基于深度卷积神经网络的极化SAR影像分类方法研究

发布时间：2023-09-29 01:16

　　极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是一种先进的微波探测系统,具有全天时、全天候的特点,能同时获取4个通道的信息,在民用和军用领域发挥着不可替代的作用。其中极化SAR影像场景分类作为极化SAR影像解译的重要任务之一,受到越来越多的关注。基于传统方法的PolSAR影像分类精度通常依赖于特征的选取,受先验知识和噪声的限制,无法得到满意的精度。深度学习的方法可以自动的从数据中抽象出其本质特征并能利用高层次空间信息和极化信息降低噪声的干扰,实现PolSAR影像的高精度分类。本论文探究基于深度卷积神经网络的极化SAR影像分类方法,主要内容如下:1、提出了一种基于深度卷积神经网络的集成迁移框架。该方法充分利用影像中的极化信息和空间信息,实现了在小样本上的高精度分类。首先研究了三种高级极化分解方式对PolSAR影像分类的影响,随后迁移三种经典模型用于极化SAR影像分类,最后选用合适的模型对高级极化参数进行集成学习。2、可视化卷积神经网络在影像分类中的工作模式,探索不同模块对不同数据的处理方式以及具体现象出现的原因,验证了将光学模...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 极化SAR图像分类方法国内外研究现状
    1.3 总体研究方案和论文结构
第2章 极化SAR理论基础
    2.1 极化SAR表示形式
        2.1.1 极化散射矩阵
        2.1.2 极化协方差矩阵
        2.1.3 极化相干矩阵
    2.2 极化目标分解
        2.2.1 Yamaguchi分解
        2.2.2 H/A/a分解
第3章 深度卷积网络理论基础
    3.1 卷积神经网络原理和基本组成单元
        3.1.1 卷积层
        3.1.2 池化层
        3.1.3 常用激活函数
        3.1.4 反卷积层
    3.2 分类网络模型
        3.2.1 VGG模型
        3.2.2 ResNet模型
        3.2.3 DenseNet模型
    3.3 分割网络模型
        3.3.1 SegNet
        3.3.2 U-net
    3.4 迁移学习
    3.5 集成学习
第4章 基于预训练和多极化参数的高分辨率极化SAR场景分类方法研究
    4.1 研究区概述
    4.2 分类数据集
    4.3 基于深度神经网络模型的场景分类
        4.3.1 模型训练与实验结果分析
        4.3.2 模型可视化
    4.4 基于极化信息与空间信息集成的场景分类
        4.4.1 不同极化参数对分类结果的影响
        4.4.2 极化信息与空间信息的集成模型及结果分析
第5章 基于小样本的极化SAR语义分割方法研究
    5.1 分割数据集
    5.2 多尺度模型及实验分析
        5.2.1 多尺度FCN模型
        5.2.2 实验结果与分析
    5.3 多极化模型及实验分析
        5.3.1 添加极化分解的PolSAR-FCN网络
        5.3.2 实验结果与分析
第6章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3848995