基于深度RPCA网络的极化SAR影像地物分类

发布时间：2017-08-11 13:20

  本文关键词：基于深度RPCA网络的极化SAR影像地物分类

  更多相关文章： 极化SAR影像 深度PCA网络 深度RPCA网络 地物分类

【摘要】：极化SAR (Polarimetric Synthetic Aperture Radar)是一种相干多通道、全天候的雷达成像系统,已成为国际对地观测领域的重要方向之一。极化SAR有单极化和全极化之分,与单极化合成孔径雷达相比,全极化SAR包含了更多有利于地物分类的极化信息,使极化SAR影像地物分类成为国内外学者研究的重点。本文深入研究了极化SAR影像地物分类方法,以散射特征、偏振特征和邻域信息特征为基础,结合深度学习和SVM分类器提出了三种极化SAR影像地物分类方法,主要工作如下：(1)提出了一种基于深度PCA网络的极化SAR影像地物分类方法。此方法首先以每个像素为分类单元,提取多种散射特征、偏振特征以及原始协方差数据元素等,进行组合归一化后作为深度PCA(Principal Component Analys is)网络的输入,使得深度PCA网络中有效融入了极化SAR影像的散射机理和极化特征。然后,通过训练深度PCA网络对极化SAR影像由初级到高级多层提取特征,保证了所学习特征的有效性和准确性。最后,进行分类和准确率计算,并输出。实验表明,该算法能进一步提升分类精度,改善影像分类质量。(2)提出了一种基于深度RPCA(Robust Principal Component Analysis)网络的极化SAR影像地物分类方法。该方法首先以每个像素为分类单元,将提取到的散射特征、偏振特征与邻域信息特征等进行组合归一化后作为深度RPCA网络的输入,并将低秩的思想运用到了深度RPCA网络中,训练深度RPCA网络,利用SVM(Support Vector Machine)分类器进行分类。该方法充分利用了极化SAR数据不同于其他数据的散射特性、极化特性和空间邻域特性,且进一步提高了深度RPCA网络的鲁棒性。对比试验表明,本文的方法有着更高的客观评价指标,并且进一步提高了分类效果。(3)提出了一种基于超像素表示和重要采样的深度RPCA网络。针对同质区域的一致性保持较差和大量训练样本问题,将超像素的表示成功运用到该算法中,并且基于超像素表示对训练样本进行重要采样,训练深度RPCA网络,在影像分类中将基于单一像素的分类方式转换为基于超像素的分类方式,该方法对地物的划分更为精细、准确,且同质区域更完整,视觉效果好,进一步提高了极化SAR影像的分类正确率、改善了图像质量。
【关键词】：极化SAR影像 深度PCA网络 深度RPCA网络 地物分类
【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】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 符号对照表10-11
• 缩略语对照表11-15
• 第一章 绪论15-19
• 1.1 研究背景与意义15-16
• 1.2 极化SAR影像分类发展现状16-17
• 1.3 深度学习的进展17-18
• 1.4 课题研究与论文工作18-19
• 第二章 极化SAR理论基础19-27
• 2.1 极化波的表征19-20
• 2.1.1 极化椭圆19
• 2.1.2 Jones矢量19-20
• 2.1.3 Stokes矢量20
• 2.2 极化数据的表征20-21
• 2.2.1 极化散射矩阵20-21
• 2.2.2 极化协方差矩阵和极化相干矩阵21
• 2.3 极化目标分解21-25
• 2.3.1 Pauli分解22
• 2.3.2 SDH分解22-23
• 2.3.3 Cloud分解23
• 2.3.4 Freeman-Durden分解23-24
• 2.3.5 Huynen分解24-25
• 2.4 极化特征参数25-26
• 2.4.1 非相干参数25-26
• 2.4.2 相干参数26
• 2.5 本章小结26-27
• 第三章 基于深度PCA网络的极化SAR影像地物分类27-41
• 3.1 引言27
• 3.2 极化SAR特征参数27-29
• 3.3 深度PCA网络29-33
• 3.3.1 深度PCA网络的输入29-30
• 3.3.2 深度PCA网络30-31
• 3.3.3 使用SVM分类器进行分类31-33
• 3.4 实验与讨论分析33-40
• 3.4.1 实验数据33
• 3.4.2　1989年获取的Flevoland地区实验设置和实验结果分析33-36
• 3.4.3　1991年获取的Flevoland地区实验设置和实验结果分析36
• 3.4.4 Germany地区实验设置和实验结果分析36-38
• 3.4.5 SF Bay地区实验设置和实验结果分析38-40
• 3.5 本章小结40-41
• 第四章 基于深度RPCA网络的极化SAR影像地物分类41-55
• 4.1 引言41
• 4.2 深度RPCA网络中的低秩逼近41-43
• 4.3 基于深度RPCA网络和SVM的极化SAR影像分类43-46
• 4.4 实验与讨论分析46-53
• 4.4.1 实验设置与条件46
• 4.4.2 1989年获取的Flevoland地区实验设置和实验结果分析46-48
• 4.4.3 1991年获取的Flevoland地区实验设置和实验结果分析48-49
• 4.4.4 Germany地区实验设置和实验结果分析49-52
• 4.4.5 SF Bay地区实验设置和实验结果分析52-53
• 4.5 本章小结53-55
• 第五章 基于超像素表示和重要采样的深度RPCA网络55-69
• 5.1 超像素表示55-56
• 5.2 重要采样的引入56-58
• 5.3 基于超像素表示和重要采样的深度RPCA网络58-59
• 5.4 仿真实验59-66
• 5.4.1 实验设置与条件59-60
• 5.4.2 1989年获取的Flevoland地区实验设置和实验结果分析60-62
• 5.4.3 1991年获取的Flevoland地区实验设置和实验结果分析62-63
• 5.4.4 Germany地区实验设置和实验结果分析63-65
• 5.4.5 SF Bay地区实验设置和实验结果分析65-66
• 5.5 实验小结66-69
• 第六章 总结与展望69-71
• 6.1 工作总结69
• 6.2 展望69-71
• 参考文献71-75
• 致谢75-77
• 作者简介77

【相似文献】

中国期刊全文数据库 前10条

1 夔中羽;;地物频谱学研究始步[J];遥感信息;1993年01期

2 黄慧萍,吴炳方;地物提取的多尺度特征遥感应用分析[J];遥感技术与应用;2003年05期

3 杜凤兰,田庆久,夏学齐,惠凤鸣;面向对象的地物分类法分析与评价[J];遥感技术与应用;2004年01期

4 陈强;蒋咏梅;陆军;匡纲要;;一种基于目标散射鉴别的POLSAR图像地物无监督分类新方法[J];电子学报;2011年03期

5 郑秀仁,潘剑君,林海,谷苗;4种混合地物的光谱特征研究[J];南京农业大学学报;2004年04期

6 付琨,匡纲要,郁文贤;高分辨率SAR图像地物分类算法研究[J];电子学报;2001年S1期

7 孙真真,付琨,吴一戎;基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究[J];电子学报;2003年S1期

8 方墨人,田庆久;基于MODIS的LAI时间序列谱的地物分类方法研究[J];国土资源遥感;2004年03期

9 陈强;蒋咏梅;陆军;匡纲要;;基于目标散射相似性的POLSAR图像无监督地物散射分类新方案[J];电子学报;2010年12期

10 乔纪纲;陈明辉;艾彬;张亦汉;;SVM用于LiDAR数据的地物分类[J];测绘通报;2013年07期

中国重要会议论文全文数据库 前1条

1 袁家勇;高诗亮;田喜平;田朝前;;大范围场景内的地物模型生成相关技术[A];2009`中国地理信息产业论坛暨第二届教育论坛就业洽谈会论文集[C];2009年

中国博士学位论文全文数据库 前2条

1 张爽;基于散射机理和目标分解的极化SAR图像地物分类[D];西安电子科技大学;2015年

2 付琨;高分辨率单视单极化SAR图像地物分类方法研究[D];国防科学技术大学;2002年

中国硕士学位论文全文数据库 前10条

1 高蓉;面向极化SAR地物分类的稀疏深度网络[D];西安电子科技大学;2015年

2 熊莎琴;基于稀疏编码和SVM的极化SAR影像地物分类方法研究[D];西安电子科技大学;2015年

3 张东辉;基于散射特性和空间特性的极化SAR地物分类研究[D];西安电子科技大学;2015年

4 白雪莹;基于深度RPCA网络的极化SAR影像地物分类[D];西安电子科技大学;2015年

5 章皖秋;城市地物反射波谱分类及其通道窗口研究[D];华东师范大学;2005年

6 胡昊;极化SAR图像精细地物分类方法研究与实现[D];上海交通大学;2012年

7 林征;高光谱遥感在识别城市地物中的应用研究[D];广州大学;2008年

8 司玉琴;遥感影像预处理与地物提取方法研究[D];西安科技大学;2010年

9 吴长朋;基于散射特性和空间相关特性的高分辨率SAR图像地物分类算法及系统实现[D];上海交通大学;2012年

10 杜娜娜;机载LiDAR数据的半自动化地物提取与三维重建[D];中国地质大学(北京);2012年

，

本文编号：656340