基于深度学习的高分辨SAR图像地物分类

发布时间：2021-10-19 17:14

　　合成孔径雷达（Synthetic Aperture Radar,SAR）能够在各种气候下持续不间断工作,并且SAR图像由于其散射信息和纹理信息非常丰富,不仅被应用于地物分类、军事目标检测等军事领域,而且被广泛地应用到城市规划、矿物侦测、农业生产等民用领域,具有重大的应用价值。SAR图像的分辨率随着遥感技术的发展变得越来越高,图像内容更加丰富,因此对于SAR图像自动解译的技术要求也更加严格,如何既快速又精确地解译SAR图像在当前仍然很难解决。近年来,深度学习技术的发展非常快速,引起了工业界和学术界的极大关注,而且取得了很大的成功。在本文中,主要工作是将深度学习中全卷积神经网络方法应用到高分辨SAR图像地物分类领域,并提出了一些改进,具体如下:1.研究了深度学习卷积神经网络的变体全卷积网络,讨论了其基本组成和算法原理,并将全卷积神经网络应用到高分辨SAR图像地物分类领域,设计了一种针对于高分辨SAR地物分类的小型全卷积网络结构TinyFCN,以逐像素级别分类替代了传统卷积神经网络方法以及SVM方法中的逐块级别分类的方式,在保持较高准确率的前提下,将全图分类速度提升了两个数量级,且过拟合程度... 

【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】：106 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景和意义
        1.1.1 合成孔径雷达
        1.1.2 相干斑噪声
    1.2 国内外研究现状
    1.3 论文的主要工作和结构
第二章 深度学习理论基础
    2.1 深度学习发展简介
    2.2 深度学习模型
        2.2.1 深度置信网络DBN
        2.2.2 自动编码器AE
        2.2.3 卷积神经网络CNN
    2.3 卷积神经网络的发展及应用
    2.4 本章小结
第三章 基于小型全卷积网络的高分辨SAR图像地物分类
    3.1 引言
    3.2 全卷积网络
        3.2.1 上采样结构
        3.2.2 跳跃级联结构
        3.2.3 Dropout
        3.2.4 Softmax分类器
    3.3 本章算法
    3.4 实验与分析
        3.4.1 Rosenheim地区SAR图像实验结果与分析
        3.4.2 Traunstein地区SAR图像实验结果与分析
        3.4.3 Napoli地区SAR图像实验结果与分析
    3.5 本章小结
第四章 基于多尺度全卷积网络的高分辨SAR图像地物分类
    4.1 引言
    4.2 多尺度卷积层
    4.3 本章算法流程
    4.4 实验与分析
        4.4.1 Rosenheim地区SAR图像实验结果与分析
        4.4.2 Traunstein地区SAR图像实验结果与分析
        4.4.3 Napoli地区SAR图像实验结果与分析
    4.5 多尺度卷积层分析
    4.6 本章小结
第五章 基于特征结合的多尺度全卷积网络的高分辨SAR图像地物分类
    5.1 引言
    5.2 SAR图像特征提取方法
        5.2.1 灰度共生矩阵纹理分析法
        5.2.2 Gabor特征提取方法
    5.3 特征结合
        5.3.1 传统图像融合理论
        5.3.2 本章基于数据层的特征结合方法
    5.4 本章算法流程
    5.5 实验与分析
        5.5.1 Rosenheim地区SAR图像实验结果与分析
        5.5.2 Traunstein地区SAR图像实验结果与分析
        5.5.3 Napoli地区SAR图像实验结果与分析
    5.6 本章小结
第六章 总结与展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]图像融合研究综述[J]. 朱炼,孙枫,夏芳莉,韩瑜.  传感器与微系统. 2014(02)
[2]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[3]SAR图像特征提取与选择研究[J]. 贺志国,陆军,匡纲要.  信号处理. 2008(05)

博士论文
[1]SAR图像道路和机场提取方法研究[D]. 贾承丽.国防科学技术大学 2006

硕士论文
[1]图像处理及图像融合[D]. 郭利明.西北工业大学 2006



本文编号：3445286