基于深度置信網(wǎng)的極化SAR圖像分類.pdf

1、極化合成孔徑雷達(dá)（PolSAR）作為合成孔徑雷達(dá)技術(shù)中一個(gè)重要的研究方向，在農(nóng)業(yè)生產(chǎn)、城市規(guī)劃、海冰監(jiān)測(cè)等眾多領(lǐng)域內(nèi)具有巨大的應(yīng)用價(jià)值。當(dāng)前國(guó)內(nèi)外學(xué)者提出了大量的有監(jiān)督的和無(wú)監(jiān)督的極化SAR圖像分類算法。然而這些分類方法中存在很多缺陷，例如很多算法都是單純地使用物理極化散射信息或者使用單一的模型進(jìn)行分類，這在一定程度上導(dǎo)致地物類別模糊；另外很多算法不能直接的從原始數(shù)據(jù)中提取特征，它們需要人工精心的設(shè)計(jì)各種模型或者是分解理論算法去提取特征

2、，這十分費(fèi)時(shí)費(fèi)力，且計(jì)算比較復(fù)雜。此外大多數(shù)算法是以單個(gè)像素處理為目標(biāo)的，沒(méi)有考慮到相鄰像素的影響。
　　近20年來(lái)，大量機(jī)器學(xué)習(xí)技術(shù)已的經(jīng)被引入到極化SAR圖像處理領(lǐng)域，而目前提出的深度學(xué)習(xí)理論引起了諸多學(xué)者的關(guān)注，其在語(yǔ)音識(shí)別、自然語(yǔ)言處理、自然圖像處理等領(lǐng)域獲得了巨大的成功。本論文將深度置信網(wǎng)技術(shù)和極化SAR數(shù)據(jù)的極化散射特性結(jié)合起來(lái)，對(duì)極化SAR圖像分類技術(shù)進(jìn)行了探討。
　　本文在第三章首先提出了一種新的基于多特征融

3、合和DBNs的極化SAR圖像分類方法。其主要思想是結(jié)合使用極化 SAR圖像的散射特征（相干矩陣元素和H/α分解的參數(shù)）和數(shù)字圖像特征（灰度共生矩陣的參數(shù)）以及顏色直方圖特征去訓(xùn)練一個(gè)由多個(gè)無(wú)監(jiān)督模型（本文使用的是受限玻爾茲曼級(jí)，RBM）組成的DBNs模型，這有效的克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易收斂到局部最優(yōu)，計(jì)算復(fù)雜等缺點(diǎn)。與基于神經(jīng)網(wǎng)絡(luò)和支撐向量機(jī)的算法相比，該算法在L波段舊金山灣極化數(shù)據(jù)取得了更好的分類視覺(jué)效果和更高的分類精度。
　　

4、接著在第四章中，介紹了一種基于特征自學(xué)習(xí)和DBNs的極化SAR分類方法。在該方法中，我們首先將極化SAR數(shù)據(jù)的相干矩陣轉(zhuǎn)化成一個(gè)9維的極化的SAR數(shù)據(jù)；然后在每個(gè)維度面上隨機(jī)地抽取大量的patches（即以某個(gè)像素點(diǎn)為中心取的一個(gè)鄰域），并將這些patches拉成列向量去訓(xùn)練一個(gè)RBM，通過(guò)這個(gè)RBM我們可以獲取9維極化SAR數(shù)據(jù)每個(gè)維度面的結(jié)構(gòu)特征，這些特征充分考慮了相鄰像素間的鄰域關(guān)系?？紤]到極化SAR數(shù)據(jù)的散射特性，我們將上述通過(guò)

5、RBM學(xué)習(xí)到的特征和原始相干矩陣的元素組合在一起去訓(xùn)練一個(gè)DBNs網(wǎng)絡(luò)，并將其用于極化SAR數(shù)據(jù)分類。本算法考慮到了像素點(diǎn)之間的空間相關(guān)性，很好的保留了邊緣的細(xì)節(jié)完整性，取得了較高的分類精度。最后，我們?cè)谡鎸?shí)的極化SAR數(shù)據(jù)上進(jìn)行了仿真實(shí)驗(yàn)，本算法考慮到了像素點(diǎn)之間的空間相關(guān)性，很好的保留了邊緣的細(xì)節(jié)完整性，取得了較高的分類精度。
　　論文得到了國(guó)家自然科學(xué)基金（No.61072106，61271302）的資助和國(guó)家“973”計(jì)劃