论文部分内容阅读
随着高分辨率极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)卫星的陆续投入使用,PolSAR技术逐渐成为了遥感领域的研究热点之一。尤其是高分三号的发射升空,更是弥补了我国在高分雷达领域的空白。而PolSAR地物分类作为SAR图像解译的一项重要技术,在军事、农业、林业、环境保护、水文监测、城市规划以及地质勘探等方面具有重大的研究和应用价值。基于传统图像分类方法的PolSAR地物分类算法通常依赖于特定特征的选取,算法过程通常会依靠严密的数学计算,因此关于分类阈值等参数的确定需要一定的先验知识。与此同时,传统分类方法通常以像素为基本单位,易受到相干斑噪声的影响;而深度学习方法既可以从原始数据中抽象出更高维的特征又能充分利用二维空间信息。本论文主要开展了PolSAR地物分类方法的研究。主要研究内容和创新如下:1.探索了一种结合多尺度分割和径向基神经网络的PolSAR地物分类方法。研究了径向基神经网络在PolSAR地物分类领域的应用,为消除SAR图像本身固有的相干斑特性和真实地物类型具有的不规则边界情况,探索了基于径向基神经网络的像素级分类结合分割对象的PolSAR地物分类方法。该方法有效减少了破碎孤立点的产生并有效提高了分类精度。2.提出了一种基于多尺度GoogLeNet卷积神经网络的PolSAR地物分类方法。考虑到基于像素级的分类过程并未顾及到SAR图像的二维空间信息和纹理特征等问题,分析了不同地物类型在真实地表覆盖中的不同规模,引入了多尺度卷积神经网络模型进行地物分类。该方法同时考虑了真实地物边界和极化SAR图像的二维空间信息,有效提升了分类结果的完整性和分类精度。3.为避免多尺度分割带来的区域局部分类精度不一致,采用超像素分割方法构建样本集并对AlexNet卷积神经网络进行训练,利用训练好的网络模型对实验区域进行分类验证。该方法以超像素分割对象为样本,并为适应小尺度样本选用网络结构稍浅的AlexNet卷积神经网络,提高了分类精度、简化了分类流程且增加了普适性。