论文部分内容阅读
SAR(Synthetic Aperture Radar)图像地物分类问题是SAR图像处理与解译的基础。随着SAR图像分辨率的提高,SAR图像的解译面临新的问题与挑战,如数据量陡增、地物丰富细致、人工标记样本难以获取等问题,当前大多数用于SAR图像地物分类的传统方法不再适用于高分辨的SAR图像,因此如何对高分辨SAR图像进行有效的分类成为近年来学者们的研究重点。本文基于半监督学习的思想,将深度阶梯网络(Deep Ladder Network,DLN)、曲线波变换及复数操作相结合,对高分辨SAR图像进行特征提取,并实现地物分类。本文所取得的研究成果为:1.提出一种基于深度卷积阶梯网络的高分辨SAR图像地物分类方法。该方法首先将DLN中的全连接层替换为卷积层,对高分辨SAR图像进行高级特征提取,最终实现地物分类。该方法是一种半监督的分类方法,可以充分利用大量无类标数据及少量有类标数据进行特征提取,克服了有类标样本难以获取的困难。且该方法对有监督损失函数与无监督损失函数同时进行优化,指导网络从无类标数据中学习出判别性较强的特征,提升了分类精度。采用深度卷积阶梯网络对五组不同的数据进行分类,对实验结果分析可知,该方法获得了比堆栈自编码、卷积神经网络等方法更高的分类精度。2.提出一种基于曲线波深度卷积阶梯网络的高分辨SAR图像地物分类方法。该方法首先对高分辨SAR图像进行曲线波变换,然后提取不同尺度、不同方向的系数进行曲线波反变换得到特征图,最后用深度卷积阶梯网络对得到的特征图进行分类。曲线波变换具有多尺度、多方向的特性,使得提取到的特征对噪声具有较强的鲁棒性,减少了分类结果中杂点,提高了分类精度。实验结果表明该方法可以明显改善分类结果中错分点多的问题,提升分类区域的连续性与一致性。3.提出一种基于曲线波深度复卷积阶梯网络的高分辨SAR图像地物分类方法。该方法将卷积阶梯网络中的运算改为复数形式,包括复数卷积、复数全连接及复数批归一化操作等。采用复数形式的卷积阶梯网络处理SAR图像,可以充分挖掘复数中包含的幅度与相位信息,增强特征的表达能力,进而提升分类准确率。实验结果可以验证,采用该方法提升了高分辨SAR图像的地物分类精度,减少了分类结果中杂点,性能提升明显。