其他
【最新成果】 基于深度卷积神经网络和条件随机场模型的PolSAR图像地物分类方法
极化合成孔径雷达(PolSAR)是一种先进的遥感信息获取手段,其通过测量每个分辨单元在不同收发极化组合下的散射特性,为详尽分析目标散射特性提供了良好的数据支持。 PolSAR图像地物分类的目的在于将图像划分成一系列具有特定语义信息的图像区域,目前已被广泛应用于战场情报侦察、地质勘探以及灾害监测等领域。
传统的PolSAR图像地物分类方法采用的特征通常需要针对具体问题进行设计,对先验知识的依赖程度较高,在很多情况下其表征能力往往不尽人意。 因此,如何提取更具表达性的特征是当前提高图像地物分类方法性能的关键途径。
针对该问题,空军工程大学李卫华教授团队提出一种结合预训练CNN和CRF模型的图像地物分类方法。该方法简单有效,易于实现,其分类精度相较于基于传统特征的方法有较大提升。
该工作已发表在《雷达学报》网络优先出版的“基于深度卷积神经网络和条件随机场模型的PolSAR图像地物分类方法”(胡涛,李卫华,秦先祥,王鹏,余旺盛,李军)。
图1 深度CRF模型流程图
该文首先介绍了图像预处理、深度特征提取和CRF模型构建等相关技术(图1),最后,利用两幅实测极化SAR图像进行了地物分类实验研究(图2),其取得了比多种基于传统特征的极化SAR图像地物分类方法更高的分类精度,验证了所提方法的有效性。
图2 极化SAR图像分类结果比较
了解详细内容请点击下面阅读原文。