基于深度置信網的極化SAR圖像分類.pdf

1、極化合成孔徑雷達（PolSAR）作為合成孔徑雷達技術中一個重要的研究方向，在農業(yè)生產、城市規(guī)劃、海冰監(jiān)測等眾多領域內具有巨大的應用價值。當前國內外學者提出了大量的有監(jiān)督的和無監(jiān)督的極化SAR圖像分類算法。然而這些分類方法中存在很多缺陷，例如很多算法都是單純地使用物理極化散射信息或者使用單一的模型進行分類，這在一定程度上導致地物類別模糊；另外很多算法不能直接的從原始數據中提取特征，它們需要人工精心的設計各種模型或者是分解理論算法去提取特征

2、，這十分費時費力，且計算比較復雜。此外大多數算法是以單個像素處理為目標的，沒有考慮到相鄰像素的影響。
　　近20年來，大量機器學習技術已的經被引入到極化SAR圖像處理領域，而目前提出的深度學習理論引起了諸多學者的關注，其在語音識別、自然語言處理、自然圖像處理等領域獲得了巨大的成功。本論文將深度置信網技術和極化SAR數據的極化散射特性結合起來，對極化SAR圖像分類技術進行了探討。
　　本文在第三章首先提出了一種新的基于多特征融

3、合和DBNs的極化SAR圖像分類方法。其主要思想是結合使用極化 SAR圖像的散射特征（相干矩陣元素和H/α分解的參數）和數字圖像特征（灰度共生矩陣的參數）以及顏色直方圖特征去訓練一個由多個無監(jiān)督模型（本文使用的是受限玻爾茲曼級，RBM）組成的DBNs模型，這有效的克服了傳統神經網絡容易收斂到局部最優(yōu)，計算復雜等缺點。與基于神經網絡和支撐向量機的算法相比，該算法在L波段舊金山灣極化數據取得了更好的分類視覺效果和更高的分類精度。
　　

4、接著在第四章中，介紹了一種基于特征自學習和DBNs的極化SAR分類方法。在該方法中，我們首先將極化SAR數據的相干矩陣轉化成一個9維的極化的SAR數據；然后在每個維度面上隨機地抽取大量的patches（即以某個像素點為中心取的一個鄰域），并將這些patches拉成列向量去訓練一個RBM，通過這個RBM我們可以獲取9維極化SAR數據每個維度面的結構特征，這些特征充分考慮了相鄰像素間的鄰域關系?？紤]到極化SAR數據的散射特性，我們將上述通過

5、RBM學習到的特征和原始相干矩陣的元素組合在一起去訓練一個DBNs網絡，并將其用于極化SAR數據分類。本算法考慮到了像素點之間的空間相關性，很好的保留了邊緣的細節(jié)完整性，取得了較高的分類精度。最后，我們在真實的極化SAR數據上進行了仿真實驗，本算法考慮到了像素點之間的空間相關性，很好的保留了邊緣的細節(jié)完整性，取得了較高的分類精度。
　　論文得到了國家自然科學基金（No.61072106，61271302）的資助和國家“973”計劃