论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)因其全天时、全天候的优点,在多个领域都得到了广泛的应用。极化SAR图像分类是极化SAR图像解译十分关键的一个方向,因此对极化SAR图像分类算法的研究就显得至关重要,好的分类算法可以对后续图像识别打下坚实的基础。本文主要是基于稀疏编码和深度学习两种理论,提出新的十分有用的极化SAR图像分类算法。稀疏编码能够减小图像样本集的特征之间的冗余度,有利于提取更加具有代表性的特征。深度学习以对原始的极化SAR数据提取更抽象的特征,以获得较好的极化SAR分类效果。结合上面这两种理论,本文提出了三种新方法对极化SAR图像进行分类,主要工作如下:1、提出了一种基于主成分分析(Principal component analysis,PCA)和支撑矢量引导字典学习(Support Vector Guide Dictionary Learning,SVGDL)的极化SAR图像分类方法。该方法的主要思想如下。首先对极化SAR数据提取邻域特征,然后为了降低计算负担和模型复杂度,对极化SAR图像的特征矩阵采用PCA方法进行降维,最后通过支撑矢量引导字典学习SVGDL模型进行字典学习,获得最终的分类结果。采用本方法在三幅极化SAR数据上进行了实验,并取得了较好的效果。可以看出,采用本方法进行极化SAR图像分类,既提高了分类精度,又降低了计算复杂度。2、提出了一种栈式稀疏自编码器(Stacked Sparse Autoencoder,SSAE)和支撑矢量引导字典学习(SVDGL)的极化SAR图像分类方法。栈式稀疏自编码器作为深度学习模型之一,可以对极化数据提供更为抽象有效的特征,而支撑矢量引导字典学习模型可以对极化SAR数据进行字典学习获取极化SAR数据的编码向量。该方法首先对极化SAR数据采用精致Lee滤波方法进行滤波,并根据极化SAR图像的真实地物分布选取训练样本和测试样本,然后通过栈式稀疏自编码器对数据提取更深层次更具代表性的特征,最后,将特征矩阵输入到SVGDL模型中进行编码并分类,获得最终的分类结果。实验结果表明,采用本方法对极化SAR图像进行分类能够有效地提高分类精度。3、提出了一种基于深度Bandelet网络的极化SAR图像分类方法。Bandelet可以得到图像渐进的最优表示,而卷积神经网络可以对二维图像进行特征提取,保留图像的空间结构信息。该方法的主要思想是将卷积神经网络与多尺度条带波Bandelet相结合,对卷积神经网络的卷积层的滤波器进行Bandelet变换,构造深度Bandelet网络,使得网络能够更有效地提取图像的特征,在不增加卷积神经网络对极化SAR图像分类的运行时间的同时,又能取得更高的分类精度。