论文部分内容阅读
极化合成孔径雷达(SAR)具有全天候、全天时、多波段、多极化等独特的成像特点,能够提供大面积高分辨率成像。深入研究极化SAR图像的后处理和解译,可以从中提取更多有价值的信息,应用于环境监测、地球资源勘测和军事系统等。深度学习是机器学习的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络。深度学习方法能够自主地提取目标数据抽象的内在特征,深度网络模型已经在极化SAR领域有了巨大的应用与发展。但是,传统的深度网络模型结构复杂,参数调节困难,且不一定适用于极化SAR数据。而且多数有监督的网络模型在面对标记样本较少的情况时,模型训练不足,不能很好的完成分类任务。本文以深度学习方法为基础,创新地提出了三种基于多层近邻保持的极化SAR地物分类方法:1.提出了一种基于稀疏滤波和近邻保持的深度学习方法。该方法将稀疏滤波与近邻保持相结合,采用深度学习的思想,构建新颖的深度稀疏滤波网络。该网络相比于传统深度学习网络调节参数较少,并且保留了数据之间的近邻关系,利用近邻保持正则项将有标记样本和部分无标记样本用于网络参数的优化,克服了标记样本不足的情况。实验结果证明该深度网络学习到的特征更加有利于极化SAR图像的地物分类,在分类器的作用下提高了地物分类精度。2.提出了一种基于距离度量学习的深度学习方法。该方法首先在大边界近邻算法(LMNN)的基础上通过添加流形学习正则项,将它拓展为半监督方法,从而克服了标记样本较少时,有监督的距离度量学习方法效果较差的情况。进而采用深度学习的思想,通过贪婪的逐层预训练以及反向传播算法的微调,构建出半监督的深度距离度量网络,通过大量的实验证明,该深度网络可以有效地提高极化SAR地物分类精度。3.提出了一种基于半监督卷积神经网络的极化SAR地物分类方法。考虑到传统的卷积神经网络为有监督训练方法,对标签样本的需求量较大,因而提出一种半监督卷积神经网络。采用稀疏滤波和近邻保持对卷积层进行预训练,得到相应的卷积层滤波器,再利用少量的标签样本对整个网络进行微调,得到性能较为优良的卷积神经网络。区别于传统的基于固定图像块的划分的训练方法,设计了一种填补超像素块的划分训练方法。实验结果证实该方法在标签较少的情况下能够取得较为理想的极化SAR地物分类精度。