基于空间信息的极化SAR图像分类

发布时间：2021-03-07 01:05

　　近些年来,备受瞩目的遥感系统发展得到了前所未有的突破,使得人们能够通过更多的方法来获得地物信息。作为获得地物信息的一种重要的方式,极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,Pol SAR）表现出了比其它传统方法更具备优势的特点。极化SAR图像的分类是极化SAR图像处理与解译的一种重要方式,因此它成为了相关学者及科研人员研究的热门。近年来,得益于人工智能的火热,深度学习在极化SAR图像分类上受到了相关科研人员的青睐,然而将深度学习引入极化SAR图像分类会遇到一些问题。首先,极化SAR图像的数据格式与光学图像有差异。光学图像的每个像素是用灰度值来表征,因此,灰度值可以作为原始特征直接输入到深度学习模型中进行训练,但是极化SAR图像的成像依靠的是微波传感器,每个像素是由一个复数矩阵来表征,不能直接输入到深度学习模型中去。其次,极化SAR图像里分布着较多的相干斑噪声,这些噪声会影响深度学习模型的训练与分类。最后,极化SAR图像的标记是个既耗时又费力的过程,因此可供训练的带标记数据通常很少,然而对于深度学习模型来说,足够数量的带标记数据是必不可... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图1.1两类线极化方式

西安电子科技大学硕士学位论文用的新时代。深度学习在人工智能领域起着举足轻重的作用，它的发展越来越备受瞩目。如今，日常生活中到处可以看到深度学习的影子，如智能推荐，语音输入，计算机视觉，小度智能机器人等，然而，深度学习的产生历史却并不是一帆风顺的，整个历史可用图 1.2 概括。

编码器是深度学习模型中的一种堆叠而成的不需要知道标签信息据压缩表达的思想使输入的数据降维得到一个近似于输入的输出值层的神经网络第三层拥有同数量的特征值个数向量。假设一个样本可以用 h 按照如下公式解码得到样本特征的重构图 2.1 一个稀疏自编码器的结构编码器是深度学习模型中的一种，通常是由几个稀疏堆叠而成的。它的训练过程分为两部分，首先是预训不需要知道标签信息，每次只对一个稀疏自编码器进据压缩表达的思想使输入的数据降维，变成隐层的表得到一个近似于输入的输出值。图 2.1 描述了一个稀层的神经网络，第一层与第二层组成编码器，第二层第三层拥有同数量的特征值个数，第二层的数据则是假设一个样本可以用 x 来表征，经过如下编码 1 1h f W x by：通常是由几个稀疏首先是预训每次只对一个稀疏自编码器进变成隐层的表第二层第二层的数据则是经过如下编码

【参考文献】：
期刊论文
[1]极化SAR图像分类综述[J]. 周晓光,匡纲要,万建伟.  信号处理. 2008(05)
[2]利用SVM的全极化、双极化与单极化SAR图像分类性能的比较[J]. 吴永辉,计科峰,郁文贤.  遥感学报. 2008(01)



本文编号：3068130