论文部分内容阅读
极化合成孔径雷达(Synthetic Aperture Radar,SAR)成像系统依据电磁波收发方式的不同,能够探测到地物的不同散射数据,因此极化SAR图像中包含了丰富的地物极化信息,使得准确的地物分类成为可能。与此同时,极化SAR图像地物分类仍有问题需要解决,一方面,成像技术的发展带来大量高分辨、宽幅场景的数据,随着数据规模增加,获取大量标记样本需要高昂的人力成本;另一方面,雷达成像机理造成固有的相干斑噪声,对分类产生影响。如何实现少量标记样本下精准的地物分类,是当前极化SAR图像分类面临的难题。现有方法多基于图像像素间距离度量,采用无监督/监督方法实现地物分类。因此如何在少量标记样本下,找到好的度量准则,实现准确且鲁棒的极化SAR图像地物分类,是本文的研究动机。围绕该问题,所做主要内容如下:1)设计了基于Divergence-Chebyshev近邻追踪的极化SAR图像地物分类方法。通过设计极化SAR图像像素特征空间的Divergence距离和像素空间位置的Chebyshev距离,综合特征和像素空间信息,能够降低噪声影响。通过两阶段近邻追踪,在找到的空间近邻中找到最相似的特征近邻,从而实现低复杂度的分类。在六幅极化SAR图像上进行实验,结果表明,所提出的度量优于现有统计分布距离,且能保持空间一致性,在小样本条件下能够实现快速准确的极化SAR图像地物分类。2)设计了基于Triplet深度度量网络的极化SAR图像地物分类方法。通过构造三元组数据集,实现训练样本集的扩充;建立三个权值共享、结构相同的卷积神经网络构造Triplet深度度量网络;设计相应的同类和异类间的Triplet损失函数,以学习出强判别性的非线性度量子空间。在六幅极化SAR图像上进行实验,结果表明,该方法在小样本条件下能够学出强判别性的度量,实现准确的极化SAR图像地物分类。3)设计了基于Triplet深度对抗度量网络的极化SAR图像地物分类方法。首先构造三元组数据集,实现训练样本集扩充;设计生成器损失函数和Triplet判别器损失函数,构造深度对抗度量网络,在对抗训练中动态地学习出判别性强的非线性度量子空间。在六幅极化SAR图像上进行实验,结果表明,生成器的辅助训练能够增强Triplet判别网络提取特征的判别性,在少量标记样本下的分类结果比Triplet深度度量网络有所提升。