杜康宁 邓云凯 王 宇 李 宁

（中国科学院电子学研究所 北京 100190）

基于多层神经网络的中分辨SAR图像时间序列建筑区域提取

杜康宁 邓云凯 王 宇 李 宁*

（中国科学院电子学研究所 北京 100190）

为提高合成孔径雷达（Synthetic Aperture Radar， SAR）图像时间序列建筑区域提取的准确率和稳定性，该文结合时间序列图像的特点，提出了一种基于多层神经网络的建筑提取方法。该方法使用单幅SAR图像进行样本的粗略标记，并从经过直方图规定化处理后的时间序列图像中获得大量样本。通过单幅SAR图像生成的少量样本确定网络的深度，并从时间序列生成的样本中筛选出具有更高质量的样本作为最终模型的训练样本。利用数量大且质量高的训练样本学习得到模型参数。使用包含38幅25 m分辨率ENVISAT ASAR图像的数据集进行两组对比实验，实验结果中该文方法的最低准确率和最低Kappa系数分别90.2%和0.725，均高于其它3种传统方法，算法的稳定性以及准确率都有显著提高。此外，该方法还具有人工操作少、推广性强、训练高效等优点。

多层神经网络；合成孔径雷达；时间序列；建筑提取

引用格式：杜康宁， 邓云凯， 王宇， 等.基于多层神经网络的中分辨SAR图像时间序列建筑区域提取［J］.雷达学报，2016， 5（4）: 410-418.DOI: 10.12000/JR16060.

Reference format: Du Kangning， Deng Yunkai， Wang Yu， et al..Medium resolution SAR image time-series built-up area extraction based on multilayer neural network［J］.Journal of Radars， 2016， 5（4）: 410-418.DOI: 10.12000/JR16060.

1 引言

合成孔径雷达（Synthetic Aperture Radar，SAR）由于其对地物的散射特性的特殊表征常用于目标识别［1-13］。由于星载SAR具有重访周期短、全天时、全天候和宽测绘带的特点，成为了连续观测大城市建设发展的重要手段之一。综合考虑计算量、检测精度以及覆盖面积等因素，中分辨率（10 m 到30 m）SAR图像比高分辨率和低分辨率图像更适合大城市的长期监测［3］。……