论文部分内容阅读
随着科技进步,卫星遥感技术发展迅速。遥感图像的数据规模也在不断增大,图像分辨率不断提高。合成孔径雷达(Synthetic Aperture Radar,SAR)以及极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)等遥感数据的解译问题也成为当前人们研究的热点问题。传统的图像处理算法要求研究者设计复杂的特征提取过程,而且面对复杂多样的遥感数据时难以取得很好的效果。随着深度学习与神经网络算法的兴起,深度神经网络被应用到SAR和PolSAR数据的处理中来。但是由于SAR/PolSAR图像与自然图像有很大差异,深度学习算法难以发挥出自身优势。本文针对SAR图像目标识别和PolSAR图像地物分类问题,提出三种新型的深度神经网络模型,并结合实验验证了算法的有效性与先进性。本文的主要内容总结如下:1)提出一种深度记忆卷积神经网络(M-Net),M-Net在卷积神经网络(Convolutional Neural Network,CNN)的基础上增加了信息记录模块来对样本的特征进行记录,再利用样本特征的空间距离相似度信息,对未知样本的标记进行判断。由于M-Net添加了信息记录模块的部分,如果使用CNN的直接训练方式很有可能出现网络不收敛或者网络收敛过慢的情况。为了解决这一问题,M-Net使用了基于参数迁移的训练方法,分两步训练整个网络。第一步先训练一个与M-Net具有相同结构的普通CNN,保存得到的训练参数;第二步以此参数为基础训练整个M-Net。这种两步训练的方式在一定程度上避免了M-Net训练时可能出现的不收敛的问题,也加快了训练的速度。M-Net相对于普通CNN网络,能够更好的对SAR图像目标进行识别,并在一定程度上缓解CNN在SAR数据集上的过拟合问题。2)提出一种基于深度可分离卷积和密集连接的神经网络(SDNet)。根据PolSAR数据的特点,SDNet使用深度可分离卷积代替传统卷积,分离提取PolSAR图像的空间特征和通道特征。这在很大程度上避免了提取到数据中的冗余特征,也缩减了训练参数。同时,SDNet引入密集连接来直接连接网络的前层与后层,这样做不仅可以保留前层信息,增加特征的重复利用,提高网络中信息传递的效率,也能进一步减少模型的参数。改进后的SDNet相对于普通CNN,参数量和计算量都大大减少,参数只有普通CNN的1/9左右。3)提出一种基于空间特征的卷积神经网络(SF-CNN),该网络采用双分支CNN的结构,两个分支CNN结构相同,共享参数。SF-CNN这种特殊的结构一次可以接收多个样本作为输入,通过不同样本组合的方式对原有训练集进行扩充,缓解了PolSAR图像分类任务中高质量标注数据过少的问题。SF-CNN把高维PolSAR映射到低维特征空间,在低维空间,通过最大或最小化样本特征中心距离的方式,来加强网络提取数据差异化特征的能力。在推断测试样本类标时,为了挖掘样本之间的联系,测试样本特征会与训练集样本特征进行距离比对,通过距离比对结果,判断测试样本类标。实验结果表明SF-CNN在PolSAR图像分类任务中的结果优于普通CNN。