如何使用深度神經(jīng)網(wǎng)絡(luò)和稀疏學(xué)習(xí)進(jìn)行極化SAR圖像分類

　　到目前為止，對極化SAR圖像的研究已經(jīng)經(jīng)歷了近三十年的時間，許多經(jīng)典的極化SAR圖像分類方法被廣泛應(yīng)用于各個領(lǐng)域，可以說，對極化SAR圖像的研究已經(jīng)取得了豐碩的成果。如今，極化SAR已經(jīng)逐漸民用化，使得對極化SAR圖像的白動解譯要求越來越高。盡管現(xiàn)在極化SAR圖像數(shù)據(jù)的獲取能力已經(jīng)得到了極大的提升，但是相應(yīng)的信息處理技術(shù)仍然有待發(fā)展。

　　本文主要研究基于深度學(xué)習(xí)和稀疏表示的極化SAR圖像分類方法。深度學(xué)習(xí)通過組合極化SAR的低層特征形成較為抽象的高層表示（類別屬性或特征），實(shí)現(xiàn)對復(fù)雜函數(shù)的高度逼近，以發(fā)現(xiàn)極化SAR的分布式特征表示，可以學(xué)習(xí)到原始數(shù)據(jù)的深層特征。而稀疏表示可以減小圖像的冗余度，有利于特征的有效提取。本文提出了三種方法來實(shí)現(xiàn)極化SAR圖像的分類。本文首先利用深度網(wǎng)絡(luò)和稀疏表示對極化SAR圖像進(jìn)行特征提取，然后利用SVM分類器進(jìn)行分類，獲得分類結(jié)果。主要工作如下：

　　1）提出了一種基于稀疏主分量分析和稀疏自動編碼器的極化SAR圖像分類方法。首先利用SPCA對極化SAR原始數(shù)據(jù)進(jìn)行降維和稀疏表示，克服了現(xiàn)有技術(shù)中待處理的高維數(shù)據(jù)的無關(guān)性和冗余性，然后通過SAE網(wǎng)絡(luò)挖掘極化SAR數(shù)據(jù)的深層特征，對原始數(shù)據(jù)達(dá)到高精度逼近，最后利用SVM分類器進(jìn)行對學(xué)習(xí)到的特征進(jìn)行分類。由于極化SAR數(shù)據(jù)維數(shù)較高，利用SPCA對其進(jìn)行降維處理可以在保持分類精確度的前提下極大地縮短算法的運(yùn)行時間。除此之外，通過稀疏自動編碼器學(xué)習(xí)到的特征可以大大地提高圖像分類的精確度。

　　2）提出了一種基于CS稀疏表示和深度棧式網(wǎng)絡(luò)的極化SAR圖像分類方法?；趬嚎s感知的思想構(gòu)造了一個兩層的棧式網(wǎng)絡(luò)來對極化SAR原始數(shù)據(jù)進(jìn)行特征學(xué)習(xí)，找到更能描述數(shù)據(jù)的結(jié)構(gòu)特征。在本方法中，我們首先用兩層棧式網(wǎng)絡(luò)對極化SAR圖像原始數(shù)據(jù)進(jìn)行特征提取，然后利用SVM分類器進(jìn)行對獲得的特征進(jìn)行分類，得到最終分類結(jié)果。實(shí)驗(yàn)表明，采用本方法對極化SAR圖像進(jìn)行分類可以得到較好的結(jié)果。

　　3）提出了一種基于SPCANet的極化SAR圖像分類方法?；谏疃葘W(xué)習(xí)的思想構(gòu)造了一個兩層的網(wǎng)絡(luò)來對極化SAR原始數(shù)據(jù)進(jìn)行特征學(xué)習(xí)，以獲得對極化SAR數(shù)據(jù)較好的表述形式，然后利用SVM分類器進(jìn)行對學(xué)習(xí)到的特征進(jìn)行分類，實(shí)驗(yàn)表明，該方法計算量小，簡單有效，容易理解，并具有普適性。