论文部分内容阅读
相比普通合成孔径雷达(SAR)图像,具有全天候运作能力的极化SAR系统能够同时发射和接受不同极化方向的电磁波能量,使得数据具有更加丰富的目标散射信息。然而对于复杂的极化SAR数据,普通的图像分类方法很难处理复数矩阵格式,并且传统的极化SAR图像分类方法只是关注极化SAR数据的散射特征或者数据统计特征。为了能够提取极化SRA图像中的整体图像特征信息,提高分类准确率和结果一致性。本文主要结合了极化SAR图像分类的传统方法和深度学习模型进行了研究。主要工作概括如下:(1)提出了一种基于散射能量特征的堆栈自编码极化SAR图像分类算法。该方法中,使用极化方位角补偿对极化SAR中的相干矩阵进行补偿,然后使用极化SAR中的Freeman-Durden分解方法提取极化SAR像素的散射能量特征,为提取极化SAR图像的图像空间特征,算法使用以像素点为中心的像素块作为堆栈自编码的输入,使用堆栈自编码网络作为分类算法进行分类。该方法使用散射能量作为极化SAR像素点特征,降低了数据复杂度,并使用像素块作为输入融合极化SAR图像的图像特征,使用深度学习模型中的堆栈自编码网络进行分类,实验结果表明,本章提出的算法,能够结合极化散射特征和图像的空间信息,相比其他算法在实验中获得更好的结果。(2)提出了一种基于Wishart距离和卷积网络(CNN)的极化SAR图像分类方法。基于极化SAR相干矩阵和协方差矩阵都属于埃尔米特矩阵的性质,我们对Wishart距离公式进行了进一步简化,提出了新的Wishart分类器,faster Wishart。并利用faster Wishart结构,结合CNN网络结构,提出了关于CNN的3×3的卷积层结构Wishart CNN。利用Wishart CNN与普通的卷积网络结构,提出了 W-CNN极化SAR图像分类算法。Faster Wishart计算Wisahrt距离将复数向量运算转化为实数向量运算,降低了运算时间和计算复杂度,并且简化了算法的优化过程。Wishart CNN结构既能提取极化SAR的数据统计信息又能结合CNN的特性提取极化SAR的图像特征,增强了极化SAR图像的特征提取能力。在实验中,相比其他算法,W-CNN能够得到更加精确的分类结果并且结果图谱更加清晰。(3)提出了基于全卷积网络和Wishart分类器的极化SAR地物分类方法。在该方法中,首先我们提出了新的图像语义分割网络Close-U-net,使用Colse-U-net对极化SAR图像进行语义分割。得到粗略的分割图谱后,我们再使用Wishart分类器对未确定的像元进行进一步划分,最后得到分类结果。该方法首先使用Close-U-net能够提取极化SAR图像的语义特征,并且基于极化SAR标记样本少的特点,Close-U-net网络结构能够节省训练样本,收敛速度快。其次,我们使用Wishart分类器,结合极化SAR数据的统计特征信息,提高了算法的准确率。