基于3D卷积神经网络的PolSAR图像精细分类

张腊梅; 陈泽茜; 邹斌

doi:10.3788/IRLA201847.0703001

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于3D卷积神经网络的PolSAR图像精细分类

张腊梅, 陈泽茜, 邹斌

文章导航 > 红外与激光工程 > 2018 > 47(7): 703001-0703001(8)

张腊梅, 陈泽茜, 邹斌. 基于3D卷积神经网络的PolSAR图像精细分类[J]. 红外与激光工程, 2018, 47(7): 703001-0703001(8). doi: 10.3788/IRLA201847.0703001

引用本文:

张腊梅, 陈泽茜, 邹斌. 基于3D卷积神经网络的PolSAR图像精细分类[J]. 红外与激光工程, 2018, 47(7): 703001-0703001(8). doi: 10.3788/IRLA201847.0703001

Zhang Lamei, Chen Zexi, Zou Bin. Fine classification of polarimetric SAR images based on 3D convolutional neural network[J]. Infrared and Laser Engineering, 2018, 47(7): 703001-0703001(8). doi: 10.3788/IRLA201847.0703001

Citation:

Zhang Lamei, Chen Zexi, Zou Bin. Fine classification of polarimetric SAR images based on 3D convolutional neural network[J]. Infrared and Laser Engineering, 2018, 47(7): 703001-0703001(8). doi: 10.3788/IRLA201847.0703001

基于3D卷积神经网络的PolSAR图像精细分类

doi: 10.3788/IRLA201847.0703001

1.
哈尔滨工业大学电子与信息工程学院,黑龙江哈尔滨 150001

基金项目:

国家自然科学基金（61401124）;黑龙江省留学归国人员科学基金（LC2018029）

详细信息

作者简介:
张腊梅(1980-),女,副教授,博士,主要从事遥感图像处理和智能解译方面的研究。Email:lmzhang@hit.edu.cn

中图分类号: TN958.2

Fine classification of polarimetric SAR images based on 3D convolutional neural network

1.
School of Electronics and Information Engineering,Harbin Institute of Technology,Harbin 150001,China

摘要: PolSAR （Polarimetric Synthetic Aperture Radar）图像分类的传统方法在前期需要对数据进行特征提取，涉及较多的人为参与，且分类精度有待进一步提高。此外，在采用监督分类方法时，某些地物存在小样本问题，针对这些问题并结合PolSAR图像精细分类的需求，提出基于3D卷积神经网络的PolSAR图像地物精细分类方法，将传统卷积神经网络扩展为三维并将其应用于PolSAR图像分类中，利用PolSAR数据多通道特性，充分挖掘数据中的信息，提高分类性能，并采用虚拟样本扩充的方法改善某些地物的小样本情况，获得更好的分类结果。实验结果表明：3D卷积神经网络较2D卷积神经网络在PolSAR图像地物精细分类中有较好的性能，且虚拟样本扩充方法能够有效改善小样本分类问题。
- 极化SAR /
- 卷积神经网络 /
- 图像分类 /
- 小样本
Abstract: The traditional classification methods of PolSAR image generally required the feature extraction in the early stage, involving more human participation, and the classification accuracy needed further improvement. In addition, when using supervised classification method, there were sometimes small sample problems. In view of these problems and combining the requirement of PolSAR image fine classification, a PolSAR image classification method based on 3D convolution neural network was proposedr. The traditional convolution neural network was extended to three dimensions and applied to PolSAR image classification, and the classification method was described in detail. Thus, the characteristics of the multichannel PolSAR image could be fully excavated and improve the classification performance. Moreover, the method of virtual sample expansion was used to improve the small sample situation of certain category and get better classification results. Experimental results showed that 3D convolution neural network could get better performance than 2D convolution neural network in PolSAR image classification and the virtual sample expansion method could effectively improve the small sample classification problem.
- polarimetric SAR /
- convolutional neural network /
- image classification /
- small sample

[1]	Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324.
[2]	Hara Y, Atkins R G, Yueh S H, et al. Application of neural networks to radar image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(1):100-109.
[3]	Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521:436-444.
[4]	Ji S W, Xu W, Yang M. 3D convolutional neural networks for human action recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(1):221-231.
[5]	ElBadawy M, Elons A S. Arabic sign language recognition with 3D convolutional neural networks[C]//8th International Conference on Intelligent Computing and Information Systems, 2017:66-71.
[6]	Jing L L, Ye Y C. 3D Convolutional neural network with multi-model framework for action recgnition[C]//2017 IEEE International Conference on Image Processing, 2017:1837-1841.
[7]	Torfi A, Mehdi S. 3D Convolutional neural networks for cross audio-visual matching recognition[J]. IEEE Access, 2017, 5:22081-22091.
[8]	Zhou Y, Wang H P, Xu F, et al. Polarimetric SAR image classification using deep convolutional neural networks[J]. IEEE Geoscience and Remote Sensing Letterss, 2016, 13(12):1935-1939.
[9]	Zhou Y, Wang H P, Xu F. PolSAR terrain classification using deep convolutional networks[C]//2016 Progress In Electromagnetic Research Symposium (PIERS), 2016:5121-5124.
[10]	Haensch R, Hellwich O. Complex-valued convolutional neural networks for object detection in PolSAR data[C]//8th European Conference on Synthetic Aperture Radar, 2011:1-4.
[11]	Zhang Z M, Wang H P. Complex-valued convolutional neural network and its application in polarimetric SAR image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12):7177-7188.
[12]	Bishop C M. Training with noise is equivalent to tikhonov regularization[J]. Neural Computation, 1995, 7(1):108-116.

[1]	夏信, 何传亮, 吕英杰, 王守志, 张博, 陈晨, 陈海鹏, 李美萱. 深度学习驱动的智能电网运行图像数据压缩技术 . 红外与激光工程, 2022, 51(12): 20220097-1-20220097-6. doi: 10.3788/IRLA20220097
[2]	李霖, 王红梅, 李辰凯. 红外与可见光图像深度学习融合方法综述 . 红外与激光工程, 2022, 51(12): 20220125-1-20220125-20. doi: 10.3788/IRLA20220125
[3]	李保华, 王海星. 基于增强卷积神经网络的尺度不变人脸检测方法 . 红外与激光工程, 2022, 51(7): 20210586-1-20210586-8. doi: 10.3788/IRLA20210586
[4]	齐悦, 董云云, 王溢琴. 基于汇聚级联卷积神经网络的旋转人脸检测方法 . 红外与激光工程, 2022, 51(12): 20220176-1-20220176-8. doi: 10.3788/IRLA20220176
[5]	刘瀚霖, 辛璟焘, 庄炜, 夏嘉斌, 祝连庆. 基于卷积神经网络的混叠光谱解调方法 . 红外与激光工程, 2022, 51(5): 20210419-1-20210419-9. doi: 10.3788/IRLA20210419
[6]	庄子波, 邱岳恒, 林家泉, 宋德龙. 基于卷积神经网络的激光雷达湍流预警 . 红外与激光工程, 2022, 51(4): 20210320-1-20210320-10. doi: 10.3788/IRLA20210320
[7]	陆建华. 融合CNN和SRC决策的SAR图像目标识别方法 . 红外与激光工程, 2022, 51(3): 20210421-1-20210421-7. doi: 10.3788/IRLA20210421
[8]	林丽, 刘新, 朱俊臻, 冯辅周. 基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究 . 红外与激光工程, 2022, 51(3): 20210227-1-20210227-9. doi: 10.3788/IRLA20210227
[9]	张颖, 李河申, 王昊, 孙军华, 张晞, 刘惠兰, 吕妍红. 基于神经网络的典型地物的偏振多光谱图像分类（特邀） . 红外与激光工程, 2022, 51(6): 20220249-1-20220249-8. doi: 10.3788/IRLA20220249
[10]	宦克为, 李向阳, 曹宇彤, 陈笑. 卷积神经网络结合NSST的红外与可见光图像融合 . 红外与激光工程, 2022, 51(3): 20210139-1-20210139-8. doi: 10.3788/IRLA20210139
[11]	杜圣杰, 贾晓芬, 黄友锐, 郭永存, 赵佰亭. 面向CNN模型图像分类任务的高效激活函数设计 . 红外与激光工程, 2022, 51(3): 20210253-1-20210253-9. doi: 10.3788/IRLA20210253
[12]	高泽宇, 李新阳, 叶红卫. 流场测速中基于深度卷积神经网络的光学畸变校正技术 . 红外与激光工程, 2020, 49(10): 20200267-1-20200267-10. doi: 10.3788/IRLA20200267
[13]	张盼盼, 罗海波, 鞠默然, 惠斌, 常铮. 一种改进的Capsule及其在SAR图像目标识别中的应用 . 红外与激光工程, 2020, 49(5): 20201010-20201010-8. doi: 10.3788/IRLA20201010
[14]	盛家川, 陈雅琦, 王君, 韩亚洪. 深度学习结构优化的图像情感分类 . 红外与激光工程, 2020, 49(11): 20200269-1-20200269-10. doi: 10.3788/IRLA20200269
[15]	薛珊, 张振, 吕琼莹, 曹国华, 毛逸维. 基于卷积神经网络的反无人机系统图像识别方法 . 红外与激光工程, 2020, 49(7): 20200154-1-20200154-8. doi: 10.3788/IRLA20200154
[16]	张秀, 周巍, 段哲民, 魏恒璐. 基于卷积稀疏自编码的图像超分辨率重建 . 红外与激光工程, 2019, 48(1): 126005-0126005(7). doi: 10.3788/IRLA201948.0126005
[17]	姚旺, 刘云鹏, 朱昌波. 基于人眼视觉特性的深度学习全参考图像质量评价方法 . 红外与激光工程, 2018, 47(7): 703004-0703004(8). doi: 10.3788/IRLA201847.0703004
[18]	杨楠, 南琳, 张丁一, 库涛. 基于深度学习的图像描述研究 . 红外与激光工程, 2018, 47(2): 203002-0203002(8). doi: 10.3788/IRLA201847.0203002
[19]	郭强, 芦晓红, 谢英红, 孙鹏. 基于深度谱卷积神经网络的高效视觉目标跟踪算法 . 红外与激光工程, 2018, 47(6): 626005-0626005(6). doi: 10.3788/IRLA201847.0626005
[20]	张东彦, 赵晋陵, 黄林生, 马雯萩. 用于高光谱图像分类的归一化光谱指数的构建与应用 . 红外与激光工程, 2014, 43(2): 586-594.

点击查看大图

计量

文章访问数: 569
HTML全文浏览量: 109
PDF下载量: 87
被引次数: 0

基于3D卷积神经网络的PolSAR图像精细分类

doi: 10.3788/IRLA201847.0703001

1. 哈尔滨工业大学电子与信息工程学院,黑龙江哈尔滨 150001

作者简介:
张腊梅(1980-),女,副教授,博士,主要从事遥感图像处理和智能解译方面的研究。Email:lmzhang@hit.edu.cn

收稿日期: 2018-04-10
修回日期: 2018-05-20
刊出日期: 2018-07-25

基金项目:

国家自然科学基金（61401124）;黑龙江省留学归国人员科学基金（LC2018029）

中图分类号: TN958.2

关键词:

摘要: PolSAR （Polarimetric Synthetic Aperture Radar）图像分类的传统方法在前期需要对数据进行特征提取，涉及较多的人为参与，且分类精度有待进一步提高。此外，在采用监督分类方法时，某些地物存在小样本问题，针对这些问题并结合PolSAR图像精细分类的需求，提出基于3D卷积神经网络的PolSAR图像地物精细分类方法，将传统卷积神经网络扩展为三维并将其应用于PolSAR图像分类中，利用PolSAR数据多通道特性，充分挖掘数据中的信息，提高分类性能，并采用虚拟样本扩充的方法改善某些地物的小样本情况，获得更好的分类结果。实验结果表明：3D卷积神经网络较2D卷积神经网络在PolSAR图像地物精细分类中有较好的性能，且虚拟样本扩充方法能够有效改善小样本分类问题。