结合BRF神经网络的全极化SAR影像分类方法研究

为了解决模糊支持向量机(FSVM)算法应用于全极化SAR影像分类而产生的聚类中心陷入局部过适应问题,本文提出了一种基于模糊分割理论结合RBF神经网络的全极化SAR影像分类方法。主要利用模糊聚类分割、极化分解、纹理特征提取等,构建待分类地物特征集,并通过SGE进行监督降维,采用降维后的待分类地物极化表征完成RBF分类器训练,实现全极化SAR影像监督分类。最终通过C波段Randsat-2全极化SAR数据进行实测检验,结果表明,该方法使得分类结果区域一致性增强,充分地保存了待分类地物细节信息。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。     

卷积神经网络在大规模图像分类中的应用

针对大规模无序图像分类处理中成对图像的匹配和几何验证的计算量大的问题,该文通过研究和学习机器学习及图像识别领域先进的方法,提出了一种基于孪生神经网络的大规模图像有序化方法。该算法主要是:通过抽取已训练好的VGG19的网络模型的卷积层作为图像的特征,将提出的特征分别加权后,连接起来,再次卷积和池化,利用响应函数判定图像之间连通性,实现对输入图像对连通性判定。经实验证明,该算法可有效地识别具有场景重叠的图像对,效率和精度上也有所提高,无须执行详尽的推定匹配和几何验证,适用于运动恢复结构,图像连接等各种场景。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

基于多层反卷积网络的SAR图像分类

针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。     

基于卷积神经网络的快速SAR自聚焦方法

自聚焦是SAR高分辨率成像的关键技术。然而,传统的SAR自聚焦方法均需要迭代多次,实时性差,不适合在轨处理。本文提出了一种基于卷积神经网络的在轨快速SAR自聚焦方法(CNN-AF),该方法采用卷积神经网络来学习失焦图像到聚焦图像的映射,主要用于校正方位向的相位误差,由于在测试阶段该方法无须迭代和调整参数,因此该方法实时性好,更加适用于在轨处理。在真实SAR数据上的试验结果表明,本文方法具有较高的聚焦质量和聚焦速度。     

基于权重散射特征的FSVM算法在极化SAR影像分类中的应用

提出了一种基于权重散射特征的模糊支持向量机的极化SAR数据监督分类方法。首先,对极化SAR数据进行H/SPAN/A/α散射特征提取;其次,根据样本可分离度设置最佳散射特征权重参数C,得到最优分类输入数据(H/6SPAN/A/α);最后,利用FSVM算法对数据进行监督分类。实验结果证明,所提出的FSVMH/6SPAN/A/α分类结果优于FSVM-H/SPAN/A/α。     

基于D-S证据理论的多特征融合SAR图像目标识别方法

针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法.     

模糊支持向量机和变化矢量分析相结合的矿区土地覆盖变化检测

针对目前土地覆盖变化检测常用的方法存在不同程度的误差累积,夸大了变化区域,提出模糊支持向量机(FSVM)和变化矢量分析(CVA)相结合的土地覆盖检测方法。以某矿区2004年和2008年两期的CBERS遥感影像进行了试验。结果表明,植被大幅减少,其他地类都有不同程度的增加,主要是由于开采规模和产量提升所致。通过与常规的其他两类方法比较发现,本文方法的总体精度、Kappa系数、漏检误差和虚检误差分别为92.67%、0.892 7%、5.79%、7.31%,比其他两种方法有较大提高,能够提供较全面的变化类别和准确信息,可以有效地应用于矿区土地覆盖动态监测。     

Yamaguchi分解Notch滤波的全极化SAR图像舰船目标检测

极化合成孔径雷达数据蕴含了丰富的地物极化散射信息,已广泛应用于海上舰船目标检测研究。针对极化相干矩阵无法直接用于分析特定散射体物理特性的缺陷,利用Yamaguchi极化分解改进了极化Notch滤波器。将基于模型的极化分解方法引入Notch滤波器,利用表面散射、二次散射、体散射和螺旋体散射等散射机制的能量构造散射矢量代替极化相干散射矢量,并加入功率能量因子,构造新的极化SAR图像Notch滤波器。Radarsat-2全极化SAR图像实验结果表明,改进算法有效增强了舰船目标与海杂波背景间的对比度,检测性能优越。     

基于四分量散射模型的多极化SAR图像分类

基于四分量散射模型提出了一种多极化SAR(synthetic aperture radar)图像非监督分类算法。与Freeman三分量散射模型不同,四分量散射模型在Freeman三分量的基础上增加了螺旋散射分量(helix),该分量反映了复杂地貌和不规则城市建筑的散射机理,可以用来处理复杂的场景图像。算法强调了初始分类的重要性,在初始分类中考虑了混合散射机制像素的存在,从而提高了分类结果的精确度。聚类过程中,采用由四个散射分量组成的特征向量进行迭代聚类。为了实现算法的完全非监督,利用特征向量给出了一种新的聚类终止准则。NASA/JPL实验室AIRSAR全极化数据分类实验结果表明,该算法具有较好的分类效果,并获得了较高的分类精度。     

顾及分类器参数的全极化SAR图像特征选择与分类

全极化SAR获取的信息量远多于传统SAR,但信息量的增加并不能确保分类精度的提高,如何有效进行特征选择至关重要。针对自适应特征选择问题,提出一种顾及分类器参数的特征选择和分类方法。该方法以支持向量数为评估依据,结合遗传算法进行特征选择,并同时对分类器参数进行寻优;最后利用优选的特征集和模型参数进行分类。为验证算法的有效性,利用两组全极化数据进行了监督分类实验。实验结果表明,提出方法降低了SVM分类器对自身参数的敏感性,而且能在较少特征个数下具备良好的泛化性能,分类精度优于未经过特征选择和参数优化的方法。     

基于多特征加权的SAR影像舰船检测优化方法

针对合成孔径雷达（synthetic aperture radar, SAR）影像辐射定标中角反射器布设受限等问题,提出一种利用通讯信号塔辅助求解SAR影像绝对辐射定标常数的方法。首先根据信号塔独特的几何结构特征,分别对上下两部分建立等效简化模型;然后利用物理光学法求解两部分等效模型的雷达截面积（radar cross section, RCS）,并叠加得到信号塔模型整体RCS;最后根据信号塔整体RCS,使用积分法求解SAR影像中信号塔脉冲响应能量及绝对辐射定标常数。为了验证所提方法的准确性,选取了4类常见类型的信号塔分别建立对应的等效简化模型并求解其对应RCS,同时利用FEKO软件仿真这4类信号塔。将所提方法实验结果与FEKO软件仿真结果进行对比,发现所提方法能够节约大量仿真所需时间,提升计算效率;对真实SAR影像进行绝对辐射定标常数求解,并与标称定标常数进行对比,结果表明,所提方法具有可行性和有效性。     

一种改进的SAR影像斑点噪声抑制方法

合成孔径雷达（SAR）影像的应用越来越广泛,但斑点噪声很大程度上影响了SAR的应用。本文首先研究了常用斑点噪声滤波方法,在此基础上,将中值滤波与常用的Lee,Frost,Kuan滤波结合。实验结果表明,该方法在斑点噪声抑制及边缘保持上明显优于传统的滤波方法。     

机载SAR影像定向中像点粗差的拟准检定方法

结合距离-多普勒模型,推导了SAR(synthetic aperture radar)影像定向中像点坐标粗差对误差方程的影响,分析了像点坐标粗差探测的必要性和难点;依据粗差的拟准检定法,针对SAR影像定向中的像点坐标粗差检定问题,设计了具体的解算流程和策略,首次将粗差的拟准检定法运用到机载SAR影像定向中。并分别利用模拟和实测数据进行了系统性的实验,结果表明,该方法不仅能够准确探测出多个粗差的位置,而且能够估计出粗差的大小。与SAR影像定向通常采用的最小二乘方法相比,该方法能够明显提高SAR影像定向参数的解算精度以及后续的立体定位精度,对于修复受粗差影响的SAR影像数据具有重要意义。     

一种改进激活函数的人工神经网络及其应用

提出了人工神经元的一种新颖的多参数可调激活函数,推导出相应的BP学习算法。在人工神经网络用于除草剂化合物活性预测的研究中,和传统BP算法的对比试验显示,本文的改进BP网络具有更快的收敛速度和更高的精度。     

Sentinel-1A SAR影像及其在矿区地面沉降监测中的应用研究

详细介绍了Sentinel-1A SAR影像数据的基本参数、工作模式、应用领域等。利用2016.11.09—2017.03.09的5景Sentinel-1A C波段SAR影像数据进行矿区地面沉降监测试验。基于SARscape利用双轨D-In SAR技术进行差分干涉处理,得到了研究区地面沉降分布图,直观地再现了研究区在2016.11.09—2017.03.09的沉降分布、沉降量级等。结果表明济宁某矿区在监测期间地面相对稳定,未有大面积和大量级的地面沉降发生,4个干涉对监测到的最大沉降都未超过3 cm。