湯浩+何楚

摘 要：傳統合成孔徑雷達（SAR）圖像基于粗分割像素塊提取相關特征，后接支持向量機（SVM）和馬爾可夫隨機場（MRF）或條件隨機場（CRF）進行分類，該方法存在同一像素塊內部不同類別像素的誤差，而且只考慮鄰近區(qū)域未充分用到全局信息和結構信息。故考慮基于像素點引入全卷積網絡（FCN），以ESAR衛(wèi)星圖像為樣本，基于像素點級別構建卷積網絡進行訓練，得到各像素的初始類別分類概率。為了考慮全局像素類別的影響后接CRF-循環(huán)神經網絡（CRF-RNN），利用FCN得到的初始概率，結合CRF結構得到全局像素類別轉移結果，之后進行RNN的迭代進一步優(yōu)化實驗結果。由于基于像素點和考慮了全局信息與結構信息，克服了傳統分類的部分缺點，使正確率較傳統SVM或CRF方法平均提高了約6.5個百分點。由于CRF-RNN的距離權重是用高斯核人為擬合的，不能隨實際訓練樣本來改變和確定，故存在一定誤差，針對該問題提出可訓練的全圖距離權重卷積網絡來改進CRF-RNN，最終實驗結果表明改進后方法的正確率較未改進的CRF-RNN又提高了1.04個百分點。

關鍵詞：全卷積網絡；條件隨機場循環(huán)神經網絡；全局信息；全圖距離權重

中圖分類號： TN957.52

文獻標志碼：A

文章編號：1001-9081（2016）12-3436-06