基于稀疏深層網(wǎng)絡(luò)的SAR圖像分類方法.pdf

1、合成孔徑雷達(dá)（SAR）圖像數(shù)據(jù)包含豐富的地物信息，它不受惡劣天氣和夜間的影響，可以全天時(shí)、全天候地達(dá)到監(jiān)測陸地和海洋的目的。對SAR圖像的地物目標(biāo)進(jìn)行分類無論是在民用還是軍用都具有廣泛的用途。然而，SAR圖像具有大量的相干斑噪聲，傳統(tǒng)的方法容易受到相干斑噪聲的影響。同時(shí)，SAR圖像地物目標(biāo)復(fù)雜，針對不同場景，不同分辨率的SAR圖像設(shè)計(jì)不同特征提取方法費(fèi)時(shí)又費(fèi)力，并且泛化能力較差。
　　最近，深度學(xué)習(xí)方法成為國內(nèi)外的研究熱點(diǎn)，在圖像

2、處理、信號處理、計(jì)算機(jī)視覺與模式識別等領(lǐng)域有許多成功的應(yīng)用。本文挖掘了SAR圖像的稀疏特性，利用稀疏的深層網(wǎng)絡(luò)模型對SAR圖像地物目標(biāo)進(jìn)行分類?？朔藗鹘y(tǒng)方法易受相干斑噪聲影響，設(shè)計(jì)復(fù)雜，泛化能力弱的缺點(diǎn)。具體研究內(nèi)容如下：
　?。?）提出一種基于分層稀疏自編碼卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類方法。首先，利用輸入的SAR圖像塊訓(xùn)練第一層稀疏自編碼模型，其次，通過卷積操作將第一層的稀疏自編碼模型用于整幅的SAR圖像上，提取第一層的稀疏特

3、征，再在第一層稀疏特征圖的基礎(chǔ)上再訓(xùn)練第二層的稀疏自編碼模型，通過卷積操作提取出第二層的稀疏特征，然后將第二層的稀疏特征輸入Softmax分類器，加上訓(xùn)練樣本的標(biāo)記信息訓(xùn)練Softmax分類器，最后利用訓(xùn)練樣本的標(biāo)記信息對整個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)值微調(diào)，從而得到我們所需的分層稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)。該模型性能在由多種地物目標(biāo)構(gòu)成的SAR圖像數(shù)據(jù)庫上進(jìn)行驗(yàn)證，實(shí)驗(yàn)的結(jié)果表明：該模型可以在一定程度上提高 SAR圖像地物目標(biāo)的分類精度，即使在小樣本學(xué)習(xí)

4、情況下，仍能得到較高的分類效果。
　?。?）提出一種基于分層稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類方法。該模型的特征提取網(wǎng)絡(luò)的訓(xùn)練過程是一個(gè)無監(jiān)督的過程。通過無監(jiān)督的方式逐層的訓(xùn)練稀疏濾波器，并以卷積的方式將各層訓(xùn)練獲得的稀疏濾波器用于大幅SAR圖像的特征提取。該模型的分類器部分是一個(gè)有監(jiān)督的過程。將通過第一層和第二層稀疏濾波網(wǎng)絡(luò)所提取的稀疏特征進(jìn)行組合，并利用樣本的標(biāo)記信息，用于線性核SVM的訓(xùn)練。該模型性能在由多種地物目標(biāo)構(gòu)成的

5、SAR圖像數(shù)據(jù)庫上進(jìn)行驗(yàn)證，實(shí)驗(yàn)的結(jié)果表明：與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)相比，該模型的特征提取網(wǎng)絡(luò)的訓(xùn)練過程不受訓(xùn)練樣本標(biāo)記信息數(shù)量的影響，訓(xùn)練效率高，即使在小樣本學(xué)習(xí)情況下，該模型的分類效果仍優(yōu)于傳統(tǒng)方法。
　　（3）提出一種基于分層3D稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類方法。該模型結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的思想，將3D稀疏濾波特征學(xué)習(xí)算法用于大幅 SAR圖像的特征抽取。各層稀疏網(wǎng)絡(luò)的訓(xùn)練過程先以無監(jiān)督的方式進(jìn)行，再以逐層有監(jiān)督的方式微調(diào)，最

6、后再以全局微調(diào)的方式確定特征提取網(wǎng)絡(luò)的參數(shù)。利用Softmax分類器進(jìn)行分類。該模型性能在由多類SAR地物目標(biāo)構(gòu)成的SAR圖像數(shù)據(jù)集上得以驗(yàn)證。
　　（4）提出一種基于分層3D稀疏濾波NIN網(wǎng)絡(luò)的SAR圖像分類方法。該模型在3D稀疏濾波的基礎(chǔ)上，引入NIN網(wǎng)絡(luò)結(jié)構(gòu)，在局部感受域引入非線性變換，以此來增強(qiáng)模型的判別性。同時(shí)，NIN網(wǎng)絡(luò)的全局平均池化可以加強(qiáng)特征圖與類別的聯(lián)系，而不需要對參數(shù)進(jìn)行學(xué)習(xí)。該模型性能在由多種地物目標(biāo)構(gòu)成的S

7、AR圖像數(shù)據(jù)庫上進(jìn)行驗(yàn)證，實(shí)驗(yàn)的結(jié)果表明：該模型可以在一定程度上提高SAR圖像地物目標(biāo)的分類精度。
　　本文的工作得到了國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃（973計(jì)劃）：No.2013CB329402， NCET-10-0668，國家自然科學(xué)基金(61072108，60601029，60971112，61173090)，新世紀(jì)優(yōu)秀人才項(xiàng)目，高等學(xué)校學(xué)科創(chuàng)新引智計(jì)劃（111計(jì)劃）：No. B0704，教育部博士點(diǎn)基金(201202031100