基于多层神经网络的中分辨SAR图像时间序列建筑区域提取

杜康宁 邓云凯 王宇 李宁

杜康宁, 邓云凯, 王宇, 李宁. 基于多层神经网络的中分辨SAR图像时间序列建筑区域提取[J]. 雷达学报, 2016, 5(4): 410-418. doi: 10.12000/JR16060
引用本文: 杜康宁, 邓云凯, 王宇, 李宁. 基于多层神经网络的中分辨SAR图像时间序列建筑区域提取[J]. 雷达学报, 2016, 5(4): 410-418. doi: 10.12000/JR16060
Du Kangning, Deng Yunkai, Wang Yu, Li Ning. Medium Resolution SAR Image Time-series Built-up Area Extraction Based on Multilayer Neural Network[J]. Journal of Radars, 2016, 5(4): 410-418. doi: 10.12000/JR16060
Citation: Du Kangning, Deng Yunkai, Wang Yu, Li Ning. Medium Resolution SAR Image Time-series Built-up Area Extraction Based on Multilayer Neural Network[J]. Journal of Radars, 2016, 5(4): 410-418. doi: 10.12000/JR16060

基于多层神经网络的中分辨SAR图像时间序列建筑区域提取

doi: 10.12000/JR16060
基金项目: 

国家自然科学基金(61301025), 中国科学院百人计划

详细信息
    作者简介:

    杜康宁(1988-),男,博士研究生,合成孔径雷达图像信息提取。E-mail:dukangning11@mails.ucas.ac.cn;邓云凯(1962-),男,研究员,博士生导师,研究方向为星载SAR系统设计、成像及微波遥感理论。E-mail:ykdeng@mail.ie.ac.cn;王宇(1979-),男,研究员,博士生导师,研究方向为星载SAR系统设计及信号处理。E-mail:yuwang@mail.ie.ac.cn;李宁(1987-),男,安徽天长人,毕业于中国科学院电子学研究所,获得博士学位,现为中国科学院电子学研究所助理研究员,研究方向为多模式合成孔径雷达成像及其应用技术。E-mail:lining_nuaa@163.com

    通讯作者:

    李宁lining_nuaa@163.com

Medium Resolution SAR Image Time-series Built-up Area Extraction Based on Multilayer Neural Network

Funds: 

The National Natural Science Foundation of China (61301025), Hundred-Talent Program of the Chinese Academy of Sciences

  • 摘要: 为提高合成孔径雷达(Synthetic Aperture Radar, SAR)图像时间序列建筑区域提取的准确率和稳定性, 该文结合时间序列图像的特点, 提出了一种基于多层神经网络的建筑提取方法。该方法使用单幅SAR图像进行样本的粗略标记, 并从经过直方图规定化处理后的时间序列图像中获得大量样本。通过单幅SAR图像生成的少量样本确定网络的深度, 并从时间序列生成的样本中筛选出具有更高质量的样本作为最终模型的训练样本。利用数量大且质量高的训练样本学习得到模型参数。使用包含38幅25 m分辨率ENVISAT ASAR图像的数据集进行两组对比实验, 实验结果中该文方法的最低准确率和最低Kappa系数分别90.2%和0.725, 均高于其它3种传统方法, 算法的稳定性以及准确率都有显著提高。此外, 该方法还具有人工操作少、推广性强、训练高效等优点。
  • [1] 王璐, 张帆, 李伟, 等. 基于Gabor滤波器和局部纹理特征提取的SAR目标识别算法[J]. 雷达学报, 2015, 4(6): 658-665. Wang Lu, Zhang Fan, Li Wei, et al.. A method of SAR target recognition based on Gabor filter and local texture feature extraction[J]. Journal of Radars, 2015, 4(6): 658-665.
    [2] 孙志军, 薛磊, 许阳明, 等. 基于多层编码器的SAR目标及阴影联合特征提取算法[J]. 雷达学报, 2013, 2(2): 195-202. Sun Zhi-jun, Xue Lei, Xu Yang-ming, et al.. Shared representation of SAR target and shadow based on multilayer auto-encoder[J]. Journal of Radars, 2013, 2(2): 195-202.
    [3] Gamba P, Aldrighi M, and Stasolla M. Robust extraction of urban area extents in HR and VHR SAR images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(1): 27-34.
    [4] Hussain M, Chen D, Cheng A, et al.. Change detection from remotely sensed images: from pixel-based to object-based approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80: 91-106.
    [5] Voisin A, Krylov V A, Moser G, et al.. Classification of very high resolution SAR images of urban areas using copulas and texture in a hierarchical Markov random field model[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(1): 96-100.
    [6] 韩萍, 王欢. 基于改进的稀疏保持投影的SAR目标特征提取与识别[J]. 雷达学报, 2015, 4(6): 674-680. Han Ping and Wang Huan. Synthetic aperture radar target feature extraction and recognition based on improved sparsity preserving projections[J]. Journal of Radars, 2015, 4(6): 674-680.
    [7] Uslu E and Albayrak S. Curvelet-based synthetic aperture radar image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(6): 1071-1075.
    [8] Geng J, Fan J, Wang H, et al.. High-resolution SAR image classification via deep convolutional autoencoders[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(11): 2351-2355.
    [9] Hinton G E, Osindero S, and Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.
    [10] Mnih V and Hinton G E. Learning to detect roads in high-resolution aerial images[C]. Computer Vision-ECCV 2010, Springer Berlin Heidelberg, 2010: 210-223.
    [11] Lv Q, Dou Y, Niu X, et al.. Classification of land cover based on deep belief networks using polarimetric RADARSAT-2 data[C]. 2014 IEEE Geoscience and Remote Sensing Symposium (IGARSS), Quebec City, Canada, 2014: 4679-4682.
    [12] Gong M, Zhao J, Liu J, et al.. Change detection in synthetic aperture radar images based on deep neural networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(1): 125-138.
    [13] Rossetti G, Prati C, and Rucci A. Monitoring the urban environment with multitemporal SAR data[C]. 2015 IEEE Radar Conference (RadarCon),Arlington, VA, USA, 2015: 0622-0627.
    [14] Gonzalez R C, Woods R E著, 阮秋琦, 阮宇智, 译. 数字图像处理[M]. 第2版, 北京: 电子工业出版社, 2010: 74-79. Gonzalez R C, Woods R E, Ruan Qiuqi and Ruan Yuzhi. Digital Image Processing[M]. Beijing:Publishing House of Electronics Industry, 2010: 74-79.
    [15] Ioffe S and Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift[OL]. arXiv: 1502.03167, 2015.
    [16] Glorot X, Bordes A, and Bengio Y. Deep sparse rectifier neural networks[C]. International Conference on Artificial Intelligence and Statistics, La Palma, Spain, 2011: 315-323.
    [17] Srivastava N, Hinton G, Krizhevsky A, et al.. Dropout: a simple way to prevent neural networks from overfitting[J]. The Journal of Machine Learning Research, 2014, 15(1): 1929-1958.
    [18] Kingma D and Ba J. Adam: a method for stochastic optimization[OL]. arXiv: 1412.6980, 2014.
  • [1] 王志豪, 李刚, 蒋骁.  基于光学和SAR遥感图像融合的洪灾区域检测方法 . 雷达学报, 2020, 9(3): 539-553. doi: 10.12000/JR19095
    [2] 马琳, 潘宗序, 黄钟泠, 韩冰, 胡玉新, 周晓, 雷斌.  基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别 . 雷达学报, 2020, 9(): 1-14. doi: 10.12000/JR20106
    [3] 戴牧宸, 冷祥光, 熊博莅, 计科峰.  基于改进双边网络的SAR图像海陆分割方法 . 雷达学报, 2020, 9(5): 886-897. doi: 10.12000/JR20089
    [4] 李萌, 刘畅.  基于特征复用的膨胀-残差网络的SAR图像超分辨重建 . 雷达学报, 2020, 9(2): 363-372. doi: 10.12000/JR19110
    [5] 李晓峰, 张彪, 杨晓峰.  星载合成孔径雷达遥感海洋风场波浪场 . 雷达学报, 2020, 9(3): 425-443. doi: 10.12000/JR20079
    [6] 卫扬铠, 曾涛, 陈新亮, 丁泽刚, 范宇杰, 温育涵.  典型线面目标合成孔径雷达参数化成像 . 雷达学报, 2020, 9(1): 143-153. doi: 10.12000/JR19077
    [7] 李永祯, 黄大通, 邢世其, 王雪松.  合成孔径雷达干扰技术研究综述 . 雷达学报, 2020, 9(5): 753-764. doi: 10.12000/JR20087
    [8] 黄岩, 赵博, 陶明亮, 陈展野, 洪伟.  合成孔径雷达抗干扰技术综述 . 雷达学报, 2020, 9(1): 86-106. doi: 10.12000/JR19113
    [9] 王岩飞, 李和平, 韩松.  雷达脉冲编码理论方法及应用 . 雷达学报, 2019, 8(1): 1-16. doi: 10.12000/JR19023
    [10] 邢孟道, 林浩, 陈溅来, 孙光才, 严棒棒.  多平台合成孔径雷达成像算法综述 . 雷达学报, 2019, 8(6): 732-757. doi: 10.12000/JR19102
    [11] 洪文.  基于混合极化架构的极化SAR:原理与应用(英文) . 雷达学报, 2016, 5(6): 559-595. doi: 10.12000/JR16074
    [12] 赵团, 邓云凯, 王宇, 李宁, 王翔宇.  基于扇贝效应校正的改进滑动Mosaic全孔径成像算法 . 雷达学报, 2016, 5(5): 548-557. doi: 10.12000/JR16014
    [13] 任笑真, 杨汝良.  一种基于幅度和相位迭代重建的四维合成孔径雷达成像方法 . 雷达学报, 2016, 5(1): 65-71. doi: 10.12000/JR15135
    [14] 田壮壮, 占荣辉, 胡杰民, 张军.  基于卷积神经网络的SAR图像目标识别研究 . 雷达学报, 2016, 5(3): 320-325. doi: 10.12000/JR16037
    [15] 韩萍, 王欢.  基于改进的稀疏保持投影的SAR目标特征提取与识别 . 雷达学报, 2015, 4(6): 674-680. doi: 10.12000/JR15068
    [16] 金添.  叶簇穿透合成孔径雷达增强成像方法 . 雷达学报, 2015, 4(5): 503-508. doi: 10.12000/JR15114
    [17] 王小青, 孙海清, 种劲松.  从SAR 子孔径序列图像中提取海洋动态特征的改进相位相关法(英文) . 雷达学报, 2013, 2(1): 30-38. doi: 10.3724/SP.J.1300.2013.13016
    [18] 张峰会, 王岩飞.  一种消除调频连续波SAR距离频谱混叠的FS算法 . 雷达学报, 2012, 1(1): 76-81. doi: 10.3724/SP.J.1300.2012.10066
    [19] 程江华, 高贵, 库锡树, 孙即祥.  高分辨率SAR 图像道路交叉口检测与识别新方法 . 雷达学报, 2012, 1(1): 100-108. doi: 10.3724/SP.J.1300.2012.20024
    [20] 张问一, 胡东辉, 丁赤飚.  基于FABEMD 和Goldstein 滤波器的SAR 舰船尾迹图像增强方法 . 雷达学报, 2012, 1(4): 426-435. doi: 10.3724/SP.J.1300.2012.20059
  • 加载中
计量
  • 文章访问数:  1378
  • HTML全文浏览量:  321
  • PDF下载量:  793
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-03-19
  • 修回日期:  2016-06-12
  • 刊出日期:  2016-08-28

基于多层神经网络的中分辨SAR图像时间序列建筑区域提取

doi: 10.12000/JR16060
    基金项目:

    国家自然科学基金(61301025), 中国科学院百人计划

    作者简介:

    杜康宁(1988-),男,博士研究生,合成孔径雷达图像信息提取。E-mail:dukangning11@mails.ucas.ac.cn;邓云凯(1962-),男,研究员,博士生导师,研究方向为星载SAR系统设计、成像及微波遥感理论。E-mail:ykdeng@mail.ie.ac.cn;王宇(1979-),男,研究员,博士生导师,研究方向为星载SAR系统设计及信号处理。E-mail:yuwang@mail.ie.ac.cn;李宁(1987-),男,安徽天长人,毕业于中国科学院电子学研究所,获得博士学位,现为中国科学院电子学研究所助理研究员,研究方向为多模式合成孔径雷达成像及其应用技术。E-mail:lining_nuaa@163.com

    通讯作者: 李宁lining_nuaa@163.com

摘要: 为提高合成孔径雷达(Synthetic Aperture Radar, SAR)图像时间序列建筑区域提取的准确率和稳定性, 该文结合时间序列图像的特点, 提出了一种基于多层神经网络的建筑提取方法。该方法使用单幅SAR图像进行样本的粗略标记, 并从经过直方图规定化处理后的时间序列图像中获得大量样本。通过单幅SAR图像生成的少量样本确定网络的深度, 并从时间序列生成的样本中筛选出具有更高质量的样本作为最终模型的训练样本。利用数量大且质量高的训练样本学习得到模型参数。使用包含38幅25 m分辨率ENVISAT ASAR图像的数据集进行两组对比实验, 实验结果中该文方法的最低准确率和最低Kappa系数分别90.2%和0.725, 均高于其它3种传统方法, 算法的稳定性以及准确率都有显著提高。此外, 该方法还具有人工操作少、推广性强、训练高效等优点。

English Abstract

杜康宁, 邓云凯, 王宇, 李宁. 基于多层神经网络的中分辨SAR图像时间序列建筑区域提取[J]. 雷达学报, 2016, 5(4): 410-418. doi: 10.12000/JR16060
引用本文: 杜康宁, 邓云凯, 王宇, 李宁. 基于多层神经网络的中分辨SAR图像时间序列建筑区域提取[J]. 雷达学报, 2016, 5(4): 410-418. doi: 10.12000/JR16060
Du Kangning, Deng Yunkai, Wang Yu, Li Ning. Medium Resolution SAR Image Time-series Built-up Area Extraction Based on Multilayer Neural Network[J]. Journal of Radars, 2016, 5(4): 410-418. doi: 10.12000/JR16060
Citation: Du Kangning, Deng Yunkai, Wang Yu, Li Ning. Medium Resolution SAR Image Time-series Built-up Area Extraction Based on Multilayer Neural Network[J]. Journal of Radars, 2016, 5(4): 410-418. doi: 10.12000/JR16060
参考文献 (18)

目录

    /

    返回文章
    返回