典型文献
综合多特征的极化SAR图像建筑物U-Net分类方法
文献摘要：
针对合成孔径雷达(SAR)图像不同类型建筑物的区分问题,该文提出了一种基于U-Net的极化SAR图像建筑物分类方法.该方法将极化SAR数据的Pauli分解参数、规范化圆极化相关系数和G0统计纹理参数作为U-Net的输入,建立建筑物分类U-Net模型,同时考虑建筑物的高度和单体面积的情况下,将建筑物分为高层、中层、低层小面积、低层厂房类大面积建筑物4类.对武汉市城区GF-3极化SAR数据的各类建筑物分类精度均在80％以上,最高达94.2％.该方法与仅使用单类别特征的U-Net网络方法以及卷积神经网络方法相比,分类结果更完整、建筑边界更准确,也更适合于复杂中心城区的不同类型建筑物的分类.
文献关键词：
极化SAR;U-Net网络;分类;建筑物;深度学习
中图分类号：
作者姓名：
李梅;沈麒凯;陈启浩;刘修国
作者机构：
中国地质大学(武汉)地理与信息工程学院,武汉 430070
文献出处：
引用格式：
[1]李梅;沈麒凯;陈启浩;刘修国-.综合多特征的极化SAR图像建筑物U-Net分类方法)[J].测绘科学,2022(09):146-153,162
A类：
B类：
多特征,SAR,Net,分类方法,合成孔径雷达,Pauli,化圆,圆极化,G0,纹理参数,体面,中层,低层,小面积,厂房,武汉市,GF,分类精度,类别特征,神经网络方法,中心城区
AB值：
0.32602
相似文献
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。
