【摘要】：極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,PolSAR)能夠獲取豐富的目標散射信息,其地物分類方法也逐漸成為近年雷達圖像解譯的研究熱點。目前,已發(fā)展出大量有監(jiān)督和無監(jiān)督PolSAR圖像地物分類方法。其中,無監(jiān)督學習方法不需要標記樣本,但通常要求較強的專家知識設(shè)計判別性的極化散射特征,且分類精度不高。監(jiān)督學習則使用大量標記樣本訓練模型,雖然可以獲得相對準確的分類結(jié)果,但樣本標記成本較高,實用性受限。針對PolSAR圖像地物分類中無監(jiān)督方法精度不高,而傳統(tǒng)監(jiān)督方法標記樣本數(shù)量與成本受限等問題,本文提出了一系列使用小規(guī)模標記樣本的PolSAR圖像地物分類方法。主要研究工作和創(chuàng)新包括:1.實現(xiàn)了一種基于FSW-LapSVM的小樣本PolSAR圖像地物分類方法。該方法首先從極化協(xié)方差矩陣中提取特征,并基于極化協(xié)方差矩陣服從的復Wishart分布特性與空間關(guān)系,為大量無標記樣本設(shè)計Spatial-Wishart相似度與相應的圖正則。其次,引入像素模糊標簽降低數(shù)據(jù)噪聲對分類的影響,提高模型魯棒性。該方法利用大量廉價無標記樣本輔助分類,降低標記成本,使得在小樣本條件下也獲得較好的分類性能。多組實驗結(jié)果表明,該方法在0.5%~1%的小樣本條件下能夠獲得較高的分類準確率。2.實現(xiàn)了一種基于深度卷積孿生網(wǎng)絡的小樣本PolSAR圖像地物分類方法。該方法基于空間一致性假設(shè),引入空間鄰域信息,并利用深度神經(jīng)網(wǎng)絡自動提取特征。針對深度模型嚴重依賴大量樣本的問題,該方法設(shè)計一種有監(jiān)督預訓練加有監(jiān)督微調(diào)的深度網(wǎng)絡模型,在小樣本條件下利用深度學習實現(xiàn)端到端的精準分類。首先構(gòu)造權(quán)值共享的卷積孿生網(wǎng)絡,使小樣本數(shù)據(jù)集得到極大擴充的同時提取更易于分類的差異化特征。隨后,在孿生網(wǎng)絡之上增加全連接分類網(wǎng)絡組成深度卷積孿生網(wǎng)絡,并利用監(jiān)督信息微調(diào)整個網(wǎng)絡,實現(xiàn)網(wǎng)絡分類能力。在多組PolSAR數(shù)據(jù)集上的實驗結(jié)果表明,在每類僅標記10個樣本的條件下,該方法具有較好的分類效果。3.實現(xiàn)了一種基于深度卷積Bi-LSTM孿生網(wǎng)絡的小樣本PolSAR圖像地物分類方法。該方法在深度卷積孿生網(wǎng)絡的基礎(chǔ)上,對空間鄰域信息進行雙向時序建模,更合理地利用鄰域信息。雙向LSTM可以提取更完整的樣本信息,使分類結(jié)果更加準確。另外,卷積的引入可以刻畫數(shù)據(jù)局部特征并降低數(shù)據(jù)冗余,防止模型過擬合。在小樣本條件下,該方法更充分更合理地利用樣本信息來提高分類性能。最后,多組實驗結(jié)果表明,同樣在每類僅標記10個樣本時,該方法可以進一步提高分類準確率。
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN957.52
【圖文】：

SVM分類結(jié)果圖(e)LapSVM分類結(jié)果圖(c)S-Wishart分類

23(f) SSA 分類結(jié)果圖 (g) W-RBM 分類結(jié)果圖 (h) W-DBN 分類結(jié)果圖(i) SW-LapSVM 分類結(jié)果圖 (j) FSW-LapSVM 分類結(jié)果圖圖2.3 San Francisco 地區(qū)子圖實驗結(jié)果圖海洋 植被 低密度城區(qū) 高密度城區(qū)

FSW-LapSVM分類結(jié)果圖(i)SW-LapSVM分類

【參考文獻】

相關(guān)期刊論文 前2條

1 吳永輝;計科峰;郁文賢;;基于支持向量機的極化SAR圖像分類[J];現(xiàn)代雷達;2007年06期

2 劉秀清,楊汝良,楊震;雙波段全極化SAR圖像非監(jiān)督分類方法及實驗研究[J];電子與信息學報;2004年11期

相關(guān)博士學位論文 前1條

1 吳永輝;極化SAR圖像分類技術(shù)研究[D];國防科學技術(shù)大學;2007年

本文編號：2806613