基于CNN特征學(xué)習(xí)和SVM的極化SAR影像地物分類(lèi).pdf

1、極化合成孔徑雷達(dá)(Polarimetric Synthetic ApertureRadar，PolSAR)通過(guò)測(cè)量方位向分辨單元與距離向分辨單元內(nèi)的具有極化性質(zhì)的散射回波來(lái)獲得相應(yīng)目標(biāo)的極化信息，與傳統(tǒng)的SAR進(jìn)行比較，極化SAR可以得到更為豐富的地物散射信息，這提高了地物分類(lèi)和目標(biāo)識(shí)別的能力，因此極化SAR影像地物分類(lèi)在相關(guān)領(lǐng)域扮演著越來(lái)越重要的角色，它的目的是在對(duì)影像中每個(gè)像素進(jìn)行類(lèi)別標(biāo)定時(shí)，使散射矩陣、極化相干矩陣等極化SAR影像

2、的測(cè)量數(shù)據(jù)得到最大程度的利用。
　　目前極化SAR影像地物分類(lèi)方法使用的特征大多是基于淺層模型學(xué)習(xí)得到的特征，而這些特征比較低級(jí)，沒(méi)有充分結(jié)合極化SAR影像的極化信息和空間相關(guān)性，對(duì)這些先驗(yàn)知識(shí)挖掘不夠充分，最后利用這些特征直接進(jìn)行類(lèi)別判定，導(dǎo)致極化SAR影像地物的分類(lèi)效果不好。其中，影響極化SAR影像地物分類(lèi)效果的兩個(gè)關(guān)鍵要素是特征學(xué)習(xí)與分類(lèi)器選擇，本文基于此，做了如下研究：
　　（1）提出了一種基于自動(dòng)編碼器（AutoE

3、ncoder, AE）的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)卷積特征學(xué)習(xí)和支持向量機(jī)（Support Vector Machine，SVM）的極化SAR影像地物分類(lèi)方法。該方法充分利用影像的空間相關(guān)性，保證局部鄰域像素的相對(duì)位置不變，每個(gè)像素以影像形式輸入到CNN中，其中卷積核參數(shù)采用學(xué)習(xí) AE網(wǎng)絡(luò)的方式來(lái)確定，將原始特征空間映射到卷積池化特征空間。相比于其他淺層特征學(xué)習(xí)和深度特征學(xué)習(xí)，該

4、方法提取更高級(jí)更本質(zhì)的特征，利用高效分類(lèi)器SVM進(jìn)行分類(lèi)，提高了分類(lèi)精度。
　?。?）提出了一種基于主分量分析（Principal Component Analysis，PCA）的池化特征學(xué)習(xí)和SVM的極化SAR影像地物分類(lèi)方法。由于（1）所提方法中池化操作是針對(duì)卷積操作后得到的每幅卷積圖進(jìn)行局部操作，使得深度卷積網(wǎng)絡(luò)和SVM訓(xùn)練時(shí)間過(guò)長(zhǎng)，針對(duì)此問(wèn)題，本部分采用PCA進(jìn)行池化操作，這樣使得卷積之后得到的每幅卷積圖可以作為整體進(jìn)行池

5、化特征學(xué)習(xí)，明顯減少了訓(xùn)練測(cè)試時(shí)間，實(shí)驗(yàn)結(jié)果也說(shuō)明了該方法的有效性與對(duì)參數(shù)的魯棒性。
　?。?）提出了一種基于TurboPixels超像素分割和SVM的極化SAR影像地物分類(lèi)方法。通過(guò)對(duì)上述兩個(gè)方法實(shí)驗(yàn)結(jié)果的觀察中，發(fā)現(xiàn)極化SAR影像地物分類(lèi)結(jié)果圖中雜散點(diǎn)較明顯，這樣使得分類(lèi)精度受到嚴(yán)重影響，針對(duì)此問(wèn)題，本部分將具有低參數(shù)調(diào)節(jié)復(fù)雜度的TurboPixels與SVM相結(jié)合，首先使用TurboPixels對(duì)極化SAR影像進(jìn)行分割，然后