论文部分内容阅读
极化SAR图像分类问题是极化SAR图像理解与解译中的研究重点,其目的是确定每个像素所属的类别,例如海洋、城市、森林等。极化SAR图像分类对于民生与军事等诸多领域有着较为广泛的应用。对于极化SAR分类问题而言,特征提取和分类方法是研究的关键点。对于特征提取而言,传统的方法大多数基于极化SAR数据的散射特性和统计特性,这些方法依赖于对极化SAR机理的理解,需要人工进行设计。而近些年,随着深度学习方法的不断发展,基于深度学习的极化SAR分类方法不断的涌现出来。本文在国家自然科学基金面上项目(基于协同半监督学习和系数表示的极化SAR地物分类,61173092),国家自然科学基金面上项目(基于生成对抗网络的极化SAR地物分类,61771379)等项目的支持下,以生成对抗网络模型的研究为基础,将其应用于极化SAR地物分类,本文的主要工作如下:1.基于生成对抗网络的半监督极化SAR分类方法,是将判别网络扩展为k分类器。在无监督情况下,判别网络可以学习数据的分布,在有监督情况下,判别网络可以学习数据的类别分布。通过生成网络与判别网络(k分类器)的相互博弈,提升了判别网络的分类效果。最终,通过使用少量有标签样本与充分利用无标签数据,提升了分类的正确率。克服了现有技术中极化SAR图像信息的特征丰富性要求高,需要探索极化SAR的散射特性和统计特性的不足。2.基于Wishart受限玻尔兹曼机(Wishart-Restricted Boltzmann Machine,W-RBM)的生成对抗网络极化SAR分类方法。在基于生成对抗网络的半监督极化SAR分类方法中,生成样本由随机噪声输入随机初始化的生成网络来产生,因为在生成网络中没有考虑数据的分布,所以生成网络的学习效率较低。将训练集中真实的样本作为生成网络的输入,可以通过栈式自编码器或Wishart受限玻尔兹曼机结构预训练生成网络。这样能够充分利用无标签数据并考虑极化SAR数据的Wishart分布来产生生成样本,在增强了生成网络的同时,加快了判别网络的收敛速度,间接的也提高了判别网络对极化SAR数据的分类效果。3.基于长短时记忆神经网络(Long Short-Term Memory Neural Network,LSTM)的生成对抗网络极化SAR分类方法。极化SAR数据是具有空间信息的,每个像素点并不是完全独立的,而是与邻域内的像素点存在相关性。对于基于生成对抗网络的半监督极化SAR分类方法,为了克服它在对极化SAR数据的一个像素点进行分类时没有考虑邻域信息的问题,将极化SAR数据中一个像素点及其周围8邻域像素点的数据作为一个序列数据,将判别网络改成多层长短时记忆神经网络,并将包含邻域信息的序列数据作为判别网络的输入,从而考虑了邻域信息,提升了分类的精度。