论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)通过测量方位向分辨单元与距离向分辨单元内的具有极化性质的散射回波来获得相应目标的极化信息,与传统的SAR进行比较,极化SAR可以得到更为丰富的地物散射信息,这提高了地物分类和目标识别的能力,因此极化SAR影像地物分类在相关领域扮演着越来越重要的角色,它的目的是在对影像中每个像素进行类别标定时,使散射矩阵、极化相干矩阵等极化SAR影像的测量数据得到最大程度的利用。目前极化SAR影像地物分类方法使用的特征大多是基于浅层模型学习得到的特征,而这些特征比较低级,没有充分结合极化SAR影像的极化信息和空间相关性,对这些先验知识挖掘不够充分,最后利用这些特征直接进行类别判定,导致极化SAR影像地物的分类效果不好。其中,影响极化SAR影像地物分类效果的两个关键要素是特征学习与分类器选择,本文基于此,做了如下研究:(1)提出了一种基于自动编码器(Auto Encoder,AE)的卷积神经网络(Convolutional Neural Networks,CNN)卷积特征学习和支持向量机(Support Vector Machine,SVM)的极化SAR影像地物分类方法。该方法充分利用影像的空间相关性,保证局部邻域像素的相对位置不变,每个像素以影像形式输入到CNN中,其中卷积核参数采用学习AE网络的方式来确定,将原始特征空间映射到卷积池化特征空间。相比于其他浅层特征学习和深度特征学习,该方法提取更高级更本质的特征,利用高效分类器SVM进行分类,提高了分类精度。(2)提出了一种基于主分量分析(Principal Component Analysis,PCA)的池化特征学习和SVM的极化SAR影像地物分类方法。由于(1)所提方法中池化操作是针对卷积操作后得到的每幅卷积图进行局部操作,使得深度卷积网络和SVM训练时间过长,针对此问题,本部分采用PCA进行池化操作,这样使得卷积之后得到的每幅卷积图可以作为整体进行池化特征学习,明显减少了训练测试时间,实验结果也说明了该方法的有效性与对参数的鲁棒性。(3)提出了一种基于TurboPixels超像素分割和SVM的极化SAR影像地物分类方法。通过对上述两个方法实验结果的观察中,发现极化SAR影像地物分类结果图中杂散点较明显,这样使得分类精度受到严重影响,针对此问题,本部分将具有低参数调节复杂度的TurboPixels与SVM相结合,首先使用TurboPixels对极化SAR影像进行分割,然后从超像素块中选取一定的像素作为代表样本进行CNN特征学习,最后利用这些代表像素的SVM预测类别进行投票对整体进行类别标定。通过对三幅极化SAR影像进行实验,其实验结果表明了此方法不仅显著地提高了分类精度,而且大大缩短了实验时间。