基于多特征集成的PolSAR浮筏养殖目标识别

摘要

极化合成孔径雷达（Polarimetric Synthetic Aperture Radar，PolSAR）主动辐射微波，记录目标散射回波的全极化信息，利于分析目标散射机制，不受太阳辐射和天气限制，已成功应用于目标识别等领域。浮筏养殖监测属于海洋监测的类型之一，浮筏目标的精确识别利于规划海域养殖资源、保持良好的海洋生态环境。PolSAR图像能反映目标的后向散射特性，清晰显示浮筏养殖的区域，为精确识别浮筏目标提供数据源。然而，PolSAR图像缺乏有效特征，且存在大量不规则相干斑噪声，导致图像中存在较多孤立噪点，浮筏目标区域内部不连贯，边缘模糊不清，增加了浮筏目标精确识别难度。 为了克服以上问题，本文基于PolSAR图像中的浮筏养殖特性，设计了完整有效的浮筏养殖目标识别流程，主要工作和创新点如下： 为了有效实现多特征提取和集成，根据浮筏目标散射机制类型和条带状成像特点，提取极化、纹理和轮廓特征，提出了非局部多核模糊C均值算法实现多特征集成。针对三类特征设计特定数目不同核宽度的核函数，自适应调整核函数权重，充分发挥有利核函数对识别结果的作用。实验采用辽宁省长海县邻近海域的浮筏养殖数据进行测试，结果表明所提算法能精确识别浮筏目标，减少孤立噪点，抑制相干斑噪声。 为了有效抑制相干斑噪声，提出了结合广义局部二值模式和广义统计区域合并的超像素分割算法。根据乘性噪声模型改进得到广义局部二值模式，降低噪声敏感性。将纹理相似性判定标准加入广义统计区域合并算法的合并准则中，获得内部纹理一致性的超像素单元。提取轮廓特征以丰富数据特征维数，采用FCS算法聚类得到识别结果。实验采用辽宁省长海县邻近海域的浮筏养殖数据进行测试，结果表明所提方法对不同波段、不同分辨率和不同区域的图像均能精确识别浮筏养殖目标，具有普适性和鲁棒性。 为了有效实现特征优化及分类识别，提出了自适应非局部堆栈稀疏自编码器网络。根据乘性噪声模型改进非局部均值算法，自适应优化邻域结构，获得自适应非局部空间信息。将其作为特征的一部分输入至网络中，并在网络第一层要求原始特征和其相互接近使特征具有鲁棒性，从而影响后续网络优化特征，最后采用Softmax回归器实现分类和识别。实验采用标准数据和浮筏养殖数据进行测试，结果表明该网络能提高分类识别精度，减少孤立噪点，获得更平滑清晰的类别边界，验证了其有效性和实用性。

目录

第一个书签之前

空白页面

空白页面