摘要: 合成孔径雷达(Synthetic Aperture Radar,SAR)因其具有全天候、高分辨率成像，不受天气和光照影响的特点，在灾害监测、资源勘查、农作物估产以及军事方面有着广泛的应用。近年来，深度学习理论已广泛应用于SAR图像中人造目标和地物的分类，取得了比传... 展开 合成孔径雷达(Synthetic Aperture Radar,SAR)因其具有全天候、高分辨率成像，不受天气和光照影响的特点，在灾害监测、资源勘查、农作物估产以及军事方面有着广泛的应用。近年来，深度学习理论已广泛应用于SAR图像中人造目标和地物的分类，取得了比传统方法更好的分类效果。特别是卷积神经网络(Convolutional Neural Network,CNN)的应用，迅速地推动了SAR图像自动解译的发展。 CNN主要是利用不同尺寸的卷积核以及不同深度的网络层来达到提取不同特征的目的，进而便于图像分类。但是，训练网络通常需要大量的训练样本，而SAR图像样本的获取通常成本较高。另外，当图像中目标的姿态发生变化时，网络识别性能下降。为了解决上述问题，本文分别结合胶囊网络和SegNet网络的优点，提出了两种不同SAR图像分类的方法，具体内容如下： 1）提出了一种基于扩张卷积和胶囊网络的SAR图像分类方法。首先，通过增加网络深度来提取目标更深层次的特征；其次，使用扩张卷积来扩大感受野同时降低计算量；最后，使用胶囊网络来提高训练样本较少以及测试样本中目标发生姿态变换时的分类效果。MSTAR数据集实验结果表明，所提方法能够在训练样本较少且测试样本进行姿态变换后，仍然取得较高的分类精度。 2）提出了一种结合卷积自编码器(Convolutional Auto-Encoder,CAE)和SegNet的极化SAR图像分类方法。首先，建立结合CAE和SegNet的SAR图像分类网络模型。然后，通过CAE的无监督预训练来获得网络的初始权重。最后，采用少量的训练样本对网络进行微调。极化SAR图像分类实验结果表明，该方法较SegNet，PSPNet以及DeepLab V3+网络具有更好的分割效果。 收起