基于多层自编码和超像素的极化SAR图像分类

摘要

极化合成孔径雷达(Polarimetric Synthetic Aperture Radar，PolSAR)是地球遥感学科中一个重要的研究方向，在农业生产、城市规划、海冰监测等众多领域内具有巨大的应用价值。目前，主要集中在极化散射信息的研究上。寻找更加有效、更加精确的极化SAR图像分类方法一直是全球研究人员的工作重点。本文结合目前已经在语音识别、自然语言处理、自然图像分类等领域显示了巨大的优势的深度学习理论，进行极化SAR图像分类，该方法是结合了基于像素的分类方法和基于区域的分类方法，首先利用了深度自编码结构，从极化SAR相干矩阵中，充分挖掘矩阵元素之间的非线性关系，对极化SAR图像进行初始分类，然后结合超像素预分割技术，引入区域信息，优化分类结果，实现PolSAR图像地物分类算法。本论文所做的主要工作如下：
　　1.本文第三章提出了一种基于多层自编码结构的极化SAR图像分类方法。该算法的主要思想是：首先，为多层自编码结构应用到PolSAR图像中寻找到了一种合理的输入，在PolSAR图像数据中的一个点不再代表一个简单的实值，而是一个含有复数的2×2矩阵，而多层自编码结构应用在传统的自然图像时，输入的训练数据是自然图像中的原始像素值，不需要添加任何人工特征，该结构强调的是自动的逐层提取图像的结构。因此，如果我们应用极化SAR目标分解得到的元素作为多层自编码的输入数据，就不能充分体会该结构的功能。然后，搭建合理的多层自编码结构，利用多层自编码结构对于极化SAR输入数据自动特征提取的独特优势，发掘相干矩阵元素间的非线性关系。该算法的特征提取过程是基于像素的无监督算法，分类过程采用Softmax分类器，本算法思想简单，取得了很好的分类效果。
　　2.本文第四章提出了一种新的基于多层自编码结构和超像素的极化SAR图像分类算法。该算法是基于像素的极化SAR分类与基于区域的极化SAR分类相结合的分类方法。首先，根据第三章的算法，获得了PolSAR图像的初始分割结果，该步骤是基于像素的分类结果，然后，根据Pauli基构造的伪彩图，引入超像素算法，对图像进行过分割，得到过分割的图像块，最后，根据最近邻聚类算法，在每个过分割的图像块内进行统计，并且结合强度信息，得到最终的分类结果，该步骤是考虑了基于区域的极化SAR图像分类。本算法考虑到了像素点之间的空间相关性，在基于自编码的初始分割基础上，进一步优化分类结果，很好的保留了边缘的细节完整性，取得了较高的分类精度。
　　论文得到了国家自然科学基金（No.61072106，61271302）的资助和国家“973”计划（No.2013CB329402）的支持。

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背景介绍

1.2极化SAR理论与分类技术

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 极化SAR图像理论基础

2.1极化表征

2.2目标的变极化效应

2.3微波成像的散射机理

2.4极化分解理论

2.5本章小结

第三章 基于多层自编码的极化SAR图像分类算法

3.1引言

3.2深度自编码结构在PolSAR图像上的输入特征的构建

3.3传统的基于机器学习的极化SAR图像分类方法

3.4基于深度自编码结构的极化SAR图像分类方法

3.5实验结果与分析

3.6本章小结

第四章 基于超像素预分割与最近邻聚类的极化SAR图像分类后处理

4.1引言

4.2基于超像素预分割与最近邻聚类的极化SAR图像分类后处理

4.3实验结果与分析

4.4本章小结

第五章 结论和展望

5.1本文的创新之处

5.2极化SAR图像分类研究热点与难点

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.攻读硕士学位期间的研究成果