使用多流复值全卷积网络对极化 SAR 数据进行去斑
图像与视频处理
2022-02-16 v1
摘要
极化合成孔径雷达（PolSAR）传感器能够在不同极化状态下采集图像，这使其成为目标特征提取的丰富信息源。PolSAR 图像固有地受到散斑噪声影响。因此，在从数据中提取专用产品之前，需要通过抑制散斑来估计极化协方差矩阵。近年来，基于深度学习的去斑方法已开始从单通道 SAR 图像发展到 PolSAR 图像。为此，基于深度学习的方法将复值协方差矩阵的实部和虚部分离，并作为标准卷积神经网络中的独立通道使用。然而，这种方法忽略了实部与虚部之间存在的数学关系，导致输出次优。在此，我们提出一种多流复值全卷积网络来抑制散斑并有效估计 PolSAR 协方差矩阵。为评估 CV-deSpeckNet 的性能，我们使用 Sentinel-1 双极化 SAR 图像与其将复协方差矩阵实虚部分离的实值对应网络进行比较。CV-deSpeckNet 还与最先进的 PolSAR 去斑方法进行了比较。结果表明，CV-deSpeckNet 能够以更少的样本训练，具有更高的泛化能力，并且比其实值对应网络及最先进的 PolSAR 去斑方法精度更高。这些结果展示了复值深度学习在 PolSAR 去斑中的潜力。
引用
@article{arxiv.2103.07394,
title = {Despeckling Polarimetric SAR Data Using a Multi-Stream Complex-Valued Fully Convolutional Network},
author = {Adugna G. Mullissa and Claudio Persello and Johannes Reiche},
journal= {arXiv preprint arXiv:2103.07394},
year = {2022}
}