利用多尺度特征的极化SAR深度学习分类

针对极化合成孔径雷达(POLSAR)图像提取到的特征信息量低和噪声干扰等问题,提出了一种对不同特征信息进行多尺度融合的方法,并利用融合后的特征,通过深度学习网络算法进行目标地物分类。首先利用小波变换技术对Freeman、Yamaguchi等极化分解得到的特征分量在不同尺度上进行融合,再利用主成分分析(PCA)降维算法处理融合后的数据,最后输入到DeepLabV3网络结构中训练。利用该方法对白湖农场地区高分三号全极化SAR数据进行验证,对比融合前后的分类结果,提出的算法在分类精度上有明显的提升,证明了该方法的有效性。