湯浩+何楚

摘 要：傳統(tǒng)合成孔徑雷達(dá)（SAR）圖像基于粗分割像素塊提取相關(guān)特征，后接支持向量機(jī)（SVM）和馬爾可夫隨機(jī)場（MRF）或條件隨機(jī)場（CRF）進(jìn)行分類，該方法存在同一像素塊內(nèi)部不同類別像素的誤差，而且只考慮鄰近區(qū)域未充分用到全局信息和結(jié)構(gòu)信息。故考慮基于像素點(diǎn)引入全卷積網(wǎng)絡(luò)（FCN），以ESAR衛(wèi)星圖像為樣本，基于像素點(diǎn)級別構(gòu)建卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到各像素的初始類別分類概率。為了考慮全局像素類別的影響后接CRF-循環(huán)神經(jīng)網(wǎng)絡(luò)（CRF-RNN），利用FCN得到的初始概率，結(jié)合CRF結(jié)構(gòu)得到全局像素類別轉(zhuǎn)移結(jié)果，之后進(jìn)行RNN的迭代進(jìn)一步優(yōu)化實(shí)驗(yàn)結(jié)果。由于基于像素點(diǎn)和考慮了全局信息與結(jié)構(gòu)信息，克服了傳統(tǒng)分類的部分缺點(diǎn)，使正確率較傳統(tǒng)SVM或CRF方法平均提高了約6.5個(gè)百分點(diǎn)。由于CRF-RNN的距離權(quán)重是用高斯核人為擬合的，不能隨實(shí)際訓(xùn)練樣本來改變和確定，故存在一定誤差，針對該問題提出可訓(xùn)練的全圖距離權(quán)重卷積網(wǎng)絡(luò)來改進(jìn)CRF-RNN，最終實(shí)驗(yàn)結(jié)果表明改進(jìn)后方法的正確率較未改進(jìn)的CRF-RNN又提高了1.04個(gè)百分點(diǎn)。

關(guān)鍵詞：全卷積網(wǎng)絡(luò)；條件隨機(jī)場循環(huán)神經(jīng)網(wǎng)絡(luò)；全局信息；全圖距離權(quán)重

中圖分類號(hào)： TN957.52

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-9081（2016）12-3436-06