基于ResNet模型的全极化SAR影像分类研究

发布时间：2023-12-10 10:07

　　全极化合成孔径(PolSAR)雷达兼具微波波段主动遥感方式和多极化合成获取地物信息的优势,数据获取过程中能不依赖太阳光源,可全天候获取影像数据,多极化合成的方式使得PolSAR影像可以表达更为细节的地物信息,具有比传统光学影像更为精确的地物表达和监测能力。PolSAR影像分类作为PolSAR数据最为基础的应用之一,对PolSAR数据的研究和后续应用都具有重要意义。传统的PolSAR影像分类方法主要是基于特征矢量或单一目标分解方法,影像分类中使用的特征维数较少,不能充分利用PolSAR影像丰富的特征信息,PolSAR数据固有的相干斑噪声也对分类结果造成了很大影响。随着深度学习的发展,大量优秀的深度学习模型被用于影像分类中,如DBN,AlexNet和ResNet等,其基于特征学习的分类方法使得模型能学习到图像更为本质的特征,并根据输入数据自行调整模型参数,已在光学和SAR影像分类研究中取得了比传统分类算法更为精准的结果。基于深度学习模型的PolSAR影像分类方法,能充分利用PolSAR数据丰富的极化散射特征,使多维的地物特征信息参与影像分类过程,有利于提高PolSAR数据的特征利用率。然而...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 极化SAR影像分类研究现状
        1.2.2 基于深度学习的SAR影像分类研究现状
    1.3 论文研究内容与组织结构
第2章 极化SAR基本原理与ResNet模型概述
    2.1 极化SAR机理分析
        2.1.1. 电磁波的极化表征
        2.1.2. 极化散射矩阵
    2.2 ResNet模型概述
        2.2.1 引言
        2.2.2 ResNet模型构建
        2.2.3 ResNet模型应用
    2.3 TensorFlow深度学习框架
        2.3.1 环境搭建
        2.3.2 计算图模型
    2.4 本章小结
第3章 极化SAR影像目标分解与特征选取
    3.1 PolSAR影像目标分解
        3.1.1 基于Kennaugh矩阵的目标分解
        3.1.2 基于特征矢量的目标分解
        3.1.3 基于散射模型的目标分解
        3.1.4 相干目标分解
    3.2 不同雷达植被指数对比
        3.2.1 实验数据介绍
        3.2.2 RVI计算
        3.2.3 不同RVI对比
    3.3 分类特征集优化
    3.4 本章小结
第4章 基于ResNet模型的全极化SAR影像分类
    4.1 引言
    4.2 基于ResNet模型的PolSAR影像分类应用
        4.2.1 实验数据介绍与预处理
        4.2.3 基于像素的ResNet模型PolSAR数据分类
    4.3 实验结果与分析
    4.4 本章小结
第5章 基于超像素与ResNet模型的全极化SAR影像分类
    5.1 SLIC算法简介
    5.2 基于SLIC分割与ResNet模型的全极化SAR影像分类
    5.3 实验结果与分析
    5.4 本章小结
第6章 论文总结与展望
    6.1 工作总结
    6.2 展望
参考文献
致谢



本文编号：3872299