基于深度SVM和深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR影像地物分類.pdf

1、作為主動式雷達(dá)成像系統(tǒng)的合成孔徑雷達(dá)具有全天時、全天候的特點(diǎn)，可以提供大尺度二維高分辨率地球表面反射率圖像。目前，它已經(jīng)獲取了大量的SAR圖像，這些圖像被廣泛地應(yīng)用于戰(zhàn)略目標(biāo)探測、作物生長監(jiān)測、森林監(jiān)控等領(lǐng)域。極化合成孔徑雷達(dá)是在合成孔徑雷達(dá)的基礎(chǔ)上發(fā)展起來的，它能夠獲取更為豐富有用的信息。與傳統(tǒng)的單極化SAR相比，我們通常用極化矩陣形式表示極化合成孔徑雷達(dá)測量的數(shù)據(jù)，而散射矩陣通常又與其對應(yīng)的散射機(jī)理模型有關(guān)，因此其信息的挖掘和提取更

2、為復(fù)雜。分類是對極化SAR數(shù)據(jù)進(jìn)行解譯和理解研究的一個重要方向，分類得到的結(jié)果圖既可以作為中間結(jié)果繼續(xù)用于進(jìn)行邊緣提取、目標(biāo)檢測和識別等操作，也可以作為最終結(jié)果直接輸出給用戶。因此，對極化SAR數(shù)據(jù)進(jìn)行分類研究是很有必要的，而且具有一定的現(xiàn)實(shí)價值。
　　時至今日，已經(jīng)提出了不少關(guān)于極化SAR影像地物分類的算法。本文在傳統(tǒng)算法的基礎(chǔ)上，主要針對極化SAR圖像分類器的設(shè)計進(jìn)行了兩大方面的研究，所取得的主要研究成果如下：
　　第一

3、部分工作為：深度SVM分類算法的研究。將最近提出的深度SVM的算法應(yīng)用到極化SAR分類問題中，并對深度SVM的算法進(jìn)行了一系列的改進(jìn)。主要工作包括：
　?。?）基于深度稀疏SVM的極化SAR影像地物分類。將深度SVM的模型和稀疏的最小二乘的LS-SVM算法相結(jié)合，提出了一種基于深度稀疏SVM的極化SAR影像地物分類方法，解決了原算法運(yùn)行速度慢的問題。利用本章提出的算法進(jìn)行仿真實(shí)驗(yàn)，得到的實(shí)驗(yàn)結(jié)果表明算法具有一定的可實(shí)施性，并且將算

4、法與其他同種類型算法相比，體現(xiàn)了該算法的高效性和準(zhǔn)確性。
　　（2）基于協(xié)同深度SVM的極化SAR影像地物分類。將協(xié)同訓(xùn)練引入到深度SVM分類器的訓(xùn)練中，提出了一種基于協(xié)同深度 SVM的極化 SAR影像地物分類方法。通過協(xié)同訓(xùn)練的思想訓(xùn)練深度SVM分類器，使深度SVM在訓(xùn)練的過程中能同時利用有標(biāo)記和無標(biāo)記樣本的信息，從而提高分類的準(zhǔn)確率。
　?。?）基于深度小波核SVM的極化SAR影像地物分類。將深度SVM分類器中的SVM的

5、高斯核替換成小波核，提出了一種基于深度小波核SVM的分類器模型。針對提出的方法進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該方法能夠更好的擬合數(shù)據(jù)，從而提高分類的準(zhǔn)確率。
　　第二部分工作為：神經(jīng)網(wǎng)絡(luò)算法的研究。通過對小波神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的這兩種算法進(jìn)一步研究，提出了一種基于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR影像地物分類方法。深度小波神經(jīng)網(wǎng)絡(luò)采用深度學(xué)習(xí)的訓(xùn)練方式訓(xùn)練深度小波神經(jīng)網(wǎng)絡(luò)，避免了網(wǎng)絡(luò)層數(shù)較多時出現(xiàn)梯度擴(kuò)散的問題，并且能夠提取出反映數(shù)據(jù)本質(zhì)特