全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类

发布时间：2021-01-07 08:46

　　针对经典全卷积网络（fully convolution network,FCN）分类精度低、效果差,以及传统的极化合成孔径雷达（PolSAR）土地覆盖分类方法未充分考虑地物散射特性的问题,提出了一种结合改进FCN和条件随机场（conditional random field,CRF）的全极化SAR土地覆盖分类算法。首先,利用Freeman分解和Pauli分解建模全极化SAR影像,同时提取各分解对应的散射特征,参考Freeman分解散射功率获取其主散射分量对应的主散射地物;同时,借鉴在图像分类领域中具有卓越表现的FCN-Vgg19-8s网络,考虑其高层卷积参数量大和低层卷积模型参数优化程度不足,通过在高层和中层分别构建多尺度卷积组和代价函数设计了FCN-MD-8s网络,保证对整体模型参数进行降维和优化;以Freeman分解散射机理特征为基准,采用级连式迁移学习结构,实现FCN-MD-8s网络的模型训练和测试;然后,根据主散射分量所对应的主散射地物,在各分量预测图中提取出主特征地物,得到分量地物分类结果,并将其进行叠加得到全局粗分类;最后,利用全连接CRF结合Pauli相干分解重建假彩色图... 

【文章来源】：测绘学报. 2020,49(01)北大核心

【文章页数】：14 页

【部分图文】：

图5 分解结果

图6 分解结果

FCN-MD-8s网络共41层,包括32个卷积层、5个池化层、3个转置卷积层和1个Softmax分类器层,如图1所示。其中,池化层将32个卷积层隔断为6个卷积组,从左至右每个卷积组包含卷积层数分别为2、2、4、4、4和16。前5个卷积组卷积层的卷积核大小为3×3像素,且组内卷积核数目相同,并逐组递增,分别为64、128、256、512和512。在第5个池化层后添加中层代价函数,以优化中低层网络参数。第6个卷积组为多尺度卷积组,由多尺度卷积核构成。转置卷积层由转置卷积和跳跃结构实现,将多尺度卷积组通道连接特征图通过2倍转置卷积与第4个池化层特征结合得到第1次融合结果,对该融合结果再进行2倍转置卷积与第3个池化层特征结合得到第2次融合结果,最后对第2次融合结果通过8倍转置卷积并经Softmax分类器恢复到与输入图像相同大小的特征图,实现对原始输入图像端到端像素级预测分类。图1中虚线框内的结构为多尺度卷积组,A1表示融合操作,A2表示卷积层和激励层;A3表示池化层,A4表示将通道联合后的特征,A5表示第1次融合结果,A6表示第2次融合结果。

【参考文献】：
期刊论文
[1]利用目标分解特征的全极化SAR海冰分类[J]. 赵泉华,郭世波,李晓丽,李玉.  测绘学报. 2018(12)
[2]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青.  农业工程学报. 2018(18)
[3]基于HJ卫星数据与面向对象分类的土地利用/覆盖信息提取[J]. 朱永森,曾永年,张猛.  农业工程学报. 2017(14)

硕士论文
[1]基于谱图分割的极化SAR影像面向对象分类方法研究[D]. 赵磊.中国林业科学研究院 2014



本文编号：2962257