论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)采用多频率、多通道的成像方式,能够不分昼夜地进行对地监测,同时还具有穿透力强、分辨率高等优点。作为PolSAR影像解译的关键技术之一,PolSAR图像分类一直受到国内外研究者的热切关注。PolSAR图像分类是一种像素级别的密集预测任务。近些年卷积神经网络(Convolutional Neural Network,CNN)在PolSAR图像分类中取得了显著的成就,然而它存在重复计算、内存占用的缺点。全卷积神经网络(Fully Convolutional Neural Network,FCN)是一种像素到像素、端到端的密集分类网络,其在PolSAR图像分类研究中具有巨大的前景。和CNN相比,FCN在PolSAR图像分类中具有明显的优点:1)能够输入任意尺寸的图片;2)能够保留输入图片的二维结构;3)能够通过有效的密集学习处理PolSAR图像的分类任务,避免了重复计算和内存占用等缺点。为了更加充分地挖掘PolSAR图像的特征信息,本文结合PolSAR图像复杂的数据特性和FCN模型展开研究,提出了三种PolSAR图像分类算法。具体的研究成果介绍如下:(1)考虑到PolSAR图像人工标记样本不足的缺点以及FCN模型中所存在的过多细节信息损失的问题,提出一种基于并行双通道空洞全卷积神经网络的PolSAR图像分类算法。首先,为了解决PolSAR图像中人工标记样本不足的缺点,采用结合Wishart分布的半监督模糊聚类(Semi-Supervised Fuzzy C-Means,SSFCM)算法对PolSAR图像进行预处理,旨在得到PolSAR图像中无类标像素的伪类标,从而扩大PolSAR图像的标记样本。其次,为了减少FCN模型中连续下采样引起的细节损失并且提高输出特征映射的密度,通过在FCN模型中引入空洞卷积设计了一种空洞全卷积神经网络(Dilated Fully Convolutional Neural Network,DFCN)模型;最后,将两个具有不同卷积核大小的DFCN框架并联构成一种双通道空洞全卷积神经网络(Dual-Channel Dilated Fully Convolutional Neural Network,DCDFCN)模型并完成PolSAR图像的分类任务。不同的PolSAR图像实验证明了该算法的性能优于其它算法。(2)考虑到相位信息对于PolSAR图像的重要性以及PolSAR图像人工标记样本不足的缺点,本文提出一种应用于PolSAR图像分类的多尺度FCN模型算法。该算法通过在FCN的结构中采用复值堆栈空洞卷积(Complex-Value Stacked Dilated Convolution,CVSDC)实现PolSAR图像的分类,简称为CVSDFCN模型。首先,使用具有不同空洞因子的空洞卷积构成堆栈空洞卷积层,以提取PolSAR图像的多尺度特征。同时,采用权值共享策略减少参数的冗余和计算负担。其次,由于PolSAR图像具有少量的标记样本,该算法重新构建了原始FCN的编码和解码结构。最后,为了充分利用PolSAR图像的相位信息,所提出的模型是在复数域中训练的而不仅仅在实数域。不同的PolSAR图像实验证明了该算法的有效性优于其它算法。(3)受到“集成学习”思想的启发,将三个独立的网络模型:滑窗全卷积神经网络(Slide Window Fully Convolutional Neural Network,SFCN)模型、复值全卷积神经网络(Complex-value Fully Convolutional Neural Network,CVFCN)模型和CSDFCN模型组合,使不同模型之间优势互补构成一个多模型联合学习的网络框架用于PolSAR图像分类。不同PolSAR图像的实验证明了该方法能够进一步提高PolSAR图像的分类精度。