基于深度空间特征学习的极化SAR图像分类

发布时间：2020-09-29 09:17

　　极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR)是一种多通道、多参数的微波式主动雷达成像系统,可探测隐藏目标,观测到地表的真实形态,具有全天时、全天候的优点。由于极化SAR具有多极化特性,可以提供更为丰富的信息,所以被广泛应用于军事和民用领域,如灾害救援、植被检测、精细农业和地质研究等。极化SAR图像分类作为极化SAR图像理解与解译的关键技术之一,是当前遥感领域的一个研究热点,分类结果可为后续如目标识别检测等工作提供有用的信息。然而由于极化SAR图像数据较难获得具有判别性的特征,在成像过程中不可避免地受到相干斑噪声的影响,并且人工标记的样本少,这些特点为极化SAR图像分类增加了难度。本文结合深度学习和极化SAR图像特性,针对极化SAR图像分类任务中存在的难以提取判别性强的特征、难以克服相干斑噪声的影响和有标记样本少等难点展开研究,提出了一系列鲁棒,准确的分类方法。论文的研究成果如下:1.因为极化SAR图像中独立像素的散射测量受到相干斑噪声的影响,所以基于像素的分类方法难以得到理想的分类效果。由于图像中相邻像素之间的空间相关性对克服相干斑噪声有很大帮助,因此提出了利用栈式稀疏自编码器(Stacked Sparse Autoencoder,SSAE)和极化SAR图像局部空间信息的图像分类方法。该方法从特征学习的角度出发,通过无监督的方式逐层地自动地学习到有用的特征。首先利用高阶邻域窗口提取极化SAR图像的邻域区域。为了保持邻域区域的空间关系,一种基于邻域像素到中心像素空间Wishart距离的权重计算方法被提出,然后将邻域区域中的像素乘以其相应的权重值。最后将邻域区域作为SSAE的输入值,SSAE通过学习的方式得到该邻域中心像素的深度空间特征并完成分类。实验结果证明,该方法得到的特征具有很强的鲁棒性,能够有效的抑制相干斑噪声对分类结果的影响,从而提高分类的准确性并获得更好的区域一致性。2.由于大多数利用深度学习的极化SAR图像分类方法都是基于单尺度的,而在图像场景中往往存在具有不同尺度的地物目标,因此考虑到极化SAR图像具有多尺度特性,提出了利用深度学习技术提取极化SAR图像的多尺度深度空间特征的方法。该方法建立了由SSAE、平均池化和softmax分类器混合组成的分类框架。首先,在不同尺度下端对端地训练SSAE,从而提取出各个尺度下的特征。然后利用级联的方式将这些特征组合起来。为了提高分类效率减少计算量,提出了一维平均池化策略对特征进行降维处理。最后为了实现分类任务,将获得的多尺度深度空间特征输入到softmax分类器中获取最终的分类结果。由于获取的多尺度特征同时具有大尺度特征和小尺度特征的特点,实验证明它不仅可以提高匀质区域一致性也可以对图像细节准确分类。3.针对第二章中的方法存在的缺点,即在获得很好的匀质区域一致性的同时存在细节损失的问题,结合极化SAR图像中丰富的结构信息提出了一个分类框架。该框架首先利用一个简洁的结构表示方法—极化素描图,将复杂的极化SAR图像划分为匀质区域和细节区域。然后分别对于匀质区域和细节区域用特定的方法来分类,从而保持了每种区域的特点。结合单个像素特性和空间上下文关系的条件随机场被用来进行细节区域的分类,从而在保持细节分类准确性的同时抑制相干斑噪声。针对匀质区域提出了一个分层的深度学习框架进行特征提取和分类。首先,一个使用Gabor小波变换作为核函数的卷积层被用来提取多尺度多方向的初级特征,然后SSAE被用来进一步学习得到更加抽象的深度特征并对匀质区域进行分类。最后,把细节区域的分类结果和匀质区域的分类结果进行融合,得到最终的分类结果。实验结果表明,该方法可以提升分类正确率,在获得更好的区域一致性的同时保持图像细节。4.针对极化SAR图像存在的有标记样本少的特点,提出了基于半监督深度集成学习的极化SAR图像分类方法,并提出一种样本选择策略,能够在每次迭代中选择可靠性高的样本。该方法首先利用极少量的训练样本分别训练每个分类器,并对无标记样本进行预测,然后选取预测概率大的无标记样本,并在其中寻找各个分类器标记一致的那些样本作为新的训练样本加入训练样本集,利用新的训练样本集重新训练分类器。反复迭代上面的步骤直到满足停止条件。这种策略选取置信度高的样本并舍弃那些预测标记不一致的样本,从而减少被错误预测的无标记样本对分类性能产生的不良影响。卷积神经网络(Convolutional Neural Network,CNN)以及SSAE作为经典的深度学习算法被选做基分类器。它们分别是基于空间的分类方法和基于像素的分类方法,因此具有互补的作用。实验结果表明该方法可以在仅有极少量有标记训练样本的情况下达到令人满意的分类精度。
【学位单位】：西安电子科技大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP18;TN957.52
【部分图文】：

极化图,极化SAR,旧金山,图像

(a) HH 极化 (b) HV 极化 (c) VV 极化图 1.1 旧金山地区极化 SAR 图像用雷达极化回波表示飞机的目标特性，Sinclair、Huynen 和 Kennaugh 等人为极化 SAR 成像的发展做出了很大贡献。此后，Ulaby 和 Fung 证明了极化信息在地物目标参数估计上的价值。Valenzuela 和 Plant 等人发现了极化 SAR 对海洋波浪和洋流遥感观测价值。Boerner[21]提出了包含极化比在内的多种极化表述方式。近年来，极化 SAR 成像系统不断地被发展和完善，大量的极化 SAR 成像系统被研发并投入使用，其中主要基于机载和星载平台。由于各种不同的极化 SAR 成像系统具有不同的数据类型和等级，极化 SAR 图像处理技术的发展也得益于各种成像系统的发展。1985 年美国航空航天局 (National Aeronautics and Space Administration,NASA) 的自喷气推进实验室 (Jet Propulsion Laboratory, JPL) 装配成功了第一部经典的机载极化 SAR 成像系统 (Airbone SAR, AIRSAR)，并将它搭载于 CV-990型飞机上。该雷达成像系统只工作在 L 波段 (1.225GHz)[22-24]。 1985 年 6 月 17

过程图,特征提取,过程

在该特征空间上，图像中的每个像素更具有可分性。如图1.5 所示，特征提取是通过某种变换操作 P ，将原始特征从输入域 X 映射到特征域Y 。在特征域中，同种类别样本的特征值更相似，其表现是在距离上同种类样本之间距离更近，不同种类样本之间距离更远。这样增加了样本的判别性，提高分类器的分类性能。目前常用的极化 SAR 特征包括[117]：常规极化参数 (同极化比、交叉极化比、同极化相关系数、交叉极化相关系数、雷达植被指数等），极化相干矩阵或者协方差矩阵，基于各种目标分解得到的参数，图像纹理参数等等。然而，这些特征都是针对某种特性问题人工提取的特征，提取过程费时费力并且缺乏泛化能力。如前所述，为了充分挖掘极化 SAR 图像的信息，结合极化 SAR 图像对目标结构敏感这一特点，本文针对极化 SAR 图像特征提取的研究从深度学习和空域相关性两个方法进行展开，提出了利用深度学习方法对极化 SAR 图像进行特征学习

网络结构图,自编码,网络结构

图 1.7 稀疏自编码器的网络结构文的研究内容和章节安排文从近几年在机器学习领域受到广泛关注的深度学习算法入手，旨AR 图像分类中的三大难题：特征提取和选择问题、如何克服相干和人工标记样本少。在研究的初始阶段，利用深度学习技术结合图自动地提取极化 SAR 图像的深度空间特征。这种特征对抑制相干、提高分类精度有着非常不错的效果。然而这种方法存在的缺点在即当邻域窗口尺度较大时，匀质区域一致性好，但细节区域存在失了改善这个缺点，设计了一种基于多尺度的特征提取方法，旨在利像中存在的多尺度信息，从而在提高区域一致性的同时保持图像确性。此外，另一种针对改善上述缺点的方法也被提出。该方法像的结构信息，分别对细节匀质区域和匀质区域采取特定的分类

【相似文献】