基于深度学习和层次语义模型的极化SAR分类

被引：30

作者：

石俊飞 ^{[1
,2
,3
]}

刘芳 ^{[1
,3
]}

林耀海 ^{[3
,4
]}

刘璐 ^{[2
,3
]}

机构：

[1] 西安电子科技大学计算机学院

[2] 西安理工大学计算机科学与工程学院

[3] 西安电子科技大学智能感知与图像理解教育部重点实验室

[4] 福建农林大学计算机与信息学院

来源：

自动化学报 | 2017年 / 43卷 / 02期

关键词：

叠自编码器; 极化层次语义模型; 极化SAR分类; 区域划分; 层次分割;

D O I：

暂无

中图分类号：

TN957.52 [数据、图像处理及录取];

学科分类号：

083905 [应用与数据安全及新兴信息技术安全];

摘要：

针对复杂场景的极化合成孔径雷达(Synthetic aperture radar,SAR)图像,堆叠自编码模型能够自动学习高层特性,有效表示城区、森林等复杂地物的结构,然而,却难以保持图像的边界和细节.为了克服该缺点,本文结合深度自编码器和极化层次语义模型(Polarimetric hierarchical semantic model,PHSM),提出了新的无监督的极化SAR图像分类算法.该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构三大区域.对聚集区域,采用堆叠自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位.实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果.

引用

页码：215 / 226

页数：12

共 6 条

[1]

Region-based classification by combining MS segmentation and MRF for POLSAR images[J] Bin Zhang;Guorui Ma;Zhi Zhang;Qianqing Qin; Journal of Systems Engineering and Electronics 2013, 03

[2]

An Efficient Learning Procedure for Deep Boltzmann Machines[J] Ruslan Salakhutdinov Neural Computation 2012,

[3]

A Connection Between Score Matching and Denoising Autoencoders[J] Pascal Vincent Neural Computation 2011,

[4]

Interactive image segmentation by maximal similarity based region merging[J] Jifeng Ning;Lei Zhang;David Zhang;Chengke Wu Pattern Recognition 2009,

[5]

Primal sketch: Integrating structure and texture[J] Cheng-en Guo;Song-Chun Zhu;Ying Nian Wu Computer Vision and Image Understanding 2006,

[6]

A two-layer sparse coding model learns simple and complex cell receptive fields and topography from natural images[J] Vision Research 2001,

← 1 →