论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Rader,简称PolSAR)作为一种获取遥感信息的先进手段,得到了越来越多的关注。极化SAR通过测量地面每一个分辨单元在四种不同的极化组合下的散射特性,从而得到目标对应的极化信息,因此比普通的单极化SAR能记录更多的地物目标电磁散射特征信息。同时,由于极化SAR图像本身的数据特点,对图像的深层次解译和分析提供了更多的依据,因此和普通的遥感图像相比,更具有研究价值。极化SAR图像的分类是极化SAR图像解译的重要研究内容,也是当下研究热点之一。极化SAR在民用和军事领域中都有很广泛的应用,鉴于极化SAR图像的应用广泛性与重要性,对极化SAR图像的进一步研究有着极其重要的意义。因此对极化SAR数据的精确分类也显得尤其重要。本文使用深度学习的方法对极化SAR图像进行分类,取得了较好的效果。本文的研究内容包括以下几部分:1.由于极化SAR数据有很多可用的无标签数据,考虑到这一问题,本文将深度学习方法的模型之一深度置信网络(DBN)应用于极化SAR图像分类,该网络可以充分使用全部的无标签数据对极化SAR建模。首先对DBN模型的基本结构以及基本原理进行深入的研究。鉴于文中提取的极化SAR数据特征的特殊性,将一般的二进制RBM扩展到高斯RBM(GRBM)。2.传统的基于DBN的极化SAR分类方法是直接将极化相干矩阵T或者极化协方差矩阵C作为网络的输入进行训练,这样只能提取极化SAR的部分特征,很多特征信息不能被使用,这会导致因特征不足而出现的分类效果差的问题,因此本文提出一种结合极化SAR原始相干矩阵T、极化散射特征以及极化SAR纹理特征的多特征的数据,将极化SAR数据的散射机制与空间特征相结合,充分的利用了数据的特征,分类效果得到了提高。3.对极化SAR图像处理时,一般都是对数据进行矢量化,而极化SAR数据可以表示为张量形式,矢量化会导致空间信息的破坏和丢失,而极化SAR图像像素之间会存在冗余信息,针对这两个问题,本文提出了一种可以接受极化SAR张量结构输入的降维算法,基于张量的PCA降维方法,并结合DBN算法进行分类,有效的提高了分类准确率。