基于深層特征學(xué)習(xí)和稀疏表示的SAR圖像分類.pdf

1、由于SAR圖像自身的特殊性能，目前已成為目標(biāo)探測、城市規(guī)劃等遙感應(yīng)用領(lǐng)域中重要的信息來源。在SAR圖像應(yīng)用于各種遙感領(lǐng)域過程中，關(guān)鍵問題主要集中在自動和可靠的圖像分類上。因?yàn)镾AR圖像與自然圖像成像機(jī)制完全不同，所以SAR圖像各項(xiàng)參數(shù)，噪聲模型均與自然圖像完全不同，從而給SAR圖像理解與解譯帶來了很大困難。
　　本文主要從設(shè)計合適的特征提取方法和有效的分類決策準(zhǔn)則兩方面出發(fā)，提出了基于深層特征學(xué)習(xí)和改進(jìn)稀疏表示的SAR圖像分類技術(shù)

2、，主要分以下三個創(chuàng)新點(diǎn)：
　?。?）提出了基于卷積特征學(xué)習(xí)的SAR圖像分類技術(shù)。對詞袋模型在單幅SAR圖像地物分類的應(yīng)用中存在的問題進(jìn)行了改進(jìn)。由于詞袋模型直接應(yīng)用于SAR圖像分類時必須對單幅SAR圖像進(jìn)行初始預(yù)分割，使得詞袋模型對SAR圖像的分類效果直接受初始預(yù)分割影響，同時視覺詞典的構(gòu)建極易受初始化等因素的影響。將低層特征與完備的視覺詞典進(jìn)行卷積，得到卷積特征，避免了初始預(yù)分割同時增強(qiáng)了原有的數(shù)據(jù)特征，弱化了噪聲，增強(qiáng)了分類性

3、能。
　?。?）提出了基于深層特征學(xué)習(xí)和分水嶺的SAR圖像分類技術(shù)。由于現(xiàn)有的詞袋模型均為提取中層特征，而良好的特征表示方式能夠提高分類的準(zhǔn)確率，同時提取適合于分類的SAR圖像特征表達(dá)方式需要大量的專業(yè)技能和經(jīng)驗(yàn)基礎(chǔ)，因此在卷積特征的基礎(chǔ)上，利用稀疏自編碼器進(jìn)行無監(jiān)督特征學(xué)習(xí)，解放了人力物力的同時，提取了人類很難設(shè)計的復(fù)雜特征表示方法，有效挖掘了更高級的特征，使得特征提取過程趨于自動化、智能化。實(shí)驗(yàn)結(jié)果表明對深層特征進(jìn)行分類能夠獲