合成孔徑雷達（Synthetic Aperture Radar,SAR）能夠在各種氣候下持續(xù)不間斷工作,并且SAR圖像由于其散射信息和紋理信息非常豐富,不僅被應(yīng)用于地物分類、軍事目標(biāo)檢測等軍事領(lǐng)域,而且被廣泛地應(yīng)用到城市規(guī)劃、礦物偵測、農(nóng)業(yè)生產(chǎn)等民用領(lǐng)域,具有重大的應(yīng)用價值。SAR圖像的分辨率隨著遙感技術(shù)的發(fā)展變得越來越高,圖像內(nèi)容更加豐富,因此對于SAR圖像自動解譯的技術(shù)要求也更加嚴(yán)格,如何既快速又精確地解譯SAR圖像在當(dāng)前仍然很難解決。近年來,深度學(xué)習(xí)技術(shù)的發(fā)展非�？焖�,引起了工業(yè)界和學(xué)術(shù)界的極大關(guān)注,而且取得了很大的成功。在本文中,主要工作是將深度學(xué)習(xí)中全卷積神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到高分辨SAR圖像地物分類領(lǐng)域,并提出了一些改進,具體如下:1.研究了深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的變體全卷積網(wǎng)絡(luò),討論了其基本組成和算法原理,并將全卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到高分辨SAR圖像地物分類領(lǐng)域,設(shè)計了一種針對于高分辨SAR地物分類的小型全卷積網(wǎng)絡(luò)結(jié)構(gòu)TinyFCN,以逐像素級別分類替代了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)方法以及SVM方法中的逐塊級別分類的方式,在保持較高準(zhǔn)確率的前提下,將全圖分類速度提升了兩個數(shù)量級,且過擬合程度... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：106 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景和意義
        1.1.1 合成孔徑雷達
        1.1.2 相干斑噪聲
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的主要工作和結(jié)構(gòu)
第二章 深度學(xué)習(xí)理論基礎(chǔ)
    2.1 深度學(xué)習(xí)發(fā)展簡介
    2.2 深度學(xué)習(xí)模型
        2.2.1 深度置信網(wǎng)絡(luò)DBN
        2.2.2 自動編碼器AE
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)CNN
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用
    2.4 本章小結(jié)
第三章 基于小型全卷積網(wǎng)絡(luò)的高分辨SAR圖像地物分類
    3.1 引言
    3.2 全卷積網(wǎng)絡(luò)
        3.2.1 上采樣結(jié)構(gòu)
        3.2.2 跳躍級聯(lián)結(jié)構(gòu)
        3.2.3 Dropout
        3.2.4 Softmax分類器
    3.3 本章算法
    3.4 實驗與分析
        3.4.1 Rosenheim地區(qū)SAR圖像實驗結(jié)果與分析
        3.4.2 Traunstein地區(qū)SAR圖像實驗結(jié)果與分析
        3.4.3 Napoli地區(qū)SAR圖像實驗結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于多尺度全卷積網(wǎng)絡(luò)的高分辨SAR圖像地物分類
    4.1 引言
    4.2 多尺度卷積層
    4.3 本章算法流程
    4.4 實驗與分析
        4.4.1 Rosenheim地區(qū)SAR圖像實驗結(jié)果與分析
        4.4.2 Traunstein地區(qū)SAR圖像實驗結(jié)果與分析
        4.4.3 Napoli地區(qū)SAR圖像實驗結(jié)果與分析
    4.5 多尺度卷積層分析
    4.6 本章小結(jié)
第五章 基于特征結(jié)合的多尺度全卷積網(wǎng)絡(luò)的高分辨SAR圖像地物分類
    5.1 引言
    5.2 SAR圖像特征提取方法
        5.2.1 灰度共生矩陣紋理分析法
        5.2.2 Gabor特征提取方法
    5.3 特征結(jié)合
        5.3.1 傳統(tǒng)圖像融合理論
        5.3.2 本章基于數(shù)據(jù)層的特征結(jié)合方法
    5.4 本章算法流程
    5.5 實驗與分析
        5.5.1 Rosenheim地區(qū)SAR圖像實驗結(jié)果與分析
        5.5.2 Traunstein地區(qū)SAR圖像實驗結(jié)果與分析
        5.5.3 Napoli地區(qū)SAR圖像實驗結(jié)果與分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]圖像融合研究綜述[J]. 朱煉,孫楓,夏芳莉,韓瑜.  傳感器與微系統(tǒng). 2014(02)
[2]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)
[3]SAR圖像特征提取與選擇研究[J]. 賀志國,陸軍,匡綱要.  信號處理. 2008(05)

博士論文
[1]SAR圖像道路和機場提取方法研究[D]. 賈承麗.國防科學(xué)技術(shù)大學(xué) 2006

碩士論文
[1]圖像處理及圖像融合[D]. 郭利明.西北工業(yè)大學(xué) 2006



本文編號：3445286