小样本PolSAR图像地物分类技术研究

发布时间：2020-08-27 20:58

【摘要】：极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)能够获取丰富的目标散射信息,其地物分类方法也逐渐成为近年雷达图像解译的研究热点。目前,已发展出大量有监督和无监督PolSAR图像地物分类方法。其中,无监督学习方法不需要标记样本,但通常要求较强的专家知识设计判别性的极化散射特征,且分类精度不高。监督学习则使用大量标记样本训练模型,虽然可以获得相对准确的分类结果,但样本标记成本较高,实用性受限。针对PolSAR图像地物分类中无监督方法精度不高,而传统监督方法标记样本数量与成本受限等问题,本文提出了一系列使用小规模标记样本的PolSAR图像地物分类方法。主要研究工作和创新包括:1.实现了一种基于FSW-LapSVM的小样本PolSAR图像地物分类方法。该方法首先从极化协方差矩阵中提取特征,并基于极化协方差矩阵服从的复Wishart分布特性与空间关系,为大量无标记样本设计Spatial-Wishart相似度与相应的图正则。其次,引入像素模糊标签降低数据噪声对分类的影响,提高模型鲁棒性。该方法利用大量廉价无标记样本辅助分类,降低标记成本,使得在小样本条件下也获得较好的分类性能。多组实验结果表明,该方法在0.5%~1%的小样本条件下能够获得较高的分类准确率。2.实现了一种基于深度卷积孪生网络的小样本PolSAR图像地物分类方法。该方法基于空间一致性假设,引入空间邻域信息,并利用深度神经网络自动提取特征。针对深度模型严重依赖大量样本的问题,该方法设计一种有监督预训练加有监督微调的深度网络模型,在小样本条件下利用深度学习实现端到端的精准分类。首先构造权值共享的卷积孪生网络,使小样本数据集得到极大扩充的同时提取更易于分类的差异化特征。随后,在孪生网络之上增加全连接分类网络组成深度卷积孪生网络,并利用监督信息微调整个网络,实现网络分类能力。在多组PolSAR数据集上的实验结果表明,在每类仅标记10个样本的条件下,该方法具有较好的分类效果。3.实现了一种基于深度卷积Bi-LSTM孪生网络的小样本PolSAR图像地物分类方法。该方法在深度卷积孪生网络的基础上,对空间邻域信息进行双向时序建模,更合理地利用邻域信息。双向LSTM可以提取更完整的样本信息,使分类结果更加准确。另外,卷积的引入可以刻画数据局部特征并降低数据冗余,防止模型过拟合。在小样本条件下,该方法更充分更合理地利用样本信息来提高分类性能。最后,多组实验结果表明,同样在每类仅标记10个样本时,该方法可以进一步提高分类准确率。
【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
【图文】：

SVM分类结果图(e)LapSVM分类结果图(c)S-Wishart分类

23(f) SSA 分类结果图 (g) W-RBM 分类结果图 (h) W-DBN 分类结果图(i) SW-LapSVM 分类结果图 (j) FSW-LapSVM 分类结果图图2.3 San Francisco 地区子图实验结果图海洋 植被 低密度城区 高密度城区

FSW-LapSVM分类结果图(i)SW-LapSVM分类

【参考文献】

相关期刊论文 前2条

1 吴永辉;计科峰;郁文贤;;基于支持向量机的极化SAR图像分类[J];现代雷达;2007年06期

2 刘秀清,杨汝良,杨震;双波段全极化SAR图像非监督分类方法及实验研究[J];电子与信息学报;2004年11期

相关博士学位论文 前1条

1 吴永辉;极化SAR图像分类技术研究[D];国防科学技术大学;2007年

本文编号：2806613