论文部分内容阅读
极化合成孔径雷达(Polarmetric Synthetic Aperture Radar,PolSAR)是一种能够获取地面对空间、波谱和入射(或观测)方向变化信息的有力工具。人们在不断提高图像空间分辨率的同时,通过采用了多通道极化的方式来获取大量的特征信息,从而为提高图像分类的能力提供了更多信息支撑。极化合成孔径雷达获得的目标的完全极化数据,能够提供数量大且种类丰富的目标散射信息,使得人们可以更加有效地对遥感图像的进行分类与识别任务。而稀疏表示方法则能够去除这些特征中的冗余,从而使得分类变得更加快速有效。本文主要立足于极化SAR图像地物分类方法的研究,对极化SAR图像的散射矩阵信息和稀疏编码开展了系统的学习,主要包含以下内容:1.提出了一种基于稀疏编码和对偶字典学习的极化SAR图像分类方法。该方法在传统的字典学习方法上增加了一个分析字典,即通过合成字典与分析字典构成的字典对,对编码后的极化散射特征进行学习,并根据残差进行多分类。通过在不同数据集上的实验,验证了本章方法既能表现出良好的分类正确率,在运行速度上也具有较强的竞争力。2.提出了一种基于极化-纹理特征与对偶字典学习(Dictionary Pair Learning,DPL)的极化SAR图像分类方法。该方法将原始极化SAR图像中的极化散射特征与图像纹理特征相结合,得到了图像的极化-纹理特征,对其进行稀疏编码后,再利用对偶字典进行学习,这使得参与到对偶字典学习方法中的特征变得更加丰富完整。其实验结果相比于单独使用极化散射特征时,在没有增加运行时间代价的前提下,采用本章方法得到的分类正确率有很大提高。3.提出了一种基于极化-纹理特征和堆栈稀疏自编码器(Stacked Sparse Autoencoder,SSAE)的极化SAR图像分类方法。该方法利用多个稀疏自编码器构建出一种堆栈稀疏自编码器结构。采用堆栈稀疏自编码器模型可以挖掘出更多有用的信息,得到相比于编码后的极化-纹理特征更高层次的特征,根据部分已知带标记样本进行半监督学习,最后利用Softmax分类器进行分类。在三组实验数据集上进行验证,采用本章方法得到了良好的分类效果。