论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)作为一种获取遥感信息的先进手段,能够全天时、全天候、远作用距离地获取不同极化收发方式下目标丰富的散射信息。PolSAR的强信息获取能力显著增强了它对目标检测与分类的能力,它在生态环境监测、农作物产量估计、资源勘测等民用以及战场侦察、态势监视等军用方面都具有广阔的应用前景。当前,基于PolSAR图像的目标检测与分类算法的性能主要依赖于利用先验信息设计的目标特征提取模型。然而,不准确的先验信息与模型极易影响目标检测与分类的性能。深度学习方法不仅能够自适应提取目标的二维空间信息等低维特征,同时能够充分挖掘数据中的高维特征信息。因此,基于深度学习的PolSAR图像分类与目标检测研究具有重要的理论意义和应用价值。本文在国家自然科学基金项目、教育部新世纪优秀人才支持计划项目和横向课题等资助下,结合实际PolSAR系统应用,重点研究了基于深度学习的PolSAR地物分类与目标检测方法,并在实测数据上获得了良好的目标检测与分类效果,具体的研究内容包括以下几个方面:1.阐述了极化基本理论,分别从电磁波极化表征、极化散射机理及其表征和极化分解理论等方面对PolSAR数据的特性和表征形式进行了详细的分析,为后续基于深度学习方法的PolSAR地物分类与舰船检测方法奠定了理论基础。2.针对卷积神经网络对PolSAR数据分类时计算效率低且不能够实现端到端分类的问题,提出了一种基于SegNet的PolSAR地物分类方法,该方法能够接受任意大小PolSAR图像为输入且获得端到端的像素级分类结果。首先利用基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)对 PolSAR 图像中地物目标的特征进行编码,然后利用含有反池化层的DCNN对编码的结果进行解码并输出地物分类的分数结果图,从而实现对PolSAR地物的分类。基于实测极化数据的地物分类结果验证了所提方法的有效性。3.针对当前基于恒虚警率(Constant False-Alarm Rate,CFAR)的检测算法精度不高而且容易造成虚警的问题,提出了一种基于改进的Faster R-CNN的PolSAR舰船目标检测方法。该方法利用DCNN自动提取舰船目标的层级特征,并利用多尺度特征生成适应不同尺度舰船目标的目标候选框,然后结合Faster R-CNN框架结构实现对多尺度舰船目标的快速稳健检测。同时,利用AIRSAR与UAVSAR平台产生的极化数据建立了舰船、海面与海岸样本数据库,设计了基于DCNN的分类器实现快速精确的海陆分割,抑制了场景中海岸对舰船目标检测的影响。基于实测极化数据的舰船检测结果验证了基于改进的Faster R-CNN的PolSAR舰船目标检测方法的有效性。