论文部分内容阅读
极化合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时和全天候工作能力,并且获取目标的全极化信息。在极化SAR目标散射机理解译中,由于目标方位取向多样性效应,本课题组提出绕雷达视线的旋转域,用以挖掘目标方位取向多样性中所隐含的特征信息,进而导出一系列的旋转域隐含特征。此外,先进的深度卷积神经网络(Convolutional Neural Network,CNN)在极化SAR图像处理中具有极大潜力。基于上述,本文提出了将优选旋转域隐含特征与其它经典特征相结合的思想,并使用机器学习中的传统分类器或深度CNN分类器,在极化SAR地物分类及舰船检测两个领域均发展出相应新方法。故本文主要工作如下:(1)提出了基于优选极化特征与传统分类器的极化SAR地物分类方法。该方法利用优选旋转域隐含特征与经典旋转不变特征地物区分能力的互补,结合两种传统分类器得到最终分类结果。基于AIRSAR和多时相UAVSAR数据的对比实验验证了该分类方法的分类性能及稳健性。(2)提出了基于优选极化特征与深度CNN分类器的极化SAR分类方法,即极化特征驱动的深度CNN分类器,并对不同极化模式下深度CNN分类器的SAR图像分类性能进行定量对比。基于AIRSAR数据和三个相邻时相UAVSAR数据,且分别使用不同层数深度CNN结构的两个对比实验验证了全极化模式下该方法的分类性能及泛化能力。(3)提出了基于优选极化特征与深度CNN的极化SAR舰船检测方法。基于全图在海陆分割后的结果,使用训练好的深度CNN进行变尺寸滑窗遍历。基于RadarSat-2和GF-3数据的对比实验验证了该方法的检测性能及迁移能力。