论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)利用微波成像技术,具有全天时、全天候工作的优势,其已广泛应用于军用领域和民用领域。SAR图像地物分类是SAR图像解译与分析的重要内容之一,其目的是分辨出每个像素点所属的类别信息。随着SAR成像技术的快速发展,SAR图像从低中分辨率向高分辨率发展。与传统低中分辨率SAR图像相比,高分辨率SAR图像具有结构信息丰富、场景信息复杂和数据量庞大等显著特点。因而,传统低中分辨率的SAR图像分类方法难以满足高分辨率SAR图像分类的应用需求,设计有效的分类特征是解决高分辨率SAR图像分类问题的关键。针对上述问题,本文研究了基于传统纹理特征的SAR图像地物分类方法、基于卷积神经网络的SAR图像地物分类方法、基于超像素分割和卷积反卷积网络的SAR图像地物分类方法以及基于生成对抗网络的SAR图像地物分类方法。本论文内容安排如下:1.介绍了SAR图像地物分类的研究背景及意义、国内外研究现状、深度学习发展概况和本文主要研究内容及结构安排。2.研究了基于纹理特征的SAR图像地物分类方法。首先,简要地介绍了常见的纹理特征。然后,对多级局部模式直方图纹理特征的提取方法进行了详细地阐述,其可分为图像量化、模式矩阵分裂和直方图计算与合并三个步骤。最后,使用实测SAR数据进行了算法仿真,验证该算法的有效性。3.研究了基于深度卷积神经网络的SAR图像地物分类方法。首先,介绍了深度学习的基础理论知识,其中包括M-P神经元模型、反向传播算法和卷积神经网络等。然后,介绍了基于卷积神经网络的SAR图像地物分类算法。随后介绍了基于超像素分割和卷积反卷积网络的SAR图像分类算法。最后,针对上述两种方案使用实测SAR图像进行了算法验证。与传统纹理特征相比,基于深度网络的SAR图像分类方法能够有效地学习特征表示,获得较高的识别率。4.研究了基于生成对抗网络的SAR图像地物分类算法。首先,介绍了生成对抗网络的相关理论知识。随后对深度卷积生成对抗网络的基本模型和应用进行详细地介绍。最后,将生成对抗网络应用于SAR图像地物分类问题中,使用基于生成对抗网络的SAR图像分类方法在真实SAR图像上进行了实验。通过实验结果发现,该算法在训练样本数目较少时仍可以获得较为满意的分类结果。