特征选择与深度学习相结合的极化SAR图像分类

作者：韩萍; 孙丹丹

来源：信号处理, 2019, 35(06): 972-978.

DOI：10.16798/j.issn.1003-0530.2019.06.006

• 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

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。

• 单位
  中国民航大学