基于复值神经网络的PolSAR图像分类研究
发布时间：2021-01-02 06:44
深度学习方法在极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）图像分类中有着非常重要的地位,其目的是通过大量的标记数据对模型进行训练,从而挖掘更丰富的图像信息,实现对PolSAR图像较为准确的分类。传统的神经网络是在实数域完成图像特征提取与分类任务的,由于其简单且分类准确率高,因此在PolSAR图像分类中已经得到了广泛应用。然而,传统的神经网络分类算法存在未考虑PolSAR数据的复数特性、相位信息、空间信息,以及标记样本缺失与可信度低等问题,导致无法更为有效地提取PolSAR的数据信息,进而无法获取较为理想的分类结果。针对上述问题,本文以复值神经网络（Complex-Valued Neural Network,CV-NN）为基础,考虑图像的复数特性、相位与空间信息,并着重解决标记样本存在的缺失与可信度低的问题,提出了三种基于CV-NN的PolSAR图像分类算法。具体研究工作介绍如下:（1）通过引入PolSAR图像的相位信息与复值信息,本文提出了复值Wishart堆栈自编码网络（Complex-Valued Wishart St...
【文章来源】：西安邮电大学陕西省
【文章页数】：105 页
【学位级别】：硕士
【部分图文】：
WAE网络的框架图
第3章基于CV-WSAE模型的PolSAR图像分类方法25为了获得图像的分类结果，在CV-WSAE网络模型的末端连接了一个分类器，以构成一个分类模型，如图3.2所示。PolSAR图像分类可以通过将单个像素分类为特定地物类型来实现，因此，通过对33复数相干矩阵进行矢量化处理，输入层是一个复值矢量，隐藏层是图像的分类特征，输出层是预测标签，将其组织为一个独热编码矢量，其中ON值为11*j，输出向量的长度是类别数目。在RV-WAE分类模型中，利用Softmax分类器来预测不同类别中的概率分布，然后通过使用对数损失函数最小化来学习整个网络模型[78]。在CV-WASE分类模型中，概率不能用作标签预测的目标函数。因此，在CV-WSAE分类模型中采用了最小二乘损失函数。最后，总的损失函数由下述公式(3.17)给出：22112NiiiiiElylyN(3.17)其中，il是真实标签，iy是第i个像素的预测标签。通过优化上式，以实现CV-WSAE分类模型的精调过程。图3.2展示了CV-WSAE分类模型的框架图。除了输入层和输出层之外，它还包含两个隐藏层，一个来自CV-WAE网络模型，另一个来自CV-AE网络模型。输入的尺寸大小为9，表示向量为33的复数相干矩阵iT。分类特征的尺寸大于输入，输出是每个像素的预测标签。网络训练结束后，可以使用CV-WSAE预测整个PolSAR地物数据中的每个标签。图3.2CV-WSAE分类模型的框架图
第4章基于半监督循环CV-CNN模型的PolSAR图像分类方法31第4章基于半监督循环CV-CNN模型的PolSAR图像分类方法4.1引言第3章内容考虑到Wishart统计分布特性，通过堆叠CV-SAE与CV-WAE网络模型构建了CV-WSAE分类模型，该模型已经能够充分证明复数域数据和Wishart统计分布对PolSAR图像分类的重要性。然而，由于传统分类模型的局限性，所提出的CV-WSAE分类模型也存在一些缺陷。首先，基于像素级的分类方法，没有考虑图像的空间信息；其次，该分类模型是基于监督分类方法的模型，没有考虑到PolSAR数据遭受缺失标签样本的问题；最后，CV-WSAE分类模型没有考虑到网络的过拟合问题。本章基于以上三个缺陷进行相应的改进。首先，RV-CNN分类模型因其避免了复杂的图像预处理，并且可以直接输入原始图像，因而在图像分类领域中得到了非常广泛的应用。本章通过构造CV-CNN分类模型以获取更加丰富的地物信息，减少因缺失空间信息而导致的模型分类精度过低的问题。其次，为了在标签样本较少的情况下仍能取得较高的分类精度，结合半监督学习方法和CV-CNN，本章提出了一种新颖的半监督PolSAR图像分类方法，即RCV-CNN分类模型。最后，四幅图像的实验结果证明，所提出的方法仅需要少量的标记样本即可获得良好的分类性能和空间一致性，且能够有效降低网络的过拟合现象。4.2RV-CNN网络原理RV-CNN网络模型由一个输入层、一个输出层和多个隐藏层组成，其中每个隐藏层由卷积层、池化层和全连接层所构成[81,82]。RV-CNN框架可以看作是深度神经网络的一种变体，如图4.1所示。在PolSAR图像分类中，将3-D补丁图像作为RV-CNN的输入。图4.1RV-CNN分类模型的框架
【参考文献】：
博士论文
[1]极化SAR图像人造目标特征提取与检测方法研究[D]. 张腊梅.哈尔滨工业大学 2010
硕士论文
[1]基于子孔径分解的极化SAR图像分类方法研究[D]. 孙晨.首都师范大学 2014
本文编号：2952864
【文章来源】：西安邮电大学陕西省
【文章页数】：105 页
【学位级别】：硕士
【部分图文】：
WAE网络的框架图
第3章基于CV-WSAE模型的PolSAR图像分类方法25为了获得图像的分类结果，在CV-WSAE网络模型的末端连接了一个分类器，以构成一个分类模型，如图3.2所示。PolSAR图像分类可以通过将单个像素分类为特定地物类型来实现，因此，通过对33复数相干矩阵进行矢量化处理，输入层是一个复值矢量，隐藏层是图像的分类特征，输出层是预测标签，将其组织为一个独热编码矢量，其中ON值为11*j，输出向量的长度是类别数目。在RV-WAE分类模型中，利用Softmax分类器来预测不同类别中的概率分布，然后通过使用对数损失函数最小化来学习整个网络模型[78]。在CV-WASE分类模型中，概率不能用作标签预测的目标函数。因此，在CV-WSAE分类模型中采用了最小二乘损失函数。最后，总的损失函数由下述公式(3.17)给出：22112NiiiiiElylyN(3.17)其中，il是真实标签，iy是第i个像素的预测标签。通过优化上式，以实现CV-WSAE分类模型的精调过程。图3.2展示了CV-WSAE分类模型的框架图。除了输入层和输出层之外，它还包含两个隐藏层，一个来自CV-WAE网络模型，另一个来自CV-AE网络模型。输入的尺寸大小为9，表示向量为33的复数相干矩阵iT。分类特征的尺寸大于输入，输出是每个像素的预测标签。网络训练结束后，可以使用CV-WSAE预测整个PolSAR地物数据中的每个标签。图3.2CV-WSAE分类模型的框架图
第4章基于半监督循环CV-CNN模型的PolSAR图像分类方法31第4章基于半监督循环CV-CNN模型的PolSAR图像分类方法4.1引言第3章内容考虑到Wishart统计分布特性，通过堆叠CV-SAE与CV-WAE网络模型构建了CV-WSAE分类模型，该模型已经能够充分证明复数域数据和Wishart统计分布对PolSAR图像分类的重要性。然而，由于传统分类模型的局限性，所提出的CV-WSAE分类模型也存在一些缺陷。首先，基于像素级的分类方法，没有考虑图像的空间信息；其次，该分类模型是基于监督分类方法的模型，没有考虑到PolSAR数据遭受缺失标签样本的问题；最后，CV-WSAE分类模型没有考虑到网络的过拟合问题。本章基于以上三个缺陷进行相应的改进。首先，RV-CNN分类模型因其避免了复杂的图像预处理，并且可以直接输入原始图像，因而在图像分类领域中得到了非常广泛的应用。本章通过构造CV-CNN分类模型以获取更加丰富的地物信息，减少因缺失空间信息而导致的模型分类精度过低的问题。其次，为了在标签样本较少的情况下仍能取得较高的分类精度，结合半监督学习方法和CV-CNN，本章提出了一种新颖的半监督PolSAR图像分类方法，即RCV-CNN分类模型。最后，四幅图像的实验结果证明，所提出的方法仅需要少量的标记样本即可获得良好的分类性能和空间一致性，且能够有效降低网络的过拟合现象。4.2RV-CNN网络原理RV-CNN网络模型由一个输入层、一个输出层和多个隐藏层组成，其中每个隐藏层由卷积层、池化层和全连接层所构成[81,82]。RV-CNN框架可以看作是深度神经网络的一种变体，如图4.1所示。在PolSAR图像分类中，将3-D补丁图像作为RV-CNN的输入。图4.1RV-CNN分类模型的框架
【参考文献】：
博士论文
[1]极化SAR图像人造目标特征提取与检测方法研究[D]. 张腊梅.哈尔滨工业大学 2010
硕士论文
[1]基于子孔径分解的极化SAR图像分类方法研究[D]. 孙晨.首都师范大学 2014
本文编号：2952864
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2952864.html
最近更新
教材专著
