论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是近年来遥感领域重要的研究方向之一。和传统的单极化单通道合成孔径雷达相比,PolSAR具有全天时、全天候的工作特性,而且成像范围更大、分辨率更高,被广泛应用在农业生产、城市规划、自然灾害的预测等方面。在该背景下,极化SAR影像地物分类作为极化SAR图像解译的关键,对该问题的研究显得极其重要。机器学习和深度学习理论是研究极化SAR图像分类的重要工具。本文结合稀疏表示、贝叶斯正则和深度置信网等相关理论,对极化SAR影像地物分类问题进行研究,主要包括以下三个方面:1.提出了一种基于稀疏表示和Wishart距离修正简单线性迭代聚类产生超像素的极化SAR影像地物分类方法。该方法的主要思想是首先将训练样本用K-SVD算法得到学习字典,然后用Wishart距离修正简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)算法,得到的超像素,进行联合稀疏表示,用正交匹配追踪算法求得稀疏系数,最后用最小重构误差确定超像素的类标。稀疏表示分类器的分类过程是逐像素的,本文方法引入超像素,并结合联合稀疏表示分类器,将超像素作为处理单元,提高了分类的精度和效率。2.提出了一种基于贝叶斯正则的限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)的极化SAR影像地物分类方法。该方法将贝叶斯正则引入到限制玻尔兹曼机的目标函数中,正则项是权重均方和的平均值,用改进后的RBM构建深度置信网(Deep Belief Network,DBN)。首先提取特征,其中从相干矩阵中提取9维特征、从Cloude分解得到7维特征、从Pauli分解得到3维特征;然后构建19维的特征向量,选取训练样本、调整参数;最终得到训练好的深度置信网。通过实验结果可以看出,本文提出的方法取得了较高的分类精度。3.提出了一种基于多特征融合和改进的DBN的极化SAR影像地物分类方法。该分类方法是在第四章的基础上引入了纹理特征、对极化散射矩阵代数运算得到的特征。将提取到的特征全部融合,构建特征向量,选取训练样本训练改进后的深度置信网。通过实验结果可以看出,本方法不仅在精度上有所提升,而且边缘的细节保留比较完整。