CNN结合SLIC的PolSAR区域化分类

论文摘要

针对PolSAR分类易受散斑噪声影响出现"椒盐"现象的问题,提出一种CNN结合SLIC算法的PolSAR分类方法。选取荷兰Flevoland地区机载L波段全极化数据作为实验数据,通过Pauli、Huynen和Yamaguchi分解获取了9维特征向量,利用指定窗口尺寸内像素在特征维度的分布特征作为CNN的输入端,在选取实际标签作为训练集进行训练的基础上,通过对网络学习率和随机失活率等参数调整优选,经过200次迭代将影像分为大豆、小麦和建筑等15种地类,并结合SLIC算法获取区域化分类结果。实验结果显示总体分类精度达到97%,Kappa系数为0.94,效果明显优于传统SVM和Random Forest分类算法,同时对国产高分三号全极化数据进行了分类,证明了该分类算法的有效性。

论文目录

• 1 极化SAR特征提取
• 2 CNN网络结构
• 3 SLIC分割方法
• 4 CNN与SLIC相结合的PolSAR分类方法
• 5 实验与分析
•   5.1 实验数据
•   5.2 实验结果分析
•     5.2.1 分类结果对比
•     5.2.2 网络参数对分类精度的影响
•       1) 学习率。
•       2)随机失活率。
• 6 结论

文章来源

类型: 期刊论文

作者: 郭庆华,杨仁辉,李玉恒,江涛

关键词: 极化合成孔径雷达,卷积神经网络,简单线性迭代,支持向量机,随机森林

来源: 测绘科学技术学报 2019年05期

年度: 2019

分类: 基础科学,信息科技

专业: 电信技术

单位: 山东科技大学测绘科学与工程学院

基金: 山东省自然科学基金项目(ZR2016DB23)

分类号: TN957.52

页码: 511-517

总页数: 7

文件大小: 3460K

下载量: 110