極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,POLSAR)可對地面或者空間的目標進行探測,具有全天候、全天時、高精度、高效率等特點,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具有非常豐富的極化信息,有利于后續(xù)的數據分析工作。圖像理解與解譯包含很多任務,例如目標識別、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用之一,也是地物識別的基礎。分類的結果可以作為最終結果輸出給用戶提供重要的目標信息,也可以作為中間結果,為后續(xù)目標識別、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、數據規(guī)模巨大、有標簽的訓練樣本過少以及相干斑噪聲嚴重等缺點,給分類工作帶來了不小的困難。本論文以極化SAR數據為研究對象,針對極化SAR圖像分類任務中存在的較難得到適合分類的特征、含噪樣本較多且有標簽的樣本較少等難點以及極化SAR數據的特性,設計了一系列結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圖像較難同時獲得光滑的區(qū)域和清晰的邊緣,設計了一個基于高概率選擇和自適應MRF(Markov Random Field,MRF)的分類框架。SVM(Support Vector Machine,SVM)分類器是一個具有判別性的傳統分類器,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,在所設計的分類框架中利用Wishart距離來增強概率輸出SVM分類器的判別性,與此同時,利用自適應窗口的MRF來對圖像的同質區(qū)域進行平滑操作。經過大量的實驗驗證,這款分類器可以同時得到更清晰的邊緣和更平滑的同質區(qū)域,并提高了分類精度。2.針對極化SAR圖像有標記樣本不足的問題,提出了基于稀疏自編碼器(Sparse Autoencoder,SAE)和邊緣保持的Wishart馬爾科夫隨機場的極化SAR圖像分類方法。SAE是一個端對端的特征分類器學習框架,學習的過程是受分類指導的,它可以無監(jiān)督的自動逐層學習到有利于分類的判別性特征,然后用少量的樣本進行微調,以此來減少對樣本數量的需求。接下來,用邊緣保持的MRF來減輕相干斑噪聲,并且彌補SAE分類結果的不確定性和模糊性。并且同時提出了一個糾錯策略來對MRF分錯的像素進行糾正。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果,并同時為改善邊緣處的分類效果提供豐富的信息。第二層的設計基于極化SAR空間信息,用MRF糾正第一層的分類結果。其有效性在不同的極化SAR數據上得到了驗證。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果這一弊端,提出了一個判別式的分類模型。該分類模型在間隔最大化的框架下重新設計了適合極化SAR圖像分類的特征函數。該特征函數包括兩個部分:散射項和空間項。其中散射項用了經典的SVM算法,此算法可以有效的學習間隔最大化框架的決策邊界,并且在訓練樣本有限的情況下,能夠有效提升極化SAR圖像的分類準確率。在空間項應用了條件隨機場來將上下文信息融合在觀測域和標簽域中,并用Wishart分布來描述極化SAR圖像的統計特性。與兩階段分類器不同的是,本方法不是特別依賴于空間項進行糾正錯誤,而在分類器學習的過程中利用了空間信息。實驗表明,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數據訓練樣本較少且受相干斑的影響較大,使得分類器的學習性能受到影響。提出一種遞歸卷積神經網絡(Convolutional Neural Network,CNN)模型,將每一次分類結果中具有高置信度的分類結果的樣本加入到訓練樣本中,再對整個模型進行訓練,得到一個半監(jiān)督的極化SAR圖像分類模型,該模型脫離了有監(jiān)督分類對人工標定樣本的依賴。此外,該模型是基于判別性特征學習的端對端的分類框架,在CNN進行卷積操作時自動的學習到極化SAR圖像的空間紋理特征,并且試圖從高置信度的樣本中學習到有利于分類的特征。該模型有三點好處:首先通過從每一次迭代分類結果中不斷地增加訓練樣本,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參數的初始化都用上一次學習的結果,從而參數的設置會越來越魯棒,使得整個模型不會因為隨機初始化而降低性能。
【學位單位】：西安電子科技大學
【學位級別】：博士
【學位年份】：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1.1.2國內SAR系統發(fā)展我國在微波遙感和雷達探測方面起步較晚，但是隨著大量的學者和研究人員投入到雷達事業(yè)的研究中，近年來在很多領域邁進了國際先進的行列。中科院電子所是我國微波成像技術的領頭單位，在雷達技術領域取得了很大的成果，是國內星載 SAR、機載 SAR 領域最重要的研發(fā)機構之一。近 30 年來，完成了幾代合成孔徑雷達系統的研發(fā)。1979 年，我國第一套機載 SAR 原理樣機在中科院電子所研制成功，并于同年獲取國內第一幅 SAR 圖像。南京航空航天大學與隸屬于中國航天工業(yè)的 607 研究所于 2000 年共同研發(fā)出機載 SAR，命名為 JZ8-SAR[39]。中國電子科技集團公司第 38研究所于 2004 年成功研制出有自主功能的機載拍攝的雙極化SAR 系統

電磁波與目標的相互作用

首先對其進行濾波等預處理，然后提取感興趣的特征進行分類，分類后經過后處理得到相應的分類結果圖。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]。根據是否需要有標簽的訓練樣本進行人工指導，又可分為有監(jiān)督和無監(jiān)督的分類方法[62,63]。根據如何利用極化信息，可分為直接利用散射矩陣和散射向量的分類方法、直接利用協方差矩陣和相干矩陣的分類方法以及利用極化目標分解的方法[63-66]。本章根據近年來極化 SAR 圖像分類的研究趨向，將極化 SAR 分類任務分為三個類別：基于極化數據統計分布的分類、基于目標分解的分類以及基于機器學習的分類。(1) 基于目標分解的分類方法這種分類方法通過執(zhí)行目標分解[67]來提取各個類別的特征，然后將得到的特征輸入到合適的分類器得到分類結果。通常將極化測量數據分解成不同的成分，之后利用這些不同的成分信息將極化 SAR 數據分成不同的類別。接下來介紹幾種較為著名的目標分解的方法。Krogager 等人于 1990 年提出了一種目標分解的方法
【參考文獻】

相關期刊論文 前3條

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

2 晏磊;羅立;張雪虎;;真實孔徑雷達海洋圖像的分形特征分析[J];電波科學學報;2007年04期

3 朱岱寅,朱兆達,謝求成,葉少華,張昆輝;機載SAR斜視區(qū)域成像研究[J];電子學報;2002年09期

本文編號：2844641