基于字典学习和Softmax深度堆栈网络的PolSAR图像分类

发布时间：2020-06-09 01:03

【摘要】：极化合成孔径雷达是一种搭载在卫星或飞机上的主动式微波传感器,通过获取4个通道的极化数据,来全面反映地物目标的极化特征。PolSAR图像分类技术是PolSAR图像解译的一个热门分支,在学术界和军用领域都有重大的研究和应用价值。本文提出了一种基于字典学习和Softmax深度堆栈网络的PolSAR图像分类方法。首先在深度堆栈网络的基础上提出一种新型的Softmax深度堆栈网络,然后用analysisKSVD算法从PolSAR原始数据中提取字典作为Softmax深度堆栈网络最底层模块的初始值,最后针对Softmax深度网络提出对应的加速算法,并训练网络用于PolSAR图像分类。本文所做工作具体如下:(1)利用深度堆栈网络对PolSAR图像进行分类。将从极化相干矩阵中提取的原始数据特征直接输入到深度堆栈网络中,完成特征提取和分类过程。该方法利用深度学习强大的特征提取能力,克服了现有的PolSAR特征提取方法缺乏自主性和自适应性的问题。该方法思想简单,并且得到的分类结果区域一致性良好,分类正确率也显著提高。(2)提出了Softmax深度堆栈网络和相应的加速算法,并应用于PolSAR图像分类。首先将传统深度堆栈网络每个模块中的线性输出层替换为有Softmax激励函数的非线性输出层,并相应的改变目标函数,提出Softmax深度堆栈网络。然后,针对Softmax深度堆栈网络,提出了相应的加速算法,即在训练每个模块的每次循环中,先用L-BFGS算法求解上层权值矩阵的近似最优解,并在此基础上利用BP算法更新下层权值矩阵。Softmax深度堆栈网络克服了传统深度堆栈网络不适用于多分类问题的缺点,提高了PolSAR图像的分类正确率,相应的加速算法使网络收敛速度加快。(3)提出了基于字典学习和Softmax深度堆栈网络的PolSAR图像分类方法。首先采用analysisKSVD算法从原始数据特征中提取解析字典,并将该字典的转置作为Softmax深度堆栈网络最底层模块中下层权值矩阵的初始值,最后训练Softmax深度堆栈网络用于PolSAR图像分类。该方法自然地将字典学习和Softmax深度堆栈网络结合,不仅能用较为简洁的方法解决网络初始化问题,并且利用数据的浅层特征作为初始化点,更加符合数据特性。该方法中模型收敛速度快,且分类正确率高。
【图文】：

示意图,图像分类,方法,示意图

第一章绪论SVD 提取特征进行分类。PolSAR 图像分类方法，除了按照上述的提取特征方式进行归类，还可以按照方式归类，比如按照是否需要训练标签，可以分为监督方法和非监督方法；按照需要局部像素的空间相关性，可以分为基于像素和基于区域的方法；按照极化数利用形式，可以分为利用目标散射矢量或散射矩阵的方法、利用极化协方差矩阵干矩阵的方法、利用极化特征参数的方法和融合多特征的方法。PolSAR 图像分法的总结见图 1.1。

示意图,平面波,示意图,平面电磁波

极化指的是电场和磁场均在垂直于传播方向的平面内震荡常采用单色平面电磁波来描述极化方式。图 2.1 所示即为单色平面卡尔坐标，z 是电场传播方向，两个正交的的波形都是正弦波。沿平面电磁波可表示为xyE ( z,t)E(z,t)eE(z,t)exy (,)cos()(,)cos()00yyyxxxEztEtkzEztEtkz 表示 x ,y方向的单位基，00,xyE E分别表示 x ,y方向分量正弦波的振表示 x ,y方向分量正弦波的初始相位。在0t t时，横向电磁波的电一对相互正交的正弦波。根据这一对相互正交的正弦波的振幅和初三种极化方式被定义，它们分别是线极化，，圆极化和椭圆极化。
【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】