李卫华1,,
秦先祥1,,,
王鹏1,,
余旺盛1,,
李军1,
①.空军工程大学信息与导航学院 ??西安 ??710077
②.国防科技大学电子对抗学院 ??合肥 ??230037
基金项目:国家自然科学基金(41601436, 61403414, 61703423)，陕西省自然科学基础研究计划(2018JM4029)
详细信息
作者简介:胡涛：胡 涛(1994–)，男，湖南浏阳人，空军工程大学信息与导航学院硕士，研究方向为计算机视觉。E-mail: 1862965@163.com
李卫华(1964–)，男，空军工程大学信息与导航学院教授，研究方向为指挥信息系统。E-mail: lwh_kgd@163.com?
秦先祥(1986–)，男，广西阳朔人，空军工程大学信息与导航学院讲师，研究方向为SAR图像处理与分析。E-mail: qinxianxiang@126.com
王鹏：王 鹏(1985–)，男，空军工程大学信息与导航学院副教授，硕士生导师，研究方向为信息融合处理与分布式协同控制。E-mail: wangpeng@163.com
余旺盛(1985–)，男，湖南平江人，空军工程大学信息与导航学院讲师，研究方向为计算机视觉与图像处理。E-mail: 853994682@qq.com
李军：李 军(1983–)，男，湖南邵阳人，空军工程大学信息与导航学院讲师，研究方向为信息处理技术。E-mail: 108857769@qq.com
通讯作者:秦先祥 ? qinxianxiang@126.com
中图分类号:TP391计量
文章访问数:2969
HTML全文浏览量:664
PDF下载量:289
被引次数:0
出版历程
收稿日期:2018-08-31
修回日期:2018-12-26
Terrain Classification of Polarimetric Synthetic Aperture Radar Images Based on Deep Learning and Conditional Random Field Model
HU Tao1,2,,LI Weihua1,,
QIN Xianxiang1,,,
WANG Peng1,,
YU Wangsheng1,,
LI Jun1,
①. College of Information and Navigation, Air Force Engineering University, Xi’an 710077, China
②. College of Electronic Countermeasure, National University of Defense Technology, Hefei 230037, China
Funds:The National Natural Science Foundation of China (41601436, 61403414, 61703423), The Natural Science Foundation Research Project of Shaanxi Province (2018JM4029)
More Information
Corresponding author:QIN Xianxiang, qinxianxiang@126.com
摘要
摘要:近年来，极化合成孔径雷达(PolSAR)图像地物分类得到了深入研究。传统的PolSAR图像地物分类方法采用的特征往往需要针对具体问题进行设计，特征表征性不强。因此，该文提出一种基于卷积神经网络(CNN)和条件随机场(CRF)模型的PolSAR图像地物分类方法。利用预训练好的实现图像分类任务的卷积神经网络模型(VGG-Net-16)提取表征能力更强的图像特征，再通过CRF模型对多特征及上下文信息的有效利用来实现图像的地物分类。实验结果表明，与3种利用传统经典特征的方法相比，该方法能够提取更有效的特征，取得了更高的总体分类精度和Kappa系数。
关键词:极化SAR/
地物分类/
条件随机场/
卷积神经网络
Abstract:In recent years, Polarimetric Synthetic Aperture Radar (PolSAR) image classification has been investigated extensively. The traditional PolSAR image terrain classification methods result in a weak feature representation. To overcome this limitation, this study aims to propose a terrain classification method based on deep Convolutional Neural Network (CNN) and Conditional Random Field (CRF). The pre-trained VGG-Net-16 model was used to extract more powerful image features, and then the terrain from the images was classified through the efficient use of multiple features and context information by conditional random fields. The experimental results show that the proposed method can extract more features effectively in comparison with the three methods using traditional classical features and it can also achieve a higher overall accuracy and Kappa coefficient.
Key words:Polarimetric Synthetic Aperture Radar (PolSAR)/
Terrain classification/
Conditional Random Field (CRF)/
Convolutional Neural Network (CNN)
PDF全文下载地址:
https://plugin.sowise.cn/viewpdf/198_ed55f26d-b85f-47d1-a138-353673efc9c3_R18065
