论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是地球遥感学科中一个重要的研究方向,在农业生产、城市规划、海冰监测等众多领域内具有巨大的应用价值。目前,主要集中在极化散射信息的研究上。寻找更加有效、更加精确的极化SAR图像分类方法一直是全球研究人员的工作重点。本文结合目前已经在语音识别、自然语言处理、自然图像分类等领域显示了巨大的优势的深度学习理论,进行极化SAR图像分类,该方法是结合了基于像素的分类方法和基于区域的分类方法,首先利用了深度自编码结构,从极化SAR相干矩阵中,充分挖掘矩阵元素之间的非线性关系,对极化SAR图像进行初始分类,然后结合超像素预分割技术,引入区域信息,优化分类结果,实现PolSAR图像地物分类算法。本论文所做的主要工作如下:1.本文第三章提出了一种基于多层自编码结构的极化SAR图像分类方法。该算法的主要思想是:首先,为多层自编码结构应用到Pol SAR图像中寻找到了一种合理的输入,在PolSAR图像数据中的一个点不再代表一个简单的实值,而是一个含有复数的2×2矩阵,而多层自编码结构应用在传统的自然图像时,输入的训练数据是自然图像中的原始像素值,不需要添加任何人工特征,该结构强调的是自动的逐层提取图像的结构。因此,如果我们应用极化SAR目标分解得到的元素作为多层自编码的输入数据,就不能充分体会该结构的功能。然后,搭建合理的多层自编码结构,利用多层自编码结构对于极化SAR输入数据自动特征提取的独特优势,发掘相干矩阵元素间的非线性关系。该算法的特征提取过程是基于像素的无监督算法,分类过程采用Softmax分类器,本算法思想简单,取得了很好的分类效果。2.本文第四章提出了一种新的基于多层自编码结构和超像素的极化SAR图像分类算法。该算法是基于像素的极化SAR分类与基于区域的极化SAR分类相结合的分类方法。首先,根据第三章的算法,获得了PolSAR图像的初始分割结果,该步骤是基于像素的分类结果,然后,根据Pauli基构造的伪彩图,引入超像素算法,对图像进行过分割,得到过分割的图像块,最后,根据最近邻聚类算法,在每个过分割的图像块内进行统计,并且结合强度信息,得到最终的分类结果,该步骤是考虑了基于区域的极化SAR图像分类。本算法考虑到了像素点之间的空间相关性,在基于自编码的初始分割基础上,进一步优化分类结果,很好的保留了边缘的细节完整性,取得了较高的分类精度。论文得到了国家自然科学基金(No.61072106,61271302)的资助和国家“973”计划(No.2013CB329402)的支持。