發(fā)布時間：2021-06-27 17:06

　　合成孔徑雷達（Synthetic Aperture Radar,SAR）是一種主動微波雷達成像系統(tǒng),具有全天時全天候成像、一定的穿透性、高精度和大幅面獲取地表散射信息等特點,在軍用及民用領域發(fā)揮著重要作用。極化SAR（Polarimetric SAR,PolSAR）可以發(fā)射和接收不同組合方式的極化波,為SAR影像解譯提供更豐富的地物目標極化信息。極化SAR影像信息表達具有多樣性、復雜性,極化散射機理、極化信息的有效提取和表達均有待進一步的研究,這為極化SAR影像的可視化、場景分類等解譯工作提出了更高的挑戰(zhàn)。深度學習在自然圖像處理等領域發(fā)揮著革命性的作用,在極化SAR影像解譯中也已逐步展現(xiàn)出優(yōu)異的性能以及巨大的潛力,為極化SAR影像的精細解譯提供新的解決方案�；谏疃葘W習的極化SAR影像解譯仍存在一些問題,首先,極化SAR影像具有特殊的微波成像機理,目視解譯較為困難。極化SAR影像地物信息由極化相干矩陣等表達,具有多種散射信息表達形式。從目視效果和數(shù)據(jù)表達上,極化SAR影像均與光學影像存在明顯差異。其次,在極化SAR影像分類的數(shù)據(jù)集上,獲取大量準確的標注樣本非常困難,深度學習模型難以學習... 

【文章來源】：武漢大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：145 頁

【學位級別】：博士

【部分圖文】：

PolSAR偽彩圖以及相應標注(a)RS-2Flevoland偽彩圖(b)RS-2Flevoland標注(c)

深度學習框架下的極化SAR影像信息表達與分類研究km0246中心緯度：52°20′15″N中心經度：5°22′26″EN干豆林地土豆苜蓿小麥裸地甜菜油菜豌豆草地水域未定義(a)(b)圖3.6:PolSAR偽彩圖以及相應標注(a)AIRSARFlevoland偽彩圖(b)AIRSARFlevoland標注圖114°18′E30°30′N30°24′N30°36′N114°08′E114°28′E114°20′E30°29′N圖3.7:武漢區(qū)域光學遙感影像3.4實驗結果與分析本節(jié)實驗結果均基于深度學習加速服務器，CPU是英特爾i7-7700，顯卡是英偉達GTX1080ti，內存是16G。加速服務器的系統(tǒng)是Ubuntu16.10，使用的深度學習框架是Caffe[138]。鄰域窗大小w設置為15�？傮w精度(OverallAccuracy,OA)以及kappa系數(shù)用于評價FFS-CNN的性能。本文使用經過修改的LeNet-5、AlexNet[17]以及VGGNet[117]作為對比方法。由于本文模型基于LeNet-5進行改進，因此在網絡結構、訓練速度方面本文網絡與LeNet-5相當。AlexNet和VGGNet的網絡結構相對復雜，網絡參數(shù)較多，通常用于大尺寸圖像分類。本文對AlexNet和VGGNet卷積-41-

武漢大學博士學位論文層的卷積核尺寸、步進，以及池化層的池化核尺寸、步進進行了修改，以適應像素鄰域窗數(shù)據(jù)的輸入。3.4.1RS-2Flevoland結果圖3.8和表3.2顯示了RS-2Flevoland數(shù)據(jù)集的分類結果圖以及精度。其中在文獻[139]中，作者也使用了RS-2數(shù)據(jù)集來進行精度評價，所以[139]的分類結果可以作為參考。FFS-CNN模型的結果中四種地物類型的分類精度均比LeNet-5高。在與AlexNet的對比中，除了林地略低外，其他的地物類型的精度均比AlexNet高。FFS-CNN的OA比LeNet-5和AlexNet分別高3.44%和1.45%，其OA也同樣比[139]要高。FFS-CNN的耕地分類精度比VGGNet要高，總體分類精度比VGGNet稍高。FFS-CNN在網絡層數(shù)與網絡參數(shù)比AlexNet和VGGNet少的情況下，在RS-2Flevoland數(shù)據(jù)集上取得了優(yōu)秀的分類結果。(a)(b)(c)(d)圖3.8:RS-2Flevoland數(shù)據(jù)集分類精度(a)LeNet-5結果(b)AlexNet結果(c)VGGNet結果(d)FFS-CNN結果表3.2:RS-2Flevoland數(shù)據(jù)集分類精度(%)方法水域林地建筑耕地OAKappaLeNet-596.0089.5489.9390.1890.960.88AlexNet97.8892.3786.6294.7592.950.90VGGNet97.9392.9294.2892.7494.210.92[139]方法98.6589.0773.4089.4290.01N/AFFS-CNN97.9091.9193.9994.9894.400.92-42-

【參考文獻】：
期刊論文
[1]未來星載SAR技術發(fā)展趨勢[J]. 鄧云凱,禹衛(wèi)東,張衡,王偉,劉大成,王宇.  雷達學報. 2020(01)
[2]雷達遙感六十年：四個階段的發(fā)展[J]. 郭華東,張露.  遙感學報. 2019(06)
[3]機載SAR發(fā)展現(xiàn)狀[J]. 程玉鑫,袁凌峰.  電子測試. 2016(08)
[4]面向全球變化探測的月基成像雷達概念研究[J]. 郭華東,丁翼星,劉廣,張道衛(wèi),傅文學,張露.  中國科學:地球科學. 2013(11)
[5]合成孔徑雷達衛(wèi)星發(fā)展歷程及趨勢分析[J]. 朱良,郭巍,禹衛(wèi)東.  現(xiàn)代雷達. 2009(04)
[6]機載SAR發(fā)展概況[J]. 曲長文,何友,龔沈光.  現(xiàn)代雷達. 2002(01)

博士論文
[1]基于深度空間特征學習的極化SAR圖像分類[D]. 張璐.西安電子科技大學 2019
[2]小樣本下的極化SAR圖像分類問題研究[D]. 滑文強.西安電子科技大學 2018
[3]極化SAR影像特征統(tǒng)計分析與分類算法研究[D]. 董浩.武漢大學 2018

碩士論文
[1]基于深度網絡的大場景SAR圖像目標檢識方法研究[D]. 唐翠.電子科技大學 2019



本文編號：3253251