遥感图像分类是地理信息系统(geographic information system,GIS)的关键技术,对城市规划与管理起到十分重要的作用.近年来,深度学习成为机器学习领域的一个新兴研究方向.深度学习采用模拟人脑多层结构的方式,对数据从低层到高层渐进地...遥感图像分类是地理信息系统(geographic information system,GIS)的关键技术,对城市规划与管理起到十分重要的作用.近年来,深度学习成为机器学习领域的一个新兴研究方向.深度学习采用模拟人脑多层结构的方式,对数据从低层到高层渐进地进行特征提取,从而发掘数据在时间与空间上的规律,进而提高分类的准确性.深度信念网络(deep belief network,DBN)是一种得到广泛研究与应用的深度学习模型,它结合了无监督学习和有监督学习的优点,对高维数据具有较好的分类能力.提出一种基于DBN模型的遥感图像分类方法,并利用RADARSAT-2卫星6d的极化合成孔径雷达(synthetic aperture radar,SAR)图像进行了验证.实验表明,与支持向量机(SVM)及传统的神经网络(NN)方法相比,基于DBN模型的方法可以取得更好的分类效果.展开更多
文摘属性散射中心是合成孔径雷达(Synthetic Aperture Radar,SAR)图像的一个重要特征。该文提出了一种属性散射中心匹配方法并将其运用于SAR目标识别中。该方法首先基于属性散射中心模型提取待识别SAR图像和模板SAR图像的属性散射中心,进而采用Hungarian算法实现散射中心的匹配。在建立的匹配关系的基础上,设计了一种稳健的散射中心匹配度度量方法计算待识别散射中心与各类模板散射中心的匹配度。该匹配度准则充分考虑了单个散射中心强弱、匹配对强弱以及漏警、虚警带来的影响,对于散射中心集的匹配度的评价更为全面。基于Moving and Stationary Target Acquisition and Recognition(MSTAR)数据集的实验验证了方法的有效性。
文摘“合成孔径雷达干涉 (In SAR)”是近十年发展起来的空间对地观测遥感新技术。它具有从覆盖同一地区的星载 (或机载 )合成孔径雷达复数图像对提取干涉相位图 ,借助于雷达成像时的姿态数据重建地表三维模型 (即数字高程模型 )的巨大潜力。尤其是基于多幅雷达复数图像处理的差分干涉技术 (D- In SAR)可以用于监测地表形变 ,精度可达厘米级甚至更高 ,其监测空间分辨率是前所未有的。介绍了 In SAR和 D- In SAR的基本原理 ,对影响干涉结果的一些重要因素做了分析 ,重点回顾和展望了差分干涉技术在与地表形变有关的地震监测和震后形变测量、地面下沉和山体滑坡、火山运动监测等方面应用的现状和前景。
