摘要
合成孔径雷达(SyntheticApertureRadar,SAR)是一种主动微波成像系统，具有全天时、全天候成像的特点，在军事和民用领域发挥着重要作用。SAR图像分类是SAR图像解译的关键环节。然而，由于SAR图像具有地物纹理复杂、存在类内多样与类间相似、标记样本少等特点，导致基于传统特征提取的方法分类性能受到限制。近年来，随着深度学习的发展，卷积神经网络(ConvolutionalNeuralNetwork,CNN)以其强大的深度特征提取能力，在SAR图像分类领域受到广泛关注。为此，本文以CNN为基础，针对SAR图像特点，从CNN提取判别性的SAR图像地物特征方面出发，开展基于深度特征学习的SAR图像分类算法研究。论文的主要研究成果如下： (1)针对SAR图像复杂纹理区域特征表征能力不足的问题，提出了一种基于密集连接协方差网络的SAR图像分类算法。该算法通过密集连接网络结构实现浅层低级特征与深层高级语义特征的融合，丰富特征完备性。同时，利用全局协方差池化提取二阶统计特征，从而增强复杂纹理区域特征的表征能力。实验结果表明该算法可以有效提升SAR图像复杂纹理区域的分类准确率。 (2)针对SAR图像不同地物特征可分性不足的问题，提出了一种结合注意力机制与中心损失函数的SAR图像分类算法。该算法利用注意力机制，动态调整输入特征之间的权重信息，强化有用特征对分类的作用，抑制无效特征对分类的影响，并在传统交叉熵损失函数的基础上，通过设计中心损失函数，提高类内一致性，从而增强特征的可分性。实验结果表明该算法能有效提升SAR图像不同地物分类准确率。 (3)针对SAR图像边界区域有效特征缺乏的问题，提出了一种超像素分割与自注意力网络相结合的SAR图像分类算法。该算法在超像素分割的基础上对输入图像块进行空间加权，从而有效抑制边界区域干扰信息。在此基础上，采用多尺度自注意力网络融合边界区域上下文信息，来进一步增强图像边界特征。实验结果验证了该算法在SAR图像地物边界定位上的有效性。 (4)针对SAR图像小样本下特征泛化能力不足的问题，提出了一种基于双尺度孪生跳跃连接网络的SAR图像分类算法。该算法利用孪生网络结构，通过扩充训练样本量和使用对比损失函数来提高特征的泛化能力。在此基础上，构建一个双尺度孪生网络，进一步优化图像同质区域和边界区域的分类性能。实验结果验证了该算法的有效性。
NETL