论文部分内容阅读
随着越来越多的极化合成孔径雷达(Synthetic Aperture Radar,SAR)系统的出现及其实用化,我们获得的极化SAR数据越来越丰富。如何利用这些极化SAR数据对地面场景进行分类,俨然成为一个研究热点。深度网络学习是近些年发展起来的一种新的机器学习方法,由于其出色的学习和推广能力,已经被应用到许多方面。本文对面向极化SAR地物分类的稀疏极化编码问题进行研究。并结合实际问题,对已有的算法进行改进,同时提出自己的算法:(1)针对极化SAR数据过于复杂并且数据量过大而导致分类困难的问题,我们提出了一种基于稀疏极化DBN的极化SAR地物分类。该方法主要是在原有的DBN网络的基础之上加入了稀疏规则项,再与极化SAR数据的原始极化特征和邻域极化特征相结合,实现了对极化SAR地物分类的目的。该方法充分利用了极化SAR数据的极化信息,使得提取到的特征更加具有代表性,从而提高了分类的精度以及加快了分类的速率;(2)针对极化SAR数据的斑点噪声以及数据量庞大的问题,我们提出了基于稀疏极化自编码网络的极化SAR地物分类。该方法主要在稀疏自编码的基础之上,加入一定量的噪声数据,并且结合极化SAR数据的原始极化特征和邻域极化特征,实现了对极化SAR地物分类的目的。该方法在充分利用极化信息的同时,使得学习到的特征更加的鲁棒性,而且有效的解决了极化SAR数据的原始特征存在严重相干斑噪声污染而导致分类精度不高的问题,从而加快了分类速率也提升了分类精度;(3)针对极化SAR数据的区域类别统一的问题,我们提出了基于超像素分割和稀疏极化自编码网络的极化SAR地物分类。该方法主要是将极化SAR的PauliRGB伪彩色图像采用超像素的方法分成一个个的小块,在每一个小块中选取样本,再与稀疏极化自编码网络进行学习,结果采用投票的原则,决定每一小块的类别,从而使得分类结果有了大幅度的提升,而且区域一致性很好。