论文部分内容阅读
近些年来,极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR)已经成为了遥感领域极其先进的技术之一。相应地,迫切需要对POLSAR数据进行准确解译,其中POLSAR图像分类是POLSAR数据解译的重要研究内容之一。传统的分类算法通过利用POLSAR数据的极化信息,基于像素点对POLSAR图像进行分类,在某种程度上可以取得不错的分类效果。考虑到在自然图像的处理中,对空间信息的利用非常重要。因此,若能将空间信息应用于POLSAR图像分类的算法中,有望进一步提升分类算法的准确率。本论文主要研究的是将极化SAR图像的空间信息和极化信息进行融合,利用深度学习的算法提取特征,最终完成分类任务。主要研究工作可以包括以下三个方面:1.将包含空间信息的局部二值模式(LBP)特征改进,将其与极化SAR图像的极化信息进行融合,通过深度学习中的深度置信网络(DBN)进行特征提取并分类。这是一种有监督的分类方法,通过提高有标记样本的使用效率来有效的减少有标记样本的使用,同时保证分类精度。2.基于LBP和极化信息的DBN网络分类方法依然是基于像素的分类方法,对空间信息利用效率较低,导致了大量重复的计算,使得分类成本提高。基于高效卷积神经网络和简单线性迭代聚类(SLIC)的极化SAR地物分类算法通过卷积神经网络直接提取空间特征来获得初步的分类结果,然后对分类结果使用SLIC进行约束,修正分类中由于噪声引起的误分类。该方法提高了分类精度,但是分块效果比较明显,边界处误分类较多。3.由于基于高效卷积神经网络和简单线性迭代聚类的分类算法中存在下采样过程,该过程会导致细节信息缺失,在图像的边界和噪声处往往造成的相邻多个像素点的分类结果全部错误。因此,考虑自编码网络训练产出更接近于实际的高分辨率的极化SAR信息,产生原始数据对应的高分辨率数据,然后将利用重构原分辨率极化SAR数据训练好的DBN模型对高分辨率数据进行地物分类,然后下采样获得原数据分辨率的分类结果。虽然时间复杂度较高,但是分类精确度有明显提高。