基于深度学习的极化合成孔径雷达图像散斑滤波研究
原文中文,约400字,阅读约需1分钟。发表于: 。本研究解决了极化合成孔径雷达图像散斑抑制的复杂问题,由于极化图像的协方差矩阵特性,现有深度学习模型多用于单极化图像。我们提出了一种完整的框架,利用卷积神经网络进行散斑移除,同时保留图像特性,并且通过变换和变化检测策略避免学习到错误特征。实验结果显示,该方法在散斑减少和分辨率保持方面表现优异,且未引入伪影或偏差,适合后续的极化处理与利用。
该研究提出了一种新的复合值卷积神经网络(Complex-valued CNN)用于极化合成孔径雷达图像分类。该方法在整体准确度上有所改善,AIRSAR数据集提高了1.3%和0.8%,ESAR数据集提高了0.5%。对Flevoland数据的分析证明了SDF2Net模型的有效性,即使仅使用1%的采样比例,也达到了96.01%的整体准确度。