论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR) 图像的地物分类已成为近些年来的热门研究课题。经过对极化SAR图像分类领域近三十多年来的探索,研究者们提出了许多针对该图像的不同分类方法。尤其随着稀疏表示和神经网络理论的迅速发展,机器学习领域中的分类方法被大量应用到极化SAR图像分类问题的研究中。但是与光学自然图像相对比,极化SAR图像具有一定的特殊性,例如极化SAR图像的统计分布特性与自然光学图像具有很大的差异,因此很多成熟的分类方法应用于极化SAR图像时效果都不理想。近些年,研究者们为了攻克极化SAR图像分类的难题,提出了大量的极化S A R图像分类算法,这些算法既涉及传统的分类方法,也包括了机器学习领域的分类方法。基于上述提到的背景,本论文针对极化SAR图像分类问题做了一系列研究工作,并且取得了一些成果,具体总结如下: 1 .考虑到稀疏表示分类器(Sparse presentation classifier,SRC) 并未被广泛应用到极化SAR图像分类领域,提出了基于判别字典学习(Discriminating KSVD,D K S V D )和非下采样contourlet变 换 (Nonsubsampled Contourlet Transform,NSCT)相结合的极化SAR图像分类方法。该方法在提取极化SAR图像的分类特征时,使用NSCT对极化S A R图像原始特征图组进行变换得到变换域特征图组,提取低频特征图组作为图像的分类特征。NSCT域中的低频系数包含了图像的主要信息,而高频部分的系数则包含有大量的噪声信息,因此NSCT域中的低频系数较其他高频系数更具判别性,也就更加有利于图像分类。使用提取的训练样本的分类特征初始化DKSVD模型,并结合样本类标训练该分类器模型;使用训练好的DKSVD模型完成整幅极化SAR图像的分类任务。 2 .考虑到极化SAR图像特殊的统计分布特点,提出了一个特殊的极化SAR图像分类方法。将Wishart距离度量准则与自编码(Auto-Encoder,A E )网络模型相结合,提出了一个有效针对极化S A R图像分类目的的自编码网络模型,称之为Wishart-自编码(Wishart-AE,W A E )模型。该网络模型充分考虑了极化SAR图像自身特殊的统计分布特点,在度量数据的相似度时采用了更加适合极化SAR图像的Wishart距离,提高了极化SAR图像特征的分类能力。与传统的AE模型相比,WAE模型在极化SAR图像分类实验中获得了更高的分类精度,其有效性在不同的极化SAR图像上得到了验证。 3 .为了更好的利用图像空间信息来提高分类结果,在WAE模型的基础上结合图像空间信息提出了Wishart-卷积自编码(Wishart-CAE,W C A E )模型。WCAE模型的基础是卷积自编码(Convolutional Auto-Encoder,C A E )网络,该网络将二维卷积操作应用到特征提取过程中,在图像分类特征提取的过程中可充分利用邻域像素点信息。WCAE模型是在CAE网络的基础上,充分考虑极化SAR图像特殊的统计分布特点,在CAE网络的训练过程中结合了Wishart距离度量准则。与CAE模型相比较而言,WCAE模型可以获得更高的分类精度。WCAE模型的特征提取过程是无监督的,因此不需要有类标的样本,且其训练过程只需少量的样本即可达到满意的效果,因此极大的节省了网络训练时间。基于上述情况,本论文提出的WCAE模型不仅提升了极化SAR图像的分类效果同时还节省了训练时间。 4.考虑到聚类算法可以自动挖掘数据的类标信息,提出了一种具有类标判别能力的分类模型。在WAE模型的目标函数中引入一种常用的聚类算法,提出了聚类WAE模型。聚类WAE模型在WAE模型目标函数优化求解的过程中,对该网络模型的隐层节点数据进行聚类,通过最小化各样本与其所属聚类中心之间的距离共同完成优化求解网络权值的目的。通过聚类WAE模型训练得到的网络权值可以有效提高极化SAR图像特征的分类能力,最后将分类特征输入到训练好的分类器中完成图像的分类任务。实验表明该方法提高了极化SAR图像的整体分类效果。