研究目的
利用深度神经网络从单极化(single-pol)SAR图像重建全极化(full-pol)SAR数据,以平衡信息丰富度、系统复杂度和分辨率之间的权衡。
研究成果
所提出的深度神经网络方法能有效从单极化图像重建全极化SAR数据,在定性与定量分析中均与真实数据高度吻合。该方法无需先验假设即可实现传统PolSAR应用,展现出良好鲁棒性及向其他非全极化数据扩展的潜力。
研究不足
该方法在低强度区域以及对船只等罕见散射体上可能存在误差,原因是训练样本不足。若要推广至完全不同的地形,可能需要额外的训练数据。
1:实验设计与方法选择:
该方法采用两阶段深度神经网络框架。基于卷积神经网络(CNN)的特征提取网络从灰度单极化SAR图像中提取多尺度空间特征,特征转换网络将这些空间特征映射为标准化极化特征以重建全极化数据。
2:样本选择与数据来源:
使用NASA/JPL UAVSAR获取的美国圣地亚哥(SD)和新奥尔良(NO)两幅L波段全极化SAR图像。训练数据来自SD,测试数据来自NO以评估泛化能力。
3:实验设备与材料清单:
UAVSAR的SAR图像,深度学习计算资源。
4:实验流程与操作步骤:
对VV极化强度图像进行对数变换和归一化预处理。使用预训练的VGG16网络提取特征,插值特征形成超列描述符,并通过全连接网络实现转换。训练并测试网络。
5:数据分析方法:
采用平均绝对误差(MAE)和Bartlett距离进行定量评估,通过视觉对比及Freeman分解、无监督分类等应用进行定性分析。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容