基于超像素和全卷积网络的极化SAR图像分类

发布时间：2022-12-11 17:21

　　基于深度学习的方法在极化合成孔径雷达（Synthetic Aperture Rader,SAR）图像分类中取得了不错的分类结果,尤其是全卷积网络（Fully Convolution Network,FCN）,得益于其端到端、点到点的分类架构,在极化SAR图像分类中有很大的应用前景。之前的基于FCN的极化SAR图像分类方法中,没有使用超像素去修正分类结果,影响了其分类结果的进一步提升。提出了基于超像素和FCN的极化SAR图像分类方法,得到了很好的分类结果。 

【文章页数】：6 页

【文章目录】：
0 引言
1 特征提取
    1.1 极化相干矩阵
    1.2 H/A/α分解方法
2 本文方法
    2.1 超像素SLIC算法
    2.2 滑窗全卷积网络
    2.3 超像素+SFCN
3 实验与分析
    3.1 Xi’an图像分类实验
    3.2 Oberpfaffenhofen图像分类实验
4 结束语


【参考文献】：
期刊论文
[1]融合极化SAR图像色彩信息的地物分类新方法[J]. 周涛,代大海,邢世其,刘阳,王雪松.  无线电工程. 2018(12)
[2]基于联合特征和SVM的极化SAR图像分类方法[J]. 马騳骉,卢春燕.  无线电工程. 2017(03)



本文编号：3719189