基于深度曲线波—残差网的极化SAR影像地物分类
发布时间：2020-04-17 13:19
【摘要】：极化合成孔径雷达已成为国内外合成孔径雷达发展过程中不可或缺的对象之一,而在SAR图像解译中,极化SAR影像地物分类作为至关重要的一个研究方向,它根据每一分辨单元所获取的目标极化信息来判定像素点所属的类别。相比于浅层网络,深度网络模型在复杂高变函数的表示、网络计算复杂度及获取有效信息上都有突出优势,故本文采用深度学习方法对极化SAR影像地物分类。论文主要包含以下方面:1、提出了一种基于深度残差网的极化SAR影像地物分类方法。极化SAR影像地物分类作为图像处理的关键步骤,需要确定影像中每一像素点的类别。有效的特征学习是解决分类任务的基础,因此为了学习更为丰富的特征,本文首先对极化SAR影像采用平移、旋转等手段进行数据扩增,然后通过深度残差网进行分类。数据扩增丰富了极化SAR影像的特征表现形式,为深度残差网挖掘极化SAR影像更高层次的抽象特征准备了充足的数据量。该方法利用深度残差网络构建短路结构获得更高的非线性表示学习能力,有效学习了浅层和深层特征,选取极化SAR影像已标记样本的百分之五到百分之八作为训练样本,采用有监督的学习,实现对极化SAR影像的地物分类,与当下典型的卷积网络模型进行对比,该方法取得更好的分类结果。2、提出了一种基于深度曲线波-残差网的极化SAR影像地物分类方法。极化SAR影像含有丰富的纹理边缘特征,对其进行Curvelet变换,通过阈值操作可以减少噪声对分类过程的干扰,并提取得到方向、角度、空间等多尺度信息,确保深度残差网完备提取其多尺度信息,该方法可以更好的识别图像中的边缘信息,与其他卷积网络模型相比,提高了对极化SAR影像地物分类的准确率。3、提出了一种基于深度扩张卷积结合残差网的极化SAR影像地物分类方法。本文采用特征结合的思路,将经过Pauli分解和经过Curvelet变换之后的极化SAR影像分别输入到双通道结合深度残差网的不同通道中,一方面提取极化SAR影像的物理散射特性,另一方面,对于极化SAR影像的方向、角度、尺度等多尺度信息输入到模型中,同时有效地抑制噪声,并在本方法第一个残差模块中引入扩张卷积操作,加大感受野,在不损失数据信息效果的同时,保证每个卷积输出都包含极化SAR影像较大范围的信息,达到微观操作中具有宏观和全局的效果,减少了特征损失,与以上方法比较,进一步优化了对极化SAR影像地物分类的结果,提高了分类精度。
【图文】：
然而卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，ＣＮＮ）对图像块保留了图像逡逑的空间邻域信息，，但是网络加深会导致训练艰难。科研人员对此设计了很多方法，克逡逑服深度ＣＮＮ训练的问题。其中，最为著名的是Ｋｒｉｚｈｅｖｓｋｙｅｔａｌ．提出的ＡｌｅｘＮｅｔ结构，逡逑类似于ＬｃＮｃｔ－５，但层数更深，对于图像的特征学习的更为完善，具Q嚫诺谋硐帧ｅ义
本文编号：2630908
【图文】：
然而卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，ＣＮＮ）对图像块保留了图像逡逑的空间邻域信息，，但是网络加深会导致训练艰难。科研人员对此设计了很多方法，克逡逑服深度ＣＮＮ训练的问题。其中，最为著名的是Ｋｒｉｚｈｅｖｓｋｙｅｔａｌ．提出的ＡｌｅｘＮｅｔ结构，逡逑类似于ＬｃＮｃｔ－５，但层数更深，对于图像的特征学习的更为完善，具Q嚫诺谋硐帧ｅ义
本文编号：2630908
本文链接：https://www.wllwen.com/kejilunwen/wltx/2630908.html
