一种新的极化SAR图像非监督分类算法研究.docx

一种新的极化SAR图像非监督分类算法研究
随着卫星遥感技术的不断发展，极化合成孔径雷达(PolarimetricSyntheticApertureRadar，PSAR)技术已经成为了获取大规模地表信息的重要手段之一。PSAR数据具有多个极化通道和大量的信息，其适用于不同的应用领域，例如土地使用分类、目标识别和地形三维重建等。因此，如何对PSAR数据进行分类是极具挑战性和实用性的问题。
目前，基于性质相似性和空间连续性考虑，很多的监督、半监督和非监督分类算法被广泛应用于PSAR数据分类。然而，传统的监督、半监督和非监督分类算法在处理大量复杂的PSAR数据时存在以下问题：1）由于较多的属性特征，监督学习算法需要大量标记数据来进行训练，因此，标记成本高昂，不易实现；2）对于半监督学习算法和非监督学习算法，其不可避免的会受到一些干扰因素的影响，如噪声和成像效应等，这样会导致分类准确性低。
为了解决这些问题，本文提出了一种新的基于深度生成对抗网络的非监督PSAR图像分类算法。以下是我们的主要贡献：
1.我们首先对PSAR数据进行预处理，包括：差分干涉合成处理、偏振矩阵分解和Lee滤波法等，以提高PSAR数据质量和去除部分噪声；
2.我们基于深度生成对抗网络(DeepGenerativeAdversarialNetwork，GAN)对PSAR数据进行判别式训练，以获得更好的分类结果；
3.我们采用核密度估计算法来学习PSAR数据的概率分布，并在此基础上，提出了一种新的PSAR数据分类算法。
具体来说，我们的算法采用了自编码器(Auto-Encoder)作为生成器，以学习PSAR数据的特征分布，并利用GAN构建了一个判别器，用于对生成的数据分布进行鉴别。我们根据GAN模型的输出结果对PSAR数据进行自适应数据增强，并将增强后的数据作为输入用于非监督分类模型的训练。最后，我们得到了较高的分类准确性和良好的鲁棒性能。
为验证我们提出的算法的有效性，我们进行了一系列对比实验。实验结果表明，我们的算法在分类准确性和鲁棒性方面具有显著优势，与传统的监督、半监督和非监督分类算法相比，具有更高的分类准确度。同时，我们的算法可以用于多种土地使用分类和目标识别任务，如农田和城市土地使用分类等。
综上所述，本文提出了一种新的基于深度生成对抗网络的非监督PSAR图像分类算法。该算法不仅可以提高分类准确性和鲁棒性，还适用于多种任务。我们相信，这些结果对PSAR图像分类的研究具有一定的理论和实际意义。