论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是一种性能优良的获取地物目标散射特性的遥感设备。PolSAR系统在工作过程中不受时间、不受气候的影响,而且,它可以通过主动收发不同极化方式的电磁波去获取所探测地物目标所包含的丰富信息。但是,随着PolSAR系统所探测地物目标的愈加复杂,传统的极化SAR图像处理算法已无法满足军事领域和民用领域越来越高的需求。因此,我们需要在PolSAR图像地物分类过程中充分挖掘极化SAR数据包含的地物信息,于是本文从极化SAR数据的特征提取、极化SAR图像中同一地物的相似性度量准则和极化SAR数据扩容三方面入手。其中特征提取主要是构造一种极化SAR数据新的表示方法,充分挖掘极化SAR图像中的极化信息,接下来,为了充分利用极化SAR数据中的极化信息和空间信息,我们基于马尔科夫随机场(Markov Random Field,MRF)进行改进实现极化SAR图像的分类研究,最后,我们结合Wishart分布和生成模型对于极化特征进行生成,实现极化SAR数据的扩容。具体主要工作如下:(1)提出了一种基于浅层特征与T矩阵CNN的极化SAR分类方法,主要针对现有极化特征无法对复杂场景地物进行很好的表示,我们将极化浅层特征与极化相干矩阵T结合,进而构造出一种在极化SAR图像处理领域新的特征表示方法,并且将新的特征表示方法进行深度学习,将特征表示进一步抽象,最后借助Softmax分类器实现极化SAR图像的分类,这种方法可以不仅提高了地物分类的总体精度,而且对于复杂场景中的同物异谱现象具有良好的分类效果。(2)提出了一种基于WD-MRF模型的极化SAR分类方法,针对现有方法中无法充分挖掘极化SAR图像中包含的极化信息和空间信息,我们首先基于Wishart距离特征的相似性构造MRF的似然概率函数,充分挖掘极化SAR数据的极化信息,然后,我们基于8-邻域基团充分挖掘极化SAR图像中包含的空间信息,结合粗分类结果计算MRF模型中的先验概率。最后,基于先验概率和似然概率实现极化SAR图像的分类,这种方法可以有效改善极化SAR图像地物分类结果中的区域一致性差的问题,并且分类结果的边缘信息保持较好。(3)提出了一种基于极化特征生成的FW-DCGAN模型的极化SAR分类方法,针对极化SAR数据的人工标记真实地物困难、不同类别数据量不平衡的问题,我们基于极化SAR数据服从Wishart分布的特性,将生成模型中初始化噪声改为符合Wishart分布的数据,基于生成模型实现极化特征的生成,最后将生成特征与真实特征进行结合,构造训练样本,实现极化SAR图像的地物分类。实验结果表明,该方法对于复杂场景的地物可以实现很高的分类精度,而且算法的泛化能力较强。