利用深度卷积网络从SAR图像中自动学习多层的特征表征,再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR,10类目标平均分类精度达到了99%。针对带相位的极化SAR图像,文章提出了复数深度卷积网络,将该算法应用到全极化SAR图像地物分类,Flevoland地物的分类精度达到了95%。
合成孔径雷达能够全天时、全天候、高分辨率成像,因此适用于目标的侦察、监视和识别,同时也已经被广泛应用于地球科学、气候变化研究、环境和地球系统监测、海洋资源利用、行星探测、战场感知侦察等领域,具有很高的民用和军用价值。
深度学习在模式识别的各领域都取得了较好的结果,比如,图像分类,目标检测,自然语言处理。常用的深度学习算法包括深度信念网络(DBN)、卷积神经网络(CNN),循环神经网络(RNN)。其中CNN是在计算机中视觉领域中采用的最多的算法,传统的图像分类问题分为特征提取与特征分类两个阶段,其中分类提取是依据统计或者物理特性成像原理、投影方向、视角等方面。因此借鉴计算机领域的新方法解决SAR图像解译的问题时,需要充分考虑和利用这些差异性。
地物分类是极化SAR应用的一个重要领域。传统的POLSAR图像分类算法通常可以分为三类:其一是基于散射矩阵的统计特性,另一种方法是基于内在的极化散射矩阵的统计特性,第三种方法是基于内在的极化散射机制特性。
根据经验,一般的CNN 即可直接应用于SAR幅度图像,仅需对SAR幅度图像做简单的预处理,如转化为dB尺度,并进行归一化等。但是对于多通道相干的SAR图像,如极化SAR或者干涉SAR ,其通道间相干相位差有着重要的信息。因此针对带相位信息的SAR图像,作者将CNN推广到复数域,称为复卷积神经网络。
注:文章选自《深度学习在SAR目标识别与地物分类中的应用》徐丰等
深度学习在SAR目标识别与地物分类中的应用
最新推荐文章于 2024-07-17 13:54:53 发布