论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时成像的能力,在军用与民用方面有着诸多应用。SAR图像分类提供了图像中的地物类别信息,是SAR图像解译的关键环节。SAR图像特征提取对分类精度有着重要的影响。卷积神经网络(Convolutional Neural Network,CNN)能提取具有鲁棒性与判别性的深层次图像特征,因此基于CNN的SAR图像特征提取与分类是一个前沿发展方向。CNN的网络结构缺乏对SAR图像邻域相关性信息的有效利用,限制了CNN的分类精度。针对这一问题,论文围绕SAR图像邻域相关性信息与CNN深度特征相结合这一主题,研究提出了SAR图像分类新算法,论文主要研究工作如下:1)研究提出一种基于自适应邻域CNN(Adaptive Neighborhood-based CNN,AN-CNN)的SAR图像分类算法。针对CNN未充分利用邻域像素点间相关性信息的问题,算法根据输入图像块中的邻域像素点到中心像素点的空间-特征双边距离来构建自适应权重,在此基础上通过特征距离加权来提升边界区域分类精度,通过空间距离加权来提升匀质区域分类精度。实验结果验证了该算法的有效性。2)研究提出了一种将SRAD(Speckle Reduction Anisotropic Diffusion)滤波器与CNN相结合的SAR图像分类算法。针对CNN进行SAR图像分类时边界定位不准确的问题,算法采用SRAD滤波器的结构来构建滤波层,利用输入图像块所包含的邻域相关性信息进行相干斑噪声抑制与边界增强。滤波后的图像块则输入CNN层进行分类。通过对滤波层与CNN层参数的自适应联合调节,实现了SRAD滤波器与CNN的有机结合。实验结果验证了该算法的有效性。3)研究提出了一种结合CNN深度特征与区域MRF(Markov Random Field)的SAR图像分类算法。针对邻接超像素区域间相关性约束关系描述问题,算法利用CNN提取的深度特征构建区域MRF一元能量函数,根据区域间相关性约束关系构建区域MRF二元能量函数,通过结合超像素区域的CNN深度特征与邻接区域间的相关性约束关系,实现了区域级SAR图像分类。实验结果验证了该算法的有效性。