【摘要】：在科技日益进步的今天,各个行业对遥感影像技术的需求日益增加。极化合成孔径雷达(Synthetic Aperture Radar,SAR)作为遥感影像技术中最受青睐的技术,有很多优势,如全天候、全天时、分辨率高、可侧视成像等。极化SAR图像富含丰富的极化信息,具有研究价值。极化SAR图像地物分类是研究极化SAR图像的基本有效方式,而且也是极化SAR图像应用的重要组成部分。但是,传统的极化SAR图像地物分类技术已经不能满足人们的需求。深度学习是近年来的研究热点,模拟人类大脑皮层,具有强大的特征表示能力。本论文研究将深度学习中深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)模型应用于极化SAR影像地物分类领域以提高极化SAR图像地物分类精度及可靠性,从而促进极化SAR图像地物分类的发展。本文主要研究内容如下:1.针对人工标记数据困难的问题提出了一种基于DCGAN的极化SAR图像地物分类方法。本方法利用大量无标记样本对DCGAN进行无监督训练。DCGAN能够从大量无标记数据样本中学习出数据的分布特性,因此本方法在有标记训练样本较少的情况下仍可以达到很高的分类精度。五组数据被用来进行了实验,然后分别用五种其他方法进行了对比。实验结果证明了本方法利用大量无标记数据的信息,只用少量有标记样本能够达到很高的分类精度,而且得到了视觉效果很好的分类结果图。2.从多尺度分析着手,提出了一种基于Contourlet-DCGAN的极化SAR图像地物分类方法。该方法主要对DCGAN进行改进,引入轮廓波(Contourlet)变换,提出了Contourlet-DCGAN模型。该模型不仅利用大量无标记数据信息,而且添加Contourlet变换对极化SAR图像进行稀疏表示,提取了图像的边缘、纹理特征。最后,用不同分辨率和平台的数据进行了实验,并对比了其他方法。实验结果证明了本方法提取了多尺度、多分辨特征,能提高分类精度。3.针对网络模型复杂的问题,提出了一种基于Contourlet Depthwise-DCGAN的极化SAR图像地物分类方法。本方法主要根据深度可分卷积的思想提出了深度可分反卷积,然后将Contourlet-DCGAN模型中的标准卷积用深度可分卷积替换,而标准反卷积都用深度可分反卷积替换,构成了Contourlet Depthwise-DCGAN模型。最后,用五组数据和不同的对比实验进行了验证,实验结果验证了该方法不仅减小了模型复杂度,避免了过拟合风险,同时提高了特征表示能力,进而提高了分类精度。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN957.52
【参考文献】
相关期刊论文 前5条
1 王云艳;何楚;涂峰;陈东;廖明生;;特征选择双层SVM的融合算法用于极化SAR图像分类[J];武汉大学学报(信息科学版);2015年09期
2 张中山;燕琴;余洁;李岩;;基于粒子群算法的全极化SAR图像非监督分类算法研究[J];武汉大学学报(信息科学版);2010年08期
3 王腾;徐向东;董云龙;张莉;苏伟;;合成孔径雷达的发展现状和趋势[J];舰船电子工程;2009年05期
4 曹芳;洪文;吴一戎;;基于Cloude-Pottier目标分解和聚合的层次聚类算法的全极化SAR数据的非监督分类算法研究[J];电子学报;2008年03期
5 袁孝康;合成孔径雷达的发展现状与未来[J];上海航天;2002年05期
相关博士学位论文 前1条
1 陈军;全极化SAR分类若干关键技术研究[D];中国矿业大学;2015年
相关硕士学位论文 前6条
1 白雪莹;基于深度RPCA网络的极化SAR影像地物分类[D];西安电子科技大学;2015年
2 郭岩河;基于深度学习的极化SAR分类研究[D];西安电子科技大学;2015年
3 隋艳立;基于深度支持向量机的极化SAR图像分类[D];西安电子科技大学;2014年
4 符丹钰;基于深度神经网络与稀疏学习的极化SAR图像分类[D];西安电子科技大学;2014年
5 李崇谦;基于K-wishart分布的极化SAR图像分类研究[D];西安电子科技大学;2013年
6 吴婉澜;基于子孔径的极化SAR图像目标分类算法研究[D];电子科技大学;2009年
，
本文编号：
2603151
本文链接：https://www.wllwen.com/kejilunwen/wltx/2603151.html
