特征选择与深度学习相结合的极化SAR图像分类

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.

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

所属期刊栏目：35

分类号：TP753(遥感技术)

资助基金：国家自然科学基金项目61571442;国家重点研发计划2016YFB0502405

在线出版日期：2019-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：972-978