结合广义Gamma与卷积深度置信网络的PolSAR影像分类

摘要：

针对极化合成孔径雷达(PolSAR)影像分类中标记样本较少导致分类模型难以拟合、未充分考虑地物统计特性等问题,该文提出了一种顾及广义伽马分布(GΓD)与空间邻域信息的极化SAR卷积深度置信网络(CDBN)的地物分类方法.通过引入深度置信网络与半监督学习方法,充分发掘已有数据信息,提高小样本条件下分类器的数据拟合能力,有效提高模型的分类精度.将GΓD的功率参数值域范围扩大到非零实数,增强GΓD对具有拖尾分布地物的描述;基于多极化信息,将GΓD与卷积结构有机融合到深度置信网络,其借助卷积结构的优点,更有效地描述不同类型地物的统计分布.基于EMISAR和GF-3全极化SAR影像进行分类实验,分别选取两个不同场景(农田和城市)作为实验区.结果表明,该方法在分类精度和统计分布拟合效果方面都优于传统方法.

关键词：极化合成孔径雷达、卷积深度置信网络、广义伽马分布、图像分类

所属期刊栏目：47

分类号：TP183;TN957.52(自动化基础理论)

资助基金：国家自然科学基金;中南大学研究生创新基金资助项目

在线出版日期：2023-01-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：105-112