论文部分内容阅读
深度学习起源于人工神经网络,模仿人脑计算模式,可以自动地分层学习出抽象特征,在图像领域应用广泛,尤其是在目标识别和图像分类方面。随着遥感技术的发展,合成孔径雷达(Synthetic aperture radar,SAR)图像以其大信息量,全天候全天时的特点在军事和民用领域占据了重要地位。对于SAR图像的识别和分类任务而言,选取合适的特征非常重要,所用特征决定了算法性能的上限,而深度学习模型可以自动从原始数据中学出更抽象的特征。在深度学习模型中,深度置信网络(Deep Belief Network,DBN)使用的栈式限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)的非监督学习和反向传播的有监督微调过程,可以自动学习到更适合分类的特征。本文用深度置信网络来提取高层抽象特征用于SAR图像。具体工作如下:一,用于单极化SAR目标识别的深度学习研究。由于深度学习更适用于大数据,而本文所用的运动与静止目标的获取与识别数据(MSTAR)数量有限,使得深度学习模型不容易收敛,所以我们提出数据融合与深度学习相结合的策略。分别提取MSTAR的轮廓波特征和曲线波特征与原数据相结合作为深度置信网络的输入,同时加入更能模拟数据的高斯限制玻尔兹曼机(gaussianRBM),进行SAR图像的目标识别,识别精度较原始RBM和单一数据有所提高。由于传统DBN没有考虑到SAR图像的2-D结构和空间信息,导致学习到的权值与像素所处位置无关,而卷积网络的权值共享使得每一种权值对应一种特征算子,更利于提取不同性质的特征,所以,本文使用基于卷积RBM的深度置信网络,使得识别精度进一步提高。二,用于全极化SAR图像地物分类的深度学习研究。由于传统的RBM更适合模拟二值数据,对于符合其他指数家族的分布,RBM可以加入不同的统计特性进行扩展。所以,对极化SAR实数数据,我们使用加入高斯分布的gaussianRBM构成DBN,用于极化SAR图像的地物分类;对极化SAR复数数据,我们基于极化SAR数据复wishart分布特性提出了的wishartRBM,并由此构成DBN,用于极化SAR图像的地物分类。具体步骤为:将极化SAR数据的协方差矩阵元素作为输入,先用多层的wishartRBM预训练网络,再加上反向传播进行微调,最后使用softmax分类进行地物分类,分类精度与其他方法相比得到了提高。