基于卷积神经网络的极化SAR图像分类

• 作 者: 孙丹丹
• 出 处: 中国民航大学
• 发表日期: 2019年01期
• 关键词: 极化合成孔径雷达 图像分类 深度学习 卷积神经网络 随机森林 特征选择

极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像是指雷达根据合成孔径原理来发射以及接收多种极化组合方式的电磁波获得的高分辨率成像,拥有更为丰富地极化散射信息。极化SAR图像分类对极化合成孔径雷达图像解译有着重要意义,在自然灾害检测、观测农作物生长、舰船跟踪识别等方面都有着广泛的应用。近年来,深度学习方法在计算机视觉领域发展迅速,深度学习网络通过对输入样本的多层训练学习更为全面地获取图像结构信息。其中深度卷积神经网络以其局部连接权值共享计算量小的特点在图像的分类识别方面发挥着不可替代的作用,论文在基于卷积神经网络在极化SAR图像中的应用上展开分析研究,主要工作如下:给出了基于卷积神经网络的极化SAR图像有监督分类方法。根据卷积神经网络的结构以及对多类别数据集的训练特点,构造极化SAR数据多通道特征组合,首先对极化相干矩阵进行Cloude分解得到包含散射信息的极化特征集,并结合颜色特征以及代表极化SAR图像空间结构信息的纹理特征得到多维特征的训练样本集,经过卷积神经网络训练学习多层特征信息,再利用训练好的网络模型对极化SAR图像进行测试得到最终分类结果。为减小特征之间的冗余进一步缩短训练时间得到更加合理有效的特征组合,在多特征分类的基础上实现了一种特征选择与卷积神经网络相结合的极化SAR图像有监督分类算法。主要是根据极化SAR图像数据以及目标分解获取原始特征参数集,然后利用随机森林方法对特征参数集进行重要性评估,并根据特征重要性排名选择最优极化特征。以最优极化特征为输入,最后通过卷积神经网络分类器实现图像的分类。利用美国AIRSAR机载系统采集的两组实测数据证明试验的有效性,并同已有经典有监督分类算法进行比较分析,结果表明卷积神经网络的方法能够提高分类准确率,且经过特征选择后训练时间缩短运算量更小。