基于深度卷积神经网络和条件随机场模型的PolSAR图像地物分类方法

摘要

近年来,极化合成孔径雷达(PolSAR)图像地物分类得到了深入研究.传统的PolSAR图像地物分类方法采用的特征往往需要针对具体问题进行设计,特征表征性不强.因此,该文提出一种基于卷积神经网络(CNN)和条件随机场(CRF)模型的PolSAR图像地物分类方法.利用预训练好的实现图像分类任务的卷积神经网络模型(VGG-Net-16)提取表征能力更强的图像特征,再通过CRF模型对多特征及上下文信息的有效利用来实现图像的地物分类.实验结果表明,与3种利用传统经典特征的方法相比,该方法能够提取更有效的特征,取得了更高的总体分类精度和Kappa系数.