面向SAR圖像目標識別和地物分類的深度學習研究.pdf

1、深度學習起源于人工神經網絡，模仿人腦計算模式，可以自動地分層學習出抽象特征，在圖像領域應用廣泛，尤其是在目標識別和圖像分類方面。隨著遙感技術的發(fā)展，合成孔徑雷達(Synthetic aperture radar, SAR)圖像以其大信息量，全天候全天時的特點在軍事和民用領域占據了重要地位。對于SAR圖像的識別和分類任務而言，選取合適的特征非常重要，所用特征決定了算法性能的上限，而深度學習模型可以自動從原始數據中學出更抽象的特征。在深度學

2、習模型中，深度置信網絡(Deep Belief Network, DBN)使用的棧式限制玻爾茲曼機(Restricted Boltzmann Machine, RBM)的非監(jiān)督學習和反向傳播的有監(jiān)督微調過程，可以自動學習到更適合分類的特征。本文用深度置信網絡來提取高層抽象特征用于SAR圖像。具體工作如下：
　　一，用于單極化SAR目標識別的深度學習研究。由于深度學習更適用于大數據，而本文所用的運動與靜止目標的獲取與識別數據(MST

3、AR)數量有限，使得深度學習模型不容易收斂，所以我們提出數據融合與深度學習相結合的策略。分別提取MSTAR的輪廓波特征和曲線波特征與原數據相結合作為深度置信網絡的輸入，同時加入更能模擬數據的高斯限制玻爾茲曼機(gaussianRBM)，進行SAR圖像的目標識別，識別精度較原始RBM和單一數據有所提高。由于傳統(tǒng)DBN沒有考慮到SAR圖像的2-D結構和空間信息，導致學習到的權值與像素所處位置無關，而卷積網絡的權值共享使得每一種權值對應一種特

4、征算子，更利于提取不同性質的特征，所以，本文使用基于卷積RBM的深度置信網絡，使得識別精度進一步提高。
　　二，用于全極化 SAR圖像地物分類的深度學習研究。由于傳統(tǒng)的RBM更適合模擬二值數據，對于符合其他指數家族的分布，RBM可以加入不同的統(tǒng)計特性進行擴展。所以，對極化 SAR實數數據，我們使用加入高斯分布的gaussianRBM構成DBN，用于極化SAR圖像的地物分類；對極化SAR復數數據，我們基于極化SAR數據復wishar