基于卷积神经网络与邻域相关性的SAR图像分类算法研究

发布时间：2024-06-02 14:54

　　合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时成像的能力,在军用与民用方面有着诸多应用。SAR图像分类提供了图像中的地物类别信息,是SAR图像解译的关键环节。SAR图像特征提取对分类精度有着重要的影响。卷积神经网络(Convolutional Neural Network,CNN)能提取具有鲁棒性与判别性的深层次图像特征,因此基于CNN的SAR图像特征提取与分类是一个前沿发展方向。CNN的网络结构缺乏对SAR图像邻域相关性信息的有效利用,限制了CNN的分类精度。针对这一问题,论文围绕SAR图像邻域相关性信息与CNN深度特征相结合这一主题,研究提出了SAR图像分类新算法,论文主要研究工作如下:1)研究提出一种基于自适应邻域CNN(Adaptive Neighborhood-based CNN,AN-CNN)的SAR图像分类算法。针对CNN未充分利用邻域像素点间相关性信息的问题,算法根据输入图像块中的邻域像素点到中心像素点的空间-特征双边距离来构建自适应权重,在此基础上通过特征距离加权来提升边界区域分类精度,通过空间距离加权来提升匀质区域分类精度...

【文章页数】：124 页

【学位级别】：博士

【部分图文】：

图1.1SAR成像原理示意图

合成孔径雷达(SAR)是一种能够进行高分辨率二维成像的雷达,根据其载体的差异可大致将SAR分为星载SAR与机载SAR。SAR采用侧视的方式对地物进行探测,其成像原理可由图1.1所示意。SAR图像的二维特性可分为方位向信息与距离向信息。距离向信息与方位向信息相互垂直。因此,SAR图....

图1.2相干斑噪声形成原理示意图

一般情况下,SAR传感器单个分辨单元内包含大量散射体(如图1.2所示),因此单个分辨单元内雷达观测值如公式1.2所示:在公式1.2中,表示第k个散射单元散射波的幅度与相位,N代表一个散射单元内散射单元的数量。实验结果表明,在满足完全发育相干斑[93]假设的前提下,后向散射源在统计....

图2.1CNN结构示意图

如图2-3所示,卷积层由多个特征图构成,每个特征图对应一个神经元,每个神经元都通过若干卷积核与上一层的每个特征图进行局部连接。卷积核是一个矩阵,该矩阵采用滑动窗口对上一层的特征图进行卷积操作。不同的卷积核可以提取不同的特征,这就使得CNN提取的特征是多样,从而具有鲁棒性。CNN不....

图2.2ReLU函数示意图

图2.2为ReLU函数的图像,可以看出当输入大于0的,函数的输入与输出相等,反之输出为0。相比于饱和非线性函数,ReLU可提升CNN分类精度的原因有三个方面:第一,使用ReLU解决了梯度消失问题,使得CNN的深度得以加深,从而提升分类精度[2]。第二,可以抑制冗余的神经元的活性,....

本文编号：3987404