極化相干矩陣或者協(xié)方差矩陣，基于各種目標(biāo)分解得到的參數(shù)，圖像紋理參數(shù)等等。然而，這些特征都是針對某種特性問題人工提取的特征，提取過程費時費力并且缺乏泛化能力。如前所述，為了充分挖掘極化 SAR 圖像的信息，結(jié)合極化 SAR 圖像對目標(biāo)結(jié)構(gòu)敏感這一特點，本文針對極化 SAR 圖像特征提取的研究從深度學(xué)習(xí)和空域相關(guān)性兩個方法進(jìn)行展開，提出了利用深度學(xué)習(xí)方法對極化 SAR 圖像進(jìn)行特征學(xué)習(xí)

圖 1.7 稀疏自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)文的研究內(nèi)容和章節(jié)安排文從近幾年在機(jī)器學(xué)習(xí)領(lǐng)域受到廣泛關(guān)注的深度學(xué)習(xí)算法入手，旨AR 圖像分類中的三大難題：特征提取和選擇問題、如何克服相干和人工標(biāo)記樣本少。在研究的初始階段，利用深度學(xué)習(xí)技術(shù)結(jié)合圖自動地提取極化 SAR 圖像的深度空間特征。這種特征對抑制相干、提高分類精度有著非常不錯的效果。然而這種方法存在的缺點在即當(dāng)鄰域窗口尺度較大時，勻質(zhì)區(qū)域一致性好，但細(xì)節(jié)區(qū)域存在失了改善這個缺點，設(shè)計了一種基于多尺度的特征提取方法，旨在利像中存在的多尺度信息，從而在提高區(qū)域一致性的同時保持圖像確性。此外，另一種針對改善上述缺點的方法也被提出。該方法像的結(jié)構(gòu)信息，分別對細(xì)節(jié)勻質(zhì)區(qū)域和勻質(zhì)區(qū)域采取特定的分類

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陶筱嬌;王鑫;;基于深度學(xué)習(xí)算法的圖像分類方法[J];微型電腦應(yīng)用;2019年03期

2 李會民;馬桂英;王延倉;;基于深度學(xué)習(xí)網(wǎng)絡(luò)的水質(zhì)圖像分類[J];北華航天工業(yè)學(xué)院學(xué)報;2018年04期

3 彭娟;;特征選擇和聚類分析的圖像分類模型[J];現(xiàn)代電子技術(shù);2017年19期

4 田凱;杜鵬;;基于C#的圖像分類系統(tǒng)實現(xiàn)[J];數(shù)碼世界;2017年08期

5 王科平;張志剛;;基于特征加權(quán)的自動圖像分類方法[J];微型電腦應(yīng)用;2014年01期

6 汪煜浩;華瑞林;;山地衛(wèi)星圖像分類制圖方法研究[J];遙感信息;1987年04期

7 吳健;賈宏宇;;基于遷移學(xué)習(xí)的圖像分類方法研究[J];河南科技;2018年31期

8 武慧瓊;張素蘭;張繼福;胡立華;;一種基于三支決策的花卉圖像分類[J];小型微型計算機(jī)系統(tǒng);2019年07期

9 林澤文;;深度學(xué)習(xí)及其在圖像分類識別中的運(yùn)用探討[J];信息與電腦(理論版);2018年12期

10 李舒;吳磊;;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類中的應(yīng)用[J];醫(yī)學(xué)信息學(xué)雜志;2014年08期

相關(guān)會議論文 前10條

1 吳楠;李曉曦;宋方敏;;圖像挖掘及其在醫(yī)學(xué)圖像分類中的應(yīng)用[A];2006年全國理論計算機(jī)科學(xué)學(xué)術(shù)年會論文集[C];2006年

2 朱松豪;劉佳偉;胡榮林;;一種圖像分類的新方法[A];第26屆中國控制與決策會議論文集[C];2014年

3 文振q;歐陽杰;朱為總;;基于語義特征與支持向量機(jī)的圖像分類[A];中國電子學(xué)會第十六屆信息論學(xué)術(shù)年會論文集[C];2009年

4 武文;李昊;王曉軍;吳永輝;;極化誤差對圖像分類的影響分析[A];全國第20屆計算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

5 范海地;謝鳳英;;基于卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分類[A];第十五屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2017年

6 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點特征提取的醫(yī)學(xué)圖像分類[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2007年

7 蘆穎;倪維平;嚴(yán)衛(wèi)東;邊輝;;基于改進(jìn)極化目標(biāo)分解算法的POLSAR圖像分類[A];國家安全地球物理叢書（十一）——地球物理應(yīng)用前沿[C];2015年

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2003年

9 佘杰;;基于BP神經(jīng)網(wǎng)絡(luò)的煤巖圖像分類識別[A];第23屆全國煤礦自動化與信息化學(xué)術(shù)會議暨第5屆中國煤礦信息化與自動化高層論壇論文集[C];2013年

10 武進(jìn);尹愷;王長明;張家才;;SVDM在蔬菜病害圖像分類中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 張璐;基于深度空間特征學(xué)習(xí)的極化SAR圖像分類[D];西安電子科技大學(xué);2019年

2 鄭昱;面向大規(guī)模圖像分類的層次化多任務(wù)學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2017年

3 郭雨薇;基于超像素表征和模糊特征學(xué)習(xí)的圖像分類與識別[D];西安電子科技大學(xué);2017年

4 李曉;基于遷移學(xué)習(xí)的跨域圖像分類方法研究[D];西安電子科技大學(xué);2017年

5 滑文強(qiáng);小樣本下的極化SAR圖像分類問題研究[D];西安電子科技大學(xué);2018年

6 張姝茵;基于判別性特征學(xué)習(xí)的極化SAR圖像分類[D];西安電子科技大學(xué);2018年

7 丁擁科;基于先驗信息輔助的高分辨率SAR圖像分類方法研究[D];上海交通大學(xué);2017年

8 侯賽輝;圖像物體的精細(xì)化分類方法研究[D];中國科學(xué)技術(shù)大學(xué);2019年

9 呂恩輝;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[D];中國礦業(yè)大學(xué);2019年

10 胡慧君;帶鋼缺陷圖像分類中的智能算法研究[D];武漢大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 麻峻瑋;基于深度卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度圖像分類應(yīng)用研究[D];東北林業(yè)大學(xué);2019年

2 周朋輝;基于機(jī)器學(xué)習(xí)的全天空極光圖像分類與割方法研究[D];陜西師范大學(xué);2019年

3 田霞;基于元學(xué)習(xí)的少樣本圖像分類方法研究[D];電子科技大學(xué);2019年

4 于佳龍;面向移動設(shè)備的圖像分類任務(wù)功耗優(yōu)化研究[D];西北大學(xué);2019年

5 伍永;卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)及其在圖像分類中應(yīng)用研究[D];南寧師范大學(xué);2019年

6 戴志鵬;基于CNN的目標(biāo)區(qū)域提取和細(xì)粒度圖像分類的研究[D];南寧師范大學(xué);2019年

7 劉真三;基于卷積稀疏表示和卷積神經(jīng)網(wǎng)絡(luò)的商品圖像分類[D];重慶郵電大學(xué);2018年

8 李代遠(yuǎn);深度卷積信念網(wǎng)絡(luò)在顱內(nèi)CT圖像分類中的應(yīng)用[D];湖南師范大學(xué);2017年

9 陳龍;基于標(biāo)簽關(guān)聯(lián)的圖像分類方法研究[D];合肥工業(yè)大學(xué);2019年

10 江迪;基于深度學(xué)習(xí)的多標(biāo)簽圖像分類方法研究[D];合肥工業(yè)大學(xué);2019年

本文編號：2829528