合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)具有全天候、全天時(shí)成像的能力,在軍用與民用方面有著諸多應(yīng)用。SAR圖像分類提供了圖像中的地物類別信息,是SAR圖像解譯的關(guān)鍵環(huán)節(jié)。SAR圖像特征提取對(duì)分類精度有著重要的影響。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)能提取具有魯棒性與判別性的深層次圖像特征,因此基于CNN的SAR圖像特征提取與分類是一個(gè)前沿發(fā)展方向。CNN的網(wǎng)絡(luò)結(jié)構(gòu)缺乏對(duì)SAR圖像鄰域相關(guān)性信息的有效利用,限制了CNN的分類精度。針對(duì)這一問(wèn)題,論文圍繞SAR圖像鄰域相關(guān)性信息與CNN深度特征相結(jié)合這一主題,研究提出了SAR圖像分類新算法,論文主要研究工作如下:1)研究提出一種基于自適應(yīng)鄰域CNN(Adaptive Neighborhood-based CNN,AN-CNN)的SAR圖像分類算法。針對(duì)CNN未充分利用鄰域像素點(diǎn)間相關(guān)性信息的問(wèn)題,算法根據(jù)輸入圖像塊中的鄰域像素點(diǎn)到中心像素點(diǎn)的空間-特征雙邊距離來(lái)構(gòu)建自適應(yīng)權(quán)重,在此基礎(chǔ)上通過(guò)特征距離加權(quán)來(lái)提升邊界區(qū)域分類精度,通過(guò)空間距離加權(quán)來(lái)提升勻質(zhì)區(qū)域分類精度...

【文章頁(yè)數(shù)】：124 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖1.1SAR成像原理示意圖

合成孔徑雷達(dá)(SAR)是一種能夠進(jìn)行高分辨率二維成像的雷達(dá),根據(jù)其載體的差異可大致將SAR分為星載SAR與機(jī)載SAR。SAR采用側(cè)視的方式對(duì)地物進(jìn)行探測(cè),其成像原理可由圖1.1所示意。SAR圖像的二維特性可分為方位向信息與距離向信息。距離向信息與方位向信息相互垂直。因此,SAR圖....

圖1.2相干斑噪聲形成原理示意圖

一般情況下,SAR傳感器單個(gè)分辨單元內(nèi)包含大量散射體(如圖1.2所示),因此單個(gè)分辨單元內(nèi)雷達(dá)觀測(cè)值如公式1.2所示:在公式1.2中,表示第k個(gè)散射單元散射波的幅度與相位,N代表一個(gè)散射單元內(nèi)散射單元的數(shù)量。實(shí)驗(yàn)結(jié)果表明,在滿足完全發(fā)育相干斑[93]假設(shè)的前提下,后向散射源在統(tǒng)計(jì)....

圖2.1CNN結(jié)構(gòu)示意圖

如圖2-3所示,卷積層由多個(gè)特征圖構(gòu)成,每個(gè)特征圖對(duì)應(yīng)一個(gè)神經(jīng)元,每個(gè)神經(jīng)元都通過(guò)若干卷積核與上一層的每個(gè)特征圖進(jìn)行局部連接。卷積核是一個(gè)矩陣,該矩陣采用滑動(dòng)窗口對(duì)上一層的特征圖進(jìn)行卷積操作。不同的卷積核可以提取不同的特征,這就使得CNN提取的特征是多樣,從而具有魯棒性。CNN不....

圖2.2ReLU函數(shù)示意圖

圖2.2為ReLU函數(shù)的圖像,可以看出當(dāng)輸入大于0的,函數(shù)的輸入與輸出相等,反之輸出為0。相比于飽和非線性函數(shù),ReLU可提升CNN分類精度的原因有三個(gè)方面:第一,使用ReLU解決了梯度消失問(wèn)題,使得CNN的深度得以加深,從而提升分類精度[2]。第二,可以抑制冗余的神經(jīng)元的活性,....

本文編號(hào)：3987404