典型文献
基于时变散射特征与CNN的双极化SAR作物分类
文献摘要：
作物类型分类是极化合成孔径雷达(PolSAR)图像中最重要的应用之一.然而,由于成本和系统限制,越来越多的双极化SAR系统已经投入使用.由于双极化模式的限制,双极化SAR数据集存在严重的贴现特性,使得双极化SAR图像难以获得令人满意的分类精度,因此有必要提取更适合于双极化SAR数据集的散射特征.基于H/α分解的基本理论,引入了一个新的参数来测量农作物的时变散射特性,并针对双极化SAR图像提出了时变散射特征驱动的卷积神经网络(CNN).实验结果表明:提出的CNN分类方法达到了最高的分类精度.与不同的特征组合输入相比,提出的新参数能稳定地提高分类器的分类性能,H、α、θ和强度特征的组合也能达到最佳的分类性能.
文献关键词：
作物分类;极化合成孔径雷达;H/α分解;卷积神经网络;复杂Wishart分类器
中图分类号：
作者姓名：
郭交;白清源;李恒辉
作者机构：
西北农林科技大学 机械与电子工程学院,陕西 杨凌712100;陕西省农业信息感知与智能服务重点实验室,陕西 杨凌712100
文献出处：
引用格式：
[1]郭交;白清源;李恒辉-.基于时变散射特征与CNN的双极化SAR作物分类)[J].上海航天（中英文）,2022(03):77-83
A类：
B类：
双极化,作物分类,作物类型,极化合成孔径雷达,PolSAR,投入使用,极化模式,贴现,难以获得,得令,令人满意,分类精度,散射特性,分类方法,特征组合,分类器,分类性能,强度特征,达到最佳,Wishart
AB值：
0.2739
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
