深度学习框架下的极化SAR影像信息表达与分类研究
发布时间：2021-06-27 17:06
合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动微波雷达成像系统,具有全天时全天候成像、一定的穿透性、高精度和大幅面获取地表散射信息等特点,在军用及民用领域发挥着重要作用。极化SAR（Polarimetric SAR,PolSAR）可以发射和接收不同组合方式的极化波,为SAR影像解译提供更丰富的地物目标极化信息。极化SAR影像信息表达具有多样性、复杂性,极化散射机理、极化信息的有效提取和表达均有待进一步的研究,这为极化SAR影像的可视化、场景分类等解译工作提出了更高的挑战。深度学习在自然图像处理等领域发挥着革命性的作用,在极化SAR影像解译中也已逐步展现出优异的性能以及巨大的潜力,为极化SAR影像的精细解译提供新的解决方案。基于深度学习的极化SAR影像解译仍存在一些问题,首先,极化SAR影像具有特殊的微波成像机理,目视解译较为困难。极化SAR影像地物信息由极化相干矩阵等表达,具有多种散射信息表达形式。从目视效果和数据表达上,极化SAR影像均与光学影像存在明显差异。其次,在极化SAR影像分类的数据集上,获取大量准确的标注样本非常困难,深度学习模型难以学习...
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：145 页
【学位级别】：博士
【部分图文】：
PolSAR伪彩图以及相应标注(a)RS-2Flevoland伪彩图(b)RS-2Flevoland标注(c)
深度学习框架下的极化SAR影像信息表达与分类研究km0246中心纬度：52°20′15″N中心经度：5°22′26″EN干豆林地土豆苜蓿小麦裸地甜菜油菜豌豆草地水域未定义(a)(b)图3.6:PolSAR伪彩图以及相应标注(a)AIRSARFlevoland伪彩图(b)AIRSARFlevoland标注图114°18′E30°30′N30°24′N30°36′N114°08′E114°28′E114°20′E30°29′N图3.7:武汉区域光学遥感影像3.4实验结果与分析本节实验结果均基于深度学习加速服务器，CPU是英特尔i7-7700，显卡是英伟达GTX1080ti，内存是16G。加速服务器的系统是Ubuntu16.10，使用的深度学习框架是Caffe[138]。邻域窗大小w设置为15。总体精度(OverallAccuracy,OA)以及kappa系数用于评价FFS-CNN的性能。本文使用经过修改的LeNet-5、AlexNet[17]以及VGGNet[117]作为对比方法。由于本文模型基于LeNet-5进行改进，因此在网络结构、训练速度方面本文网络与LeNet-5相当。AlexNet和VGGNet的网络结构相对复杂，网络参数较多，通常用于大尺寸图像分类。本文对AlexNet和VGGNet卷积-41-
武汉大学博士学位论文层的卷积核尺寸、步进，以及池化层的池化核尺寸、步进进行了修改，以适应像素邻域窗数据的输入。3.4.1RS-2Flevoland结果图3.8和表3.2显示了RS-2Flevoland数据集的分类结果图以及精度。其中在文献[139]中，作者也使用了RS-2数据集来进行精度评价，所以[139]的分类结果可以作为参考。FFS-CNN模型的结果中四种地物类型的分类精度均比LeNet-5高。在与AlexNet的对比中，除了林地略低外，其他的地物类型的精度均比AlexNet高。FFS-CNN的OA比LeNet-5和AlexNet分别高3.44%和1.45%，其OA也同样比[139]要高。FFS-CNN的耕地分类精度比VGGNet要高，总体分类精度比VGGNet稍高。FFS-CNN在网络层数与网络参数比AlexNet和VGGNet少的情况下，在RS-2Flevoland数据集上取得了优秀的分类结果。(a)(b)(c)(d)图3.8:RS-2Flevoland数据集分类精度(a)LeNet-5结果(b)AlexNet结果(c)VGGNet结果(d)FFS-CNN结果表3.2:RS-2Flevoland数据集分类精度(%)方法水域林地建筑耕地OAKappaLeNet-596.0089.5489.9390.1890.960.88AlexNet97.8892.3786.6294.7592.950.90VGGNet97.9392.9294.2892.7494.210.92[139]方法98.6589.0773.4089.4290.01N/AFFS-CNN97.9091.9193.9994.9894.400.92-42-
【参考文献】：
期刊论文
[1]未来星载SAR技术发展趋势[J]. 邓云凯,禹卫东,张衡,王伟,刘大成,王宇. 雷达学报. 2020(01)
[2]雷达遥感六十年：四个阶段的发展[J]. 郭华东,张露. 遥感学报. 2019(06)
[3]机载SAR发展现状[J]. 程玉鑫,袁凌峰. 电子测试. 2016(08)
[4]面向全球变化探测的月基成像雷达概念研究[J]. 郭华东,丁翼星,刘广,张道卫,傅文学,张露. 中国科学:地球科学. 2013(11)
[5]合成孔径雷达卫星发展历程及趋势分析[J]. 朱良,郭巍,禹卫东. 现代雷达. 2009(04)
[6]机载SAR发展概况[J]. 曲长文,何友,龚沈光. 现代雷达. 2002(01)
博士论文
[1]基于深度空间特征学习的极化SAR图像分类[D]. 张璐.西安电子科技大学 2019
[2]小样本下的极化SAR图像分类问题研究[D]. 滑文强.西安电子科技大学 2018
[3]极化SAR影像特征统计分析与分类算法研究[D]. 董浩.武汉大学 2018
硕士论文
[1]基于深度网络的大场景SAR图像目标检识方法研究[D]. 唐翠.电子科技大学 2019
本文编号：3253251
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：145 页
【学位级别】：博士
【部分图文】：
PolSAR伪彩图以及相应标注(a)RS-2Flevoland伪彩图(b)RS-2Flevoland标注(c)
深度学习框架下的极化SAR影像信息表达与分类研究km0246中心纬度：52°20′15″N中心经度：5°22′26″EN干豆林地土豆苜蓿小麦裸地甜菜油菜豌豆草地水域未定义(a)(b)图3.6:PolSAR伪彩图以及相应标注(a)AIRSARFlevoland伪彩图(b)AIRSARFlevoland标注图114°18′E30°30′N30°24′N30°36′N114°08′E114°28′E114°20′E30°29′N图3.7:武汉区域光学遥感影像3.4实验结果与分析本节实验结果均基于深度学习加速服务器，CPU是英特尔i7-7700，显卡是英伟达GTX1080ti，内存是16G。加速服务器的系统是Ubuntu16.10，使用的深度学习框架是Caffe[138]。邻域窗大小w设置为15。总体精度(OverallAccuracy,OA)以及kappa系数用于评价FFS-CNN的性能。本文使用经过修改的LeNet-5、AlexNet[17]以及VGGNet[117]作为对比方法。由于本文模型基于LeNet-5进行改进，因此在网络结构、训练速度方面本文网络与LeNet-5相当。AlexNet和VGGNet的网络结构相对复杂，网络参数较多，通常用于大尺寸图像分类。本文对AlexNet和VGGNet卷积-41-
武汉大学博士学位论文层的卷积核尺寸、步进，以及池化层的池化核尺寸、步进进行了修改，以适应像素邻域窗数据的输入。3.4.1RS-2Flevoland结果图3.8和表3.2显示了RS-2Flevoland数据集的分类结果图以及精度。其中在文献[139]中，作者也使用了RS-2数据集来进行精度评价，所以[139]的分类结果可以作为参考。FFS-CNN模型的结果中四种地物类型的分类精度均比LeNet-5高。在与AlexNet的对比中，除了林地略低外，其他的地物类型的精度均比AlexNet高。FFS-CNN的OA比LeNet-5和AlexNet分别高3.44%和1.45%，其OA也同样比[139]要高。FFS-CNN的耕地分类精度比VGGNet要高，总体分类精度比VGGNet稍高。FFS-CNN在网络层数与网络参数比AlexNet和VGGNet少的情况下，在RS-2Flevoland数据集上取得了优秀的分类结果。(a)(b)(c)(d)图3.8:RS-2Flevoland数据集分类精度(a)LeNet-5结果(b)AlexNet结果(c)VGGNet结果(d)FFS-CNN结果表3.2:RS-2Flevoland数据集分类精度(%)方法水域林地建筑耕地OAKappaLeNet-596.0089.5489.9390.1890.960.88AlexNet97.8892.3786.6294.7592.950.90VGGNet97.9392.9294.2892.7494.210.92[139]方法98.6589.0773.4089.4290.01N/AFFS-CNN97.9091.9193.9994.9894.400.92-42-
【参考文献】：
期刊论文
[1]未来星载SAR技术发展趋势[J]. 邓云凯,禹卫东,张衡,王伟,刘大成,王宇. 雷达学报. 2020(01)
[2]雷达遥感六十年：四个阶段的发展[J]. 郭华东,张露. 遥感学报. 2019(06)
[3]机载SAR发展现状[J]. 程玉鑫,袁凌峰. 电子测试. 2016(08)
[4]面向全球变化探测的月基成像雷达概念研究[J]. 郭华东,丁翼星,刘广,张道卫,傅文学,张露. 中国科学:地球科学. 2013(11)
[5]合成孔径雷达卫星发展历程及趋势分析[J]. 朱良,郭巍,禹卫东. 现代雷达. 2009(04)
[6]机载SAR发展概况[J]. 曲长文,何友,龚沈光. 现代雷达. 2002(01)
博士论文
[1]基于深度空间特征学习的极化SAR图像分类[D]. 张璐.西安电子科技大学 2019
[2]小样本下的极化SAR图像分类问题研究[D]. 滑文强.西安电子科技大学 2018
[3]极化SAR影像特征统计分析与分类算法研究[D]. 董浩.武汉大学 2018
硕士论文
[1]基于深度网络的大场景SAR图像目标检识方法研究[D]. 唐翠.电子科技大学 2019
本文编号：3253251
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3253251.html
