基于判别性特征学习的极化SAR图像分类

发布时间：2020-10-17 10:10

　　 极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR)可对地面或者空间的目标进行探测,具有全天候、全天时、高精度、高效率等特点,能够发射和接受多种不同组合的极化电磁波,因此所探测到的目标具有非常丰富的极化信息,有利于后续的数据分析工作。图像理解与解译包含很多任务,例如目标识别、变换检测、降噪和图像分类等等。其中极化SAR图像分类是极化SAR图像理解与解译中非常重要的应用之一,也是地物识别的基础。分类的结果可以作为最终结果输出给用户提供重要的目标信息,也可以作为中间结果,为后续目标识别、边缘检测等工作提供有用的图像信息。但是,由于极化SAR图像具有较难得到用于分类的判别性特征、数据规模巨大、有标签的训练样本过少以及相干斑噪声严重等缺点,给分类工作带来了不小的困难。本论文以极化SAR数据为研究对象,针对极化SAR图像分类任务中存在的较难得到适合分类的特征、含噪样本较多且有标签的样本较少等难点以及极化SAR数据的特性,设计了一系列结合判别性特征的新颖、鲁棒、智能的分类器,在本文中的研究成果如下:1.考虑到极化SAR图像较难同时获得光滑的区域和清晰的边缘,设计了一个基于高概率选择和自适应MRF(Markov Random Field,MRF)的分类框架。SVM(Support Vector Machine,SVM)分类器是一个具有判别性的传统分类器,但是该分类器并没有考虑极化SAR图像的空间信息。针对此问题,在所设计的分类框架中利用Wishart距离来增强概率输出SVM分类器的判别性,与此同时,利用自适应窗口的MRF来对图像的同质区域进行平滑操作。经过大量的实验验证,这款分类器可以同时得到更清晰的边缘和更平滑的同质区域,并提高了分类精度。2.针对极化SAR图像有标记样本不足的问题,提出了基于稀疏自编码器(Sparse Autoencoder,SAE)和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类方法。SAE是一个端对端的特征分类器学习框架,学习的过程是受分类指导的,它可以无监督的自动逐层学习到有利于分类的判别性特征,然后用少量的样本进行微调,以此来减少对样本数量的需求。接下来,用边缘保持的MRF来减轻相干斑噪声,并且弥补SAE分类结果的不确定性和模糊性。并且同时提出了一个纠错策略来对MRF分错的像素进行纠正。此分类框架包括两层,第一层由基于像素的稀疏自编码器得到初始的分类结果,并同时为改善边缘处的分类效果提供丰富的信息。第二层的设计基于极化SAR空间信息,用MRF纠正第一层的分类结果。其有效性在不同的极化SAR数据上得到了验证。3.针对两阶段分类器的分类效果在很大程度上依赖于第一阶段的分类结果这一弊端,提出了一个判别式的分类模型。该分类模型在间隔最大化的框架下重新设计了适合极化SAR图像分类的特征函数。该特征函数包括两个部分:散射项和空间项。其中散射项用了经典的SVM算法,此算法可以有效的学习间隔最大化框架的决策边界,并且在训练样本有限的情况下,能够有效提升极化SAR图像的分类准确率。在空间项应用了条件随机场来将上下文信息融合在观测域和标签域中,并用Wishart分布来描述极化SAR图像的统计特性。与两阶段分类器不同的是,本方法不是特别依赖于空间项进行纠正错误,而在分类器学习的过程中利用了空间信息。实验表明,该分类框架对极化SAR图像的分类可以获得较高的分类精度和较清晰的分类图像。4.考虑到极化SAR数据训练样本较少且受相干斑的影响较大,使得分类器的学习性能受到影响。提出一种递归卷积神经网络(Convolutional Neural Network,CNN)模型,将每一次分类结果中具有高置信度的分类结果的样本加入到训练样本中,再对整个模型进行训练,得到一个半监督的极化SAR图像分类模型,该模型脱离了有监督分类对人工标定样本的依赖。此外,该模型是基于判别性特征学习的端对端的分类框架,在CNN进行卷积操作时自动的学习到极化SAR图像的空间纹理特征,并且试图从高置信度的样本中学习到有利于分类的特征。该模型有三点好处:首先通过从每一次迭代分类结果中不断地增加训练样本,从而解决小样本问题;其次每一次迭代过程中去掉了低置信度的样本而减少噪声样本对模型鲁棒性的影响;最后,每一次迭代过程中CNN参数的初始化都用上一次学习的结果,从而参数的设置会越来越鲁棒,使得整个模型不会因为随机初始化而降低性能。
【学位单位】：西安电子科技大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TN957.52
【部分图文】：

TerraSAR-X(DLR)X/L Band Quad图1.2 星载 SAR 系统1.1.2国内SAR系统发展我国在微波遥感和雷达探测方面起步较晚，但是随着大量的学者和研究人员投入到雷达事业的研究中，近年来在很多领域迈进了国际先进的行列。中科院电子所是我国微波成像技术的领头单位，在雷达技术领域取得了很大的成果，是国内星载 SAR、机载 SAR 领域最重要的研发机构之一。近 30 年来，完成了几代合成孔径雷达系统的研发。1979 年，我国第一套机载 SAR 原理样机在中科院电子所研制成功，并于同年获取国内第一幅 SAR 图像。南京航空航天大学与隶属于中国航天工业的 607 研究所于 2000 年共同研发出机载 SAR，命名为 JZ8-SAR[39]。中国电子科技集团公司第 38研究所于 2004 年成功研制出有自主功能的机载拍摄的双极化SAR 系统

电磁波与目标的相互作用

首先对其进行滤波等预处理，然后提取感兴趣的特征进行分类，分类后经过后处理得到相应的分类结果图。图1.4 极化 SAR 图像分类流程极化 SAR 图像分类方法多种多样，根据不同的角度可以将其归为不同的类别。例如从是否利用空间信息的角度，可以将极化 SAR 图像分类方法归为基于像素的分类方法和基于空间信息的分类方法[59-61]。根据是否需要有标签的训练样本进行人工指导，又可分为有监督和无监督的分类方法[62,63]。根据如何利用极化信息，可分为直接利用散射矩阵和散射向量的分类方法、直接利用协方差矩阵和相干矩阵的分类方法以及利用极化目标分解的方法[63-66]。本章根据近年来极化 SAR 图像分类的研究趋向，将极化 SAR 分类任务分为三个类别：基于极化数据统计分布的分类、基于目标分解的分类以及基于机器学习的分类。(1) 基于目标分解的分类方法这种分类方法通过执行目标分解[67]来提取各个类别的特征，然后将得到的特征输入到合适的分类器得到分类结果。通常将极化测量数据分解成不同的成分，之后利用这些不同的成分信息将极化 SAR 数据分成不同的类别。接下来介绍几种较为著名的目标分解的方法。Krogager 等人于 1990 年提出了一种目标分解的方法
【参考文献】

相关期刊论文 前3条

1 彭鹏;朱友志;张平;;POLSAR多视复图像的特征提取和分类方法[J];系统工程与电子技术;2008年08期

2 晏磊;罗立;张雪虎;;真实孔径雷达海洋图像的分形特征分析[J];电波科学学报;2007年04期

3 朱岱寅,朱兆达,谢求成,叶少华,张昆辉;机载SAR斜视区域成像研究[J];电子学报;2002年09期

本文编号：2844641