论文部分内容阅读
到目前为止，对极化SAR图像的研究已经经历了近三十年的时间，许多经典的极化SAR图像分类方法被广泛应用于各个领域，可以说，对极化SAR图像的研究已经取得了丰硕的成果。如今，极化SAR已经逐渐民用化，使得对极化SAR图像的自动解译要求越来越高。尽管现在极化SAR图像数据的获取能力已经得到了极大的提升，但是相应的信息处理技术仍然有待发展。 本文主要研究基于深度学习和稀疏表示的极化SAR图像分类方法。深度学习通过组合极化SAR的低层特征形成较为抽象的高层表示(类别属性或特征)，实现对复杂函数的高度逼近，以发现极化SAR的分布式特征表示，可以学习到原始数据的深层特征。而稀疏表示可以减小图像的冗余度，有利于特征的有效提取。本文提出了三种方法来实现极化SAR图像的分类。本文首先利用深度网络和稀疏表示对极化SAR图像进行特征提取，然后利用SVM分类器进行分类，获得分类结果。主要工作如下： 1)提出了一种基于稀疏主分量分析和稀疏自动编码器的极化SAR图像分类方法。首先利用SPCA对极化SAR原始数据进行降维和稀疏表示，克服了现有技术中待处理的高维数据的无关性和冗余性，然后通过SAE网络挖掘极化SAR数据的深层特征，对原始数据达到高精度逼近，最后利用SVM分类器进行对学习到的特征进行分类。由于极化SAR数据维数较高，利用SPCA对其进行降维处理可以在保持分类精确度的前提下极大地缩短算法的运行时间。除此之外，通过稀疏自动编码器学习到的特征可以大大地提高图像分类的精确度。 2)提出了一种基于CS稀疏表示和深度栈式网络的极化SAR图像分类方法。基于压缩感知的思想构造了一个两层的栈式网络来对极化SAR原始数据进行特征学习，找到更能描述数据的结构特征。在本方法中，我们首先用两层栈式网络对极化SAR图像原始数据进行特征提取，然后利用SVM分类器进行对获得的特征进行分类，得到最终分类结果。实验表明，采用本方法对极化SAR图像进行分类可以得到较好的结果。 3)提出了一种基于SPCANet的极化SAR图像分类方法。基于深度学习的思想构造了一个两层的网络来对极化SAR原始数据进行特征学习，以获得对极化SAR数据较好的表述形式，然后利用SVM分类器进行对学习到的特征进行分类，实验表明，该方法计算量小，简单有效，容易理解，并具有普适性。