特征选择与深度学习相结合的极化SAR图像分类

• 作者: 孙丹丹 韩萍
• 来源期刊: 信号处理
• 学科: 工学
• 关键词: 极化合成孔径雷达 特征选择 深度学习 随机森林 卷积神经网络 有监督分类
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 论文与技术报告
• 页码范围: 972-978
• 页数: 7页
• 分类号: TP753
• 字数: 4284字
• 语种: 中文
• DOI: 10.16798/j.issn.1003-0530.2019.06.006

摘要

给出了一种特征选择与深度学习相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像有监督分类算法.该算法首先根据极化SAR图像数据以及目标分解获取原始特征参数集,然后利用随机森林(Random Forest,RF)方法对特征参数集进行重要性评估,并根据特征重要性排名选择最优极化特征.以最优极化特征为输入,通过卷积神经网络(convolutional neural network,CNN)学习多层特征信息,再利用训练好的网络模型对极化SAR图像进行分类.利用美国AIRSAR机载系统采集的实测数据进行实验,并同已有经典有监督分类算法进行比较,结果表明本文算法能够选取有效的极化特征,最终得到较为准确的分类效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	韩萍	中国民航大学智能信号与图像处理天津市重点实验室	67	469	10.0	19.0
2	孙丹丹	中国民航大学智能信号与图像处理天津市重点实验室	1	2	1.0	1.0