基于Beta-Prime统计模型和QGD分类器的SAR图像地物分类方法

本文融合了Beta-prime(BP)统计模型和Quadratic Gamma discrimination(QGD)分类器各自的优点,给出了一个完整的合成孔径雷达(SAR)图像地物分类算法.通过利用BP模型区分背景杂波和目标,利用QGD分类器区分自然目标和人造目标,可以精确地把SAR图像分成阴影、背景杂波、自然目标和人造目标,在为目标识别过程提供潜在目标切片的同时,也能够提供背景杂波和自然目标的信息.     

基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究

本文在高分辨率条件下对传统的合成孔径雷达(SAR)图像自动地物分类技术进行了扩展研究．文章首先指出了经典的前馈神经网络模型在SAR图像地物分类中的不足，然后基于径向基神经网络(RBFN)，结合混合专家系统，提出了一种变型的网络结构模型，称之为混合双隐层径向基函数网络(MDHRBFN)，并将其应用于高分辨率单视单极化的SAR图像地物分类．实验结果表明，基于该模型的分类算法能够将SAR图像较好地区分为人造目标类、自然目标类、背景和阴影，具有比经典RBFN模型更好的分类效果，不但可以应用于SAR图像辅助判读，而且能够为目标识别过程提供潜在目标切片．     

基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究

本文在高分辨率条件下对传统的合成孔径雷达(SAR)图像自动地物分类技术进行了扩展研究.文章首先指出了经典的前馈神经网络模型在SAR图像地物分类中的不足,然后基于径向基神经网络(RBFN),结合混合专家系统,提出了一种变型的网络结构模型,称之为混合双隐层径向基函数网络(MDHRBFN),并将其应用于高分辨率单视单极化的SAR图像地物分类.实验结果表明,基于该模型的分类算法能够将SAR图像较好地区分为人造目标类、自然目标类、背景和阴影,具有比经典RBFN模型更好的分类效果,不但可以应用于SAR图像辅助判读,而且能够为目标识别过程提供潜在目标切片.     

基于改进编解码网络的极化SAR地物分类

基于实数域的卷积神经网络(CNN)模型无法充分利用极化合成孔径雷达(PolSAR)图像丰富的相位信息,并且逐像素切片预测存在大量冗余计算,导致分类效率低下.针对以上问题,本文提出一种改进编解码网络模型.首先构建复数域CNN模型,并进行低采样率下的模型训练;然后构建复数域双通道编解码网络模型,引入改进空洞空间金字塔池化(...     

基于CNN和RFC的极化SAR图像分类

卷积神经网络(Convolution Neural Network,CNN)在极化合成孔径雷达(Synthetic Aperture Rader,SAR)图像分类的应用中在类别非边界区域取得了好的分类结果,在类别边界区域没有取得好的分类结果,随机森林分类器(Random Forest Classifier,RFC)在极...     

SAR图像弱反射地物边缘提取方法

提出了一种抑制SAR图像相干斑噪声和提取弱反射地物边缘方法。传统噪声抑制和小波变换去噪方法有其不足之处,本文将小波变换和维纳滤波结合抑制SAR图像相干斑噪声,通过选择恰当小波基获得良好滤波效果。采用最小错误准则计算SAR图像的理论分割阈值,通过逐次迭代得到其合理大小,利用形态算子作用于分割图像获得其边缘。实际SAR图像测试结果表明了本文方法的有效性。     

基于极化干涉SAR图像的地物监督分类方法

X波段的高分辨率极化干涉合成孔径雷达（synthetic aperture radar,SAR）图像包含较强的斑点噪声,不利于地物分类等应用.针对这一问题,先使用Nonlocal滤波进行预处理,然后提取图像的极化特征和干涉特征,再使用支持向量机（support vector machine,SVM）和AdaBoost分类器对极化和干涉特征矢量进行分类.利用N-SAR系统于渭南市采集的极化干涉SAR数据进行验证,该数据共包含10类地物,并有足够的ground truth用来进行分类器的训练和测试.实验结果表明,AdaBoost分类器能对多类地物取得较好的分类效果,且干涉信息的加入能带来一定改善.     

SAR目标图像的统计特性

本文讨论了合成孔径雷达（SAR）图像中目标的统计特性和如何利用该特性进行自动SAR目标分类、识别,描述了一种测算基本雷达横截面的目标平滑算法。这种算法用于适当的噪声模型时,能产生出某一给定图像的许多实物构像,从而允许对目标的特征进行统计分析,增强基于特征的分类。本文用一个对实际目标进行简单分类的实验对上述理论进行了阐述。     

应用变分法的极化SAR图像分类方法研究

提出了一种用于图像分类的变分模型,该模型结合正则化过程,可以较好地保持图像边缘信息,同时可以用于图像恢复.利用模拟和真实SAR图像的分类仿真试验表明,基于变分法的极化SAR图像分类方法不仅能够实现SAR图像的正确分类,克服SAR图像中相干斑噪声的影响,并且算法快速,易于实现.     

基于随机蕨的极化SAR图像地物分类研究

传统极化SAR图像地物分类方法通常存在计算效率低和维度灾难等问题,受益于随机蕨分类器的简单性、鲁棒性和处理高维特征空间的能力,文中提出了一种基于随机蕨算法的极化SAR分类框架算法。随机蕨分类器中大量的二元特征捕获了极化SAR图像中地物的空间信息、纹理属性和与其相邻像素的关系。该方法能够在人工标注像素数量较少的情形下对极化SAR图像进行准确、高效的地物分类并且所需要的训练一个随机蕨分类器的时间仅需几十秒。最终的分类实验结果表明,该方法在Oberpfaffenhofen数据集上达到了较好的分类性能和运行效率。     

一种结合散射相似性和Wishart的极化SAR图像分类方法

针对基于H-a 平面的目标分类方法运算量偏大的缺点,本文提出了一种结合散射相似性和Wishart的极化合成孔径雷达图像分类方法,提升了数据处理效率。该方法使用参数替代,将目标相干矩阵进行归一化,得到和 H-a 相似的分类效果,且避免计算特征值和特征向量,从而大幅提高了分类效率;通过结合Wishart迭代分类器进行分类来提升分类精度。最后通过对Radarsat-2卫星获取的黄河冰凌区域进行地物分类实验验证了本文方法的有效性,且该方法具有更好的运算效率和地物分类效果。      

基于“高分五号”遥感图像的地物分类方法

作为全波谱段高光谱卫星,"高分五号"卫星可提供丰富的遥感数据,研究利用"高分五号"卫星遥感图像实现精确的地物分类方法,这是实现高光谱遥感信息资源所有权的重要组成部分。文章立足于"高分五号"卫星数据,先进行遥感图像预处理,有效地消除大气干扰和噪声,优选核主成分分析方法进行"高分五号"卫星高光谱图像的特征提取,用最大似然法(MLE)、卷积神经网络(CNN)、支持向量机(SVM)3种分类器对高光谱图像数据分类。结果表明,RBF核的支持向量机分类器精度可达到97.889 7%,Kappa系数为0.966 7,比传统的最大似然法、神经网络分类方法分类精度分别高出15.478%,8.670 8%。由此可以实现"高分五号"卫星数据预处理,及其在土地利用分类应用上的可行性。     

基于统计模型组的Markov SAR图像分割

该文首先介绍SAR图像分割的概念,分析了其地物数据的统计特性,在此基础上利用多种模型构成的统计模型组来匹配大幅SAR图像中各类地物的直方图分布,给出了衡量实际地物直方图和假设已知模型匹配程度的检验统计量,以此来选取最优的统计模型组;并提出了基于统计模型组的Markov随机场的SAR图像分割算法,利用Radarsat的实测数据验证了算法的有效性,给出了性能评估结果,并与其它分割方法做了比较。     

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。     

基于极化分解和膨胀卷积的极化SAR地物分类

针对基于深度学习的极化SAR地物分类中存在的标注数据少且未能利用SAR极化分解特征的问题,提出了一种基于极化分解和膨胀卷积的极化SAR地物分类方法.在低采样率下训练基于像素分类的卷积神经网络(CNN),将其卷积层参数迁移到同结构的膨胀卷积网络(DCNN),解决了膨胀卷积网络训练数据不足的问题;然后将反应地物散射特性的极化分解特征与包含高维空间语义信息的膨胀卷积特征图进行联合,使用联合特征构建随机森林(RF)进行分类.实验表明,特征图和极化分解的联合特征能够实现更为精确的分类,且由于引入膨胀卷积和随机森林,算法具有很高的实时性.     

基于复Wishart分布的极化SAR图像无监督分类

文中使用了一种无监督算法对全极化合成孔径雷达数据进行地物分类。不同于其他算法对像素统计特性分类而忽略他们的散射特性,这种算法不仅使用了统计分类,而且还保留了其主要的散射特性。本算法采用的是由Freeman和Durden以散射模型为基础开发的分解算法和基于复Wishart分布的距离度量分类器的组合。首先是应用Freeman和Durden分解划分像素分成三个散射类:表面散射,体散射和二面角散射;然后在此基础上将这三个散射类分为多个聚类,通过迭代Wishart分类器将其更精准地分类;最后,根据散射类别的自然颜色对其进行像素编码,提出颜色填充的方案。通过实验结果比对来证明该方法比H/α方法更具有优越性。     

基于优化深度学习的SAR图像地物分类检测方法研究

针对深度学习在SAR遥感图像地物分类检测中存在的问题,文章通过对基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)进行优化改进,从而提高分类检测准确性。首先提出采用Leaky ReLU函数作为非线性整流函数,克服网络反向传播时梯度消失的问题;然后提出变步长动量梯度下降算法,加速网络收敛、减弱震荡,并避免网络陷入局部极小值。最后综合提出了"Leaky ReLU+变步长+动量梯度下降"的优化方法。通过实验,验证了文章所提出方法的有效性和准确性。     

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

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。      

基于支持向量机的极化SAR图像分类

与传统最大似然（ML）分类器相比，支持向量机（SVM）在小训练样本时仍具有良好的分类性能，目前已广泛应用于多个领域。该文在极化SAR特征提取的基础上，将SVM应用于极化SAR图像分类，分析了分类器参数对分类性能的影响。利用NASA／JPL实验室AIRSAR系统的L波段旧金山全极化SAR数据比较了SVM和ML的分类性能，并进一步给出了基于SVM的国内某地区双极化SAR图像分类结果。     

基于类别注意力卷积网络的地物分类方法

在近期的研究发展中,语义分割取得了巨大的进步。但大多数方法都是从空间角度出发,来获取更加丰富的上下文信息。与以往的方法不同,本文提出了一种基于类别注意机制的特征融合方法,从类别角度出发,来获取全局上下文信息,并与其他特征信息进行融合,这种方法能够更好地表示图像中各类目标的特征,具有更好的类内聚合性。为此,本文使用了一种ACF（类别注意力特征）模块,以计算和构建图像中各类目标的类别中心,以此为基础得到了一个基于类别注意力的多特征融合语义分割网络,以实现更好的地物分类性能。算法使用ISPRS数据集进行实验,与其他算法进行对比,本文方法具有更好的性能表现。