论文部分内容阅读
利用全极化合成孔径雷达PolSAR(PolarimetricSAR)的图像数据对实际地物进行特征提取,以实现地物分类、检测以及识别的研究,已经成为现如今极化SAR图像领域一项重要的科研课题,该研究具有重大的理论价值以及实际应用价值。在大数据日新月异的今天,数据传递与交互的信息量越来越大,数据中所包含的信息也越来越复杂,传统的数据分类检测方法已经难以满足要求,特别是浅层的特征学习网络,在极化特征提取以及像素的分类识别上已经到达瓶颈期,难以完成大批量的特征提取与网络的训练学习。深度学习的出现开拓了大数据时代极化SAR目标检测的新篇章。论文以全极化合成孔径雷达系统为基础,以城镇发展建筑为背景,以提高城镇布局优化以及土地合理利用为目的,深入展开了基于多极化特征以及前沿深度学习网络的极化SAR图像建筑物检测的研究,利用实际地物数据进行实验仿真,主要内容为如下三个方面:(1)提出了 一种基于单极化特征和 FCN-CRF(Fully Convolution Networks-Conditional Random Fields)主从网络的极化SAR建筑物检测方法。针对建筑物具有的螺旋散射特性,采用Yamaguchi分解对图像进行预处理,得到具有建筑物散射特性的分解结果。将该极化目标分解结果与像素级的深度学习检测模型相结合,分析实验结果可以发现,比起传统的建筑物检测方法,该算法在检测精度上有突出表现。(2)提出了一种基于曲波FCN-CRF主从网络的极化SAR建筑物检测方法。考虑到建筑物数据不满足反射对称以及多角度散射的特点,构建具有高度方向各异性的曲波滤波器,并将曲波滤波器嵌入FCN-CRF主从网络的第一层,使输入网络的数据经过曲波滤波器,对极化SAR图像进行稀疏重构,得到具有多尺度、多分辨、多方向特性的特征矩阵,使得建筑物本身的结构、材质、形状和方向位置,以及不同建筑物在极化SAR图像中所表现出的不同的纹理粗细特征提取出来。经过实验的验证,证明了该算法在建筑物检测上的有效性。(3)提出了一种基于多极化特征结合的曲波FCN-CRF主从网络的极化SAR建筑物检测方法。为了使提取到的建筑物的极化特征具有更强的抗噪性,引入相干极化目标分解,即Pauli分解。将Pauli分解以及非相干极化目标分解Yamaguchi进行特征结合,构建多极化特征结合的曲波FCN-CRF主从网络模型。该模型同时利用了曲波的多角度信息提取优势以及两个目标分解的特征结合优势,在建筑物检测精度上有了进一步的提升。