论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类是遥感领域的热门课题之一。最近几年,伴随着遥感技术的发展,SAR图像分辨率也随着技术的发展迅速提高。高分辨SAR图像在后期解译方面相比于中低分辨率的SAR图像也更加的充满了难度。高分辨SAR图像较以往低分辨率图像,包含更为复杂的场景,具有更为丰富的纹理,含有更多的强散射点,同时在图像解译时,具有更多的采样点。高分辨SAR的分类变得十分具有挑战性。最近几年,随着深度学习技术的发展,深度学习模型在图像处理领域表现出了十分出色的性能,深度学习已经成为当下图像处理领域最为热门的方向之一。在本文中,我们利用深度学习模型提取出的图像深度特征信息,同时和传统的小波变换相结合,从而完整而全面地提取出原始SAR图像的特征信息,最终结合分类器完成SAR图像的精确分类。本文中完成的主要成果如下:(1)将收缩自编器网络模型引入SAR图像分类领域,收缩自编码器对输入图像数据出色的重构性和良好的鲁棒性。我们利用这两个特点,构建多层级的深度收缩自编器网络,获取图像的深度高级特征。通过多层网络的构建,可以有效地提高特征提取的效果,从而从原始输入图像中学习到更深层次的特征,为后期的图像分类提供更加出色有效的特征。同时,针对不同的初始图像特征,构建两个并行的多层级深度收缩自编器网络,通过对整体网络进行系统微调,进一步提高分类效果。(2)基于传统的卷积神经网络,构造出一种新类型的无监督的特征学习模型,通过构建多层次的网络,可以提取出原始输入图像数据中的有效特征信息。该层次结构对于输入图像数据中的细小扰动具有一定的鲁棒性,同时多层次的网络构建,使得网络中每一个滤波器可将低级别的特征向量组合成更高级别的特征表示,从而提取出更为深层次的高级特征。同时,我们利用卷积自编器对网络模型的卷积层参数进行预训练,从而获得更佳的初始化参数。(3)我们将深度学习模型和传统的小波变换方法相结合,充分发挥它们各自的优势。平稳小波变换具有良好的平移不变性,对图像的尺寸没有限制要求。通过对原始SAR图像进行平稳小波变换分解,可以提取出图像的低频和高频图像信息,这些特征信息可以完整地表示出的图像中的场景信息。我们以平稳小波变换获得的高频图像信息和低频图像信息作为输入,分别构建两个并行的多层级收缩自编器网络,并通过对整体网络的系统微调,最终完成图像的分类,实验表明,最终的分类效果十分理想。纹理特征例如小波能量特征是一种很经典的图像特征表示方法。我们利用二维离散小波变换,对原始SAR图像进行分解,获取图像的纹理特征。我们将提取到的纹理特征信息和通过基于传统的卷积神经网络的新类型的模型所提取的特征相结合,从而完整而全面的对原始SAR图像的特征信息进行表示,从而为后期分类器分类提供了十分有利的基础。