基于改进编解码网络的极化SAR地物分类
2021-10-08闫成杰刘秀清
雷达科学与技术 2021年4期
闫成杰, 王 沛, 刘秀清
(1. 中国科学院空天信息创新研究院, 北京 100190; 2. 中国科学院大学, 北京 100049)
0 引言
PolSAR图像地物分类是PolSAR图像解译中非常重要的一个分支。传统的PolSAR图像分类算法主要根据图像的统计特性或散射特性,采用支持向量机、随机森林和集成学习等分类器进行分类,然而由于图像斑点噪声和地物复杂性的存在,目前传统的机器学习方法不能取得令人满意的效果[1]。
近年来深度学习(DL)发展迅猛,在诸多领域取得了一系列突破。目前已有不少国内外学者将深度学习应用于PolSAR领域,Xu等[2]利用CNN实现了PolSAR图像相干变化的检测。Wang等[3]利用CNN模型对双极化SAR图像进行海冰分类,成功地实现了海冰密度的估计。
然而,以上方法[2-3]都是将PolSAR数据映射到实数域,然后进行切片预测,切片分类结果为中心像素点类别,因此存在边界不连续和计算冗余的问题,除此之外,映射过程也造成了一定的信息损失。近年来计算机视觉领域提出了语义分割技术,实现了端到端的像素级图像分类,例如FCN、SegNet、DeepLab和U-Net等。文献[4]利用 FCN实现了道路检测和中心线提取。文献[5]提出基于H-A-α分解输入的FCN,实现了快速PolSAR图像分类。虽然文献[4-5]中的模型解决了计算冗余问题,但是在解码的过程中图像位置信息丢失,边界不连续问题依然存在。编解码网络需要全标注的输入图像,这对于PolSAR图像来说很难获取,文献[6]使用带标记训练像素的零初始化地面真值图训练FCN模型,但是这种方法存在网络收敛速度较慢和边缘粗糙问题。……
登录APP查看全文
