基于CNN特征學習和SVM的極化SAR影像地物分類.pdf

1、極化合成孔徑雷達(Polarimetric Synthetic ApertureRadar，PolSAR)通過測量方位向分辨單元與距離向分辨單元內的具有極化性質的散射回波來獲得相應目標的極化信息，與傳統(tǒng)的SAR進行比較，極化SAR可以得到更為豐富的地物散射信息，這提高了地物分類和目標識別的能力，因此極化SAR影像地物分類在相關領域扮演著越來越重要的角色，它的目的是在對影像中每個像素進行類別標定時，使散射矩陣、極化相干矩陣等極化SAR影像

2、的測量數據得到最大程度的利用。
　　目前極化SAR影像地物分類方法使用的特征大多是基于淺層模型學習得到的特征，而這些特征比較低級，沒有充分結合極化SAR影像的極化信息和空間相關性，對這些先驗知識挖掘不夠充分，最后利用這些特征直接進行類別判定，導致極化SAR影像地物的分類效果不好。其中，影響極化SAR影像地物分類效果的兩個關鍵要素是特征學習與分類器選擇，本文基于此，做了如下研究：
　?。?）提出了一種基于自動編碼器（AutoE

3、ncoder, AE）的卷積神經網絡(Convolutional Neural Networks, CNN)卷積特征學習和支持向量機（Support Vector Machine，SVM）的極化SAR影像地物分類方法。該方法充分利用影像的空間相關性，保證局部鄰域像素的相對位置不變，每個像素以影像形式輸入到CNN中，其中卷積核參數采用學習 AE網絡的方式來確定，將原始特征空間映射到卷積池化特征空間。相比于其他淺層特征學習和深度特征學習，該

4、方法提取更高級更本質的特征，利用高效分類器SVM進行分類，提高了分類精度。
　　（2）提出了一種基于主分量分析（Principal Component Analysis，PCA）的池化特征學習和SVM的極化SAR影像地物分類方法。由于（1）所提方法中池化操作是針對卷積操作后得到的每幅卷積圖進行局部操作，使得深度卷積網絡和SVM訓練時間過長，針對此問題，本部分采用PCA進行池化操作，這樣使得卷積之后得到的每幅卷積圖可以作為整體進行池

5、化特征學習，明顯減少了訓練測試時間，實驗結果也說明了該方法的有效性與對參數的魯棒性。
　?。?）提出了一種基于TurboPixels超像素分割和SVM的極化SAR影像地物分類方法。通過對上述兩個方法實驗結果的觀察中，發(fā)現極化SAR影像地物分類結果圖中雜散點較明顯，這樣使得分類精度受到嚴重影響，針對此問題，本部分將具有低參數調節(jié)復雜度的TurboPixels與SVM相結合，首先使用TurboPixels對極化SAR影像進行分割，然后