基于深度学习和噪声分析的SAR图像分类研究

发布时间：2020-04-06 00:29

【摘要】：合成孔径雷达成像系统(Synthetic aperture Radar,SAR)不但具有全天候全时段,不受云雾雨雪干扰的工作能力,且能够提供丰富的地物信息。因此SAR图像在目标检测,分类方面具有突出的优势,被广泛应用于农业评估、军事侦察、环境监测、灾害预警以及地质勘探等诸多方面。SAR图像解译是遥感领域的重要研究课题,而SAR图像分类是SAR图像解译的基础,并在近年来受到广泛的关注与研究。然而,SAR图像由于其独特的成像特性,在具备大量地物信息的同时也提高了对其进行图像解译的难度。同时相干斑噪声的存在更降低了传统研究方法对于SAR图像分类和解译等操作的准确性。因此,研究SAR图像分类算法具有重要的理论意义和实用价值。本文主要研究的是基于深度学习的SAR图像分类算法,同时展开了噪声对于SAR图像分类性能干扰的研究。深度学习通过对SAR图像的多层次特征学习,从SAR的低层次特征中逐渐学习得到抽象的高层次特征,实现对SAR图像的深层特征提取。针对SAR图像中相干斑噪声的存在,相干斑去噪技术的应用可以有效降低其对于图像内容及特征的影响,从而提高了提取特征的分辨能力。针对上述问题,本文总结了多种相干斑去噪方法对于SAR图像分类的影响,并应用深度学习方法对SAR图像进行分类研究,并分析实验结果。文章的主要工作如下:1)针对SAR中相干斑噪声对于深度学习模型的影响展开了研究。首先建立了一种基于深度置信网络的SAR图像分类算法。针对图像中已知类型区域,通过深度置信网络学习SAR图像中不同区域的特征,从而完成对SAR图像未知类型区域的分类。针对SAR图像中相干斑噪声的影响,文章也在不同噪声水平的合成SAR图像分类展开了对比性研究。同时,文章分别应用了不同滤波方法抑制相干斑噪声,从而分析噪声对于深度置信网络分类的影响。2)提出了一种基于区域滤波和深度置信网络的SAR图像分类算法。首先通过各向异性纹理分析实现了针对不同区域的划分,并针对不同区域采取不同的滤波策略从而提高不同区域的差异性,然后通过DBN挖掘提取SAR图像的深层特征,并应用到SAR图像的分类当中。该算法将相干斑去噪技术和深度置信网络相结合,在通过深度置信网络对SAR图像进行无监督的学习和特征提取的同时,提出了区域滤波的方法来减少相干斑噪声对分类结果的影响,并提高了深度置信网络对于图像边缘区域和匀质区域的识别能力。为了验证本文提出的SAR图像分类算法的性能优势,利用仿真SAR图像和实测SAR图像进行了对比实验。实验结果表明:对比于其它SAR图像分类算法,本文提出的算法具备更高的识别精度,同时对于SAR图像中不同区域具备更好的分类效果。
【图文】：

工作原理图,回波信号

波转换为回波信号并提取信息，显示出目标的距离，方向和速度等信息。逡逑与红外成像系统和可见光成像成像系统不同，ＳＡＲ主要采用的是测试雷达成逡逑像和有源工作方式相组合的工作方式。ＳＡＲ的工作原理图如图２．１所示。逡逑轨迹逡逑怒卜逡逑／扫描宽＾逡逑／逦／方位向逡逑图２．１邋ＳＡＲ工作原理图逡逑Ｆｉｇ．邋２．１邋Ｓｃｈｅｍａｔｉｃ邋ｄｉａｇｒａｍ邋ｏｆ邋ＳＡＲ邋ｉｍａｇｉｎｇ邋ｐｒｉｎｃｉｐｌｅ逡逑合成孔径的基本原理是通过小孔径天线进行连续的移动并向地表发射连续的逡逑电磁波信号，根据接收到的回波信号从而实现针对地表信息的收集和重现。由于逡逑地表中不同目标区域和小孔径天线高度的差异，其回波信号的反射时间不同，ＳＡＲ逡逑１１逡逑

相干斑,图像,相干斑噪声,同质

同质区域的灰度值相同，而不同灰度则表示两种不同的区域。然而相干斑噪声的逡逑存在表现同质区域中，其中最为明显的表现就是图像中存在部分像素点像素值较逡逑大和较小的现象，在ＳＡＲ图像中具体为颗粒状的相干斑。由图２．２可以查看出，逡逑相干斑噪声的存在模糊了真实地物的边界信息，，更影响了之后的图像解译。逡逑１３逡逑
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN957.52

【相似文献】