基于自适应自编码和超像素的SAR图像分类

摘要

合成孔径雷达（Synthetic Aperture Radar，SAR）可以全天时和全天候地对地球表面地物成像，而且可以穿透地球的表面。SAR可以获得较高的空间分辨率，因此高分辨SAR图像在军事、农业和医学领域起着越来越重要的作用，近年来SAR图像的分类研究也在民用和军事领域中得到广泛应用。目前对于高分辨SAR图像最大的挑战是提取信息丰富、识别性强和能抑制噪声的特征，虽然研究者们在此方面已做出了很多贡献，但最有效可靠的特征还是未能找到。
　　因此，本文提出了基于Gamma分布的自适应多尺度自编码器的高分辨SAR图像分类方法，以及适用于SAR图像的异质超像素算法，有效应用于SAR图像的分类分割预处理和后期处理，具体的改进思路如下：
　　（1）超像素能够捕获图像冗余信息，降低后续处理任务复杂度，是SAR图像分类分割中广泛受到应用的预处理方法。但由于SAR图像严重的乘性相干斑噪声，多出现弱边界区域，传统的超像素算法已不能有效提取出同质像素块，对后续地分类分割算法有严重干扰，本文提出一种基于Gamma分布的异质超像素SAR图像分割方法，是一种适用于SAR图像分类分割的预处理方法。
　　（2）SAR图像由于严重的乘性相干斑噪声，存在匀质区域、不匀质区域和极不匀质区域，传统的稀疏自编码器对单幅图像像素点的特征训练采用固定的尺度提取，已不能对高分辨率的SAR图像有效地进行特征的表达。本文提出一种基于 Gamma分布的自适应多尺度自编码的SAR图像分类方法，在提取无标签图像小块时，利用Gamma分布估计每个像素点及其邻域的异质性，根据异质性不同，自适应地提取多个不同尺度图像小块，再进行特征训练，对图像每个像素点有效进行特征描述，再加入多尺度的特征信息，为SAR图像的分类提供了充分的特征信息。
　　（3）由于稀疏自编码器对像素点特征的训练缺乏了对空间邻域信息的考虑，提出一种将深层特征和改进的空间信息相结合的高分辨SAR图像自编码分类方法，将适用于SAR图像的超像素方法对分类结果进行空间限制。实验结果表明，本文提出的基于异质超像素分割和自适应多尺度稀疏自编码器分类方法可以对高分辨率 SAR图像进行较高精度的分类。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究背景及意义

1.2 SAR图像的分类方法

1.3深度学习发展概况

1.4本文的主要工作及结构安排

第二章 基于Gamma分布的异质超像素SAR图像预分割方法

2.1引言

2.2超像素生成算法

2.3 Turbopixels超像素生成算法

2.4 Turbopixels超像素对SAR图像生成结果和结果分析

2.5 Gamma分布

2.6参数估计方法和部分超像素异质性参数估计结果

2.7 K均值算法

2.8实验步骤

2.9实验结果对比与分析

2.10 本章小结

第三章 基于自适应堆叠自编码器的SAR图像分类算法

3.1引言

3.2基于自适应堆叠自编码器的SAR图像分类算法

3.3实验结果与分析

3.4本章小结

第四章 基于异质超像素分割和自适应多尺度稀疏自编码器分类方法

4.1引言

4.2多尺度特征提取和融合

4.3 KNN算法

4.4实验步骤

4.5实验结果与分析

4.6本章小结

第五章 总结与展望

5.1本文的创新之处

5.2 SAR图像分类研究热点与难点

参考文献

致谢

作者简介