極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,PolSAR)是一種先進(jìn)的微波探測系統(tǒng),具有全天時、全天候的特點,能同時獲取4個通道的信息,在民用和軍用領(lǐng)域發(fā)揮著不可替代的作用。其中極化SAR影像場景分類作為極化SAR影像解譯的重要任務(wù)之一,受到越來越多的關(guān)注�；趥鹘y(tǒng)方法的PolSAR影像分類精度通常依賴于特征的選取,受先驗知識和噪聲的限制,無法得到滿意的精度。深度學(xué)習(xí)的方法可以自動的從數(shù)據(jù)中抽象出其本質(zhì)特征并能利用高層次空間信息和極化信息降低噪聲的干擾,實現(xiàn)PolSAR影像的高精度分類。本論文探究基于深度卷積神經(jīng)網(wǎng)絡(luò)的極化SAR影像分類方法,主要內(nèi)容如下:1、提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的集成遷移框架。該方法充分利用影像中的極化信息和空間信息,實現(xiàn)了在小樣本上的高精度分類。首先研究了三種高級極化分解方式對PolSAR影像分類的影響,隨后遷移三種經(jīng)典模型用于極化SAR影像分類,最后選用合適的模型對高級極化參數(shù)進(jìn)行集成學(xué)習(xí)。2、可視化卷積神經(jīng)網(wǎng)絡(luò)在影像分類中的工作模式,探索不同模塊對不同數(shù)據(jù)的處理方式以及具體現(xiàn)象出現(xiàn)的原因,驗證了將光學(xué)模...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 極化SAR圖像分類方法國內(nèi)外研究現(xiàn)狀
    1.3 總體研究方案和論文結(jié)構(gòu)
第2章 極化SAR理論基礎(chǔ)
    2.1 極化SAR表示形式
        2.1.1 極化散射矩陣
        2.1.2 極化協(xié)方差矩陣
        2.1.3 極化相干矩陣
    2.2 極化目標(biāo)分解
        2.2.1 Yamaguchi分解
        2.2.2 H/A/a分解
第3章 深度卷積網(wǎng)絡(luò)理論基礎(chǔ)
    3.1 卷積神經(jīng)網(wǎng)絡(luò)原理和基本組成單元
        3.1.1 卷積層
        3.1.2 池化層
        3.1.3 常用激活函數(shù)
        3.1.4 反卷積層
    3.2 分類網(wǎng)絡(luò)模型
        3.2.1 VGG模型
        3.2.2 ResNet模型
        3.2.3 DenseNet模型
    3.3 分割網(wǎng)絡(luò)模型
        3.3.1 SegNet
        3.3.2 U-net
    3.4 遷移學(xué)習(xí)
    3.5 集成學(xué)習(xí)
第4章 基于預(yù)訓(xùn)練和多極化參數(shù)的高分辨率極化SAR場景分類方法研究
    4.1 研究區(qū)概述
    4.2 分類數(shù)據(jù)集
    4.3 基于深度神經(jīng)網(wǎng)絡(luò)模型的場景分類
        4.3.1 模型訓(xùn)練與實驗結(jié)果分析
        4.3.2 模型可視化
    4.4 基于極化信息與空間信息集成的場景分類
        4.4.1 不同極化參數(shù)對分類結(jié)果的影響
        4.4.2 極化信息與空間信息的集成模型及結(jié)果分析
第5章 基于小樣本的極化SAR語義分割方法研究
    5.1 分割數(shù)據(jù)集
    5.2 多尺度模型及實驗分析
        5.2.1 多尺度FCN模型
        5.2.2 實驗結(jié)果與分析
    5.3 多極化模型及實驗分析
        5.3.1 添加極化分解的PolSAR-FCN網(wǎng)絡(luò)
        5.3.2 實驗結(jié)果與分析
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號：3848995