关键词:
极化SAR图像分类
超像素
张量
图卷积
摘要:
面向国土资源调查、农业活动规划、城市建设规划等应用需求,基于遥感平台的图像分类技术已成为实现大数据资源调查、农业现代化、城市现代化的主要手段。极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,Pol SAR)作为一种主动成像的微波遥感技术,因其具有全天候、全天时对地观测能力以及在有限高度有一定穿透性等优点,已成功应用于军用和民用领域。然而,与光学传感器相比,极化SAR成像机理更为复杂,图像解译更为困难,在使用极化SAR图像进行分类时,仍然面临着散射机理混淆、相干斑噪声影响、海量数据计算负担大、作物散射特性不确定等一系列问题,制约了极化SAR图像的实际应用。针对这些问题,本文基于散射信息、时间信息和空间信息的精细化描述,提出一系列极化SAR图像分类算法,旨在减少模型训练对标记样本的依赖,增加模型的鲁棒性和泛化性,并提高极化SAR图像分类精度。本文的具体研究内容如下:(1)针对极化SAR散射机理混淆的问题,本文开展了两个可解释极化SAR分类技术的研究。首先,提出了自适应维度极化特征决策树分类算法,将自适应维度特征空间应用于决策树节点,并利用决策树可解释的分类特性,通过分类过程可视化,实现地物散射机理在决策树节点上的精细化描述,挖掘了地物散射机理与极化特征之间的映射关系。其次,提出了基于层次胶囊网络的极化SAR图像分类算法,设计了统一的散射特性精细化描述方式,并利用胶囊网络的可解释特性,挖掘了深度特征与地物散射机理之间的内在联系。最后,通过分类结果证实了提出方法的有效性,通过迁移实验证实了地物散射机理描述的准确性。(2)针对相干斑噪声的影响,以及海量数据计算负担大等问题,提出基于空间信息非局部学习的极化SAR图像分类技术。具体来说,首先,利用超像素代替像素进行分类,不仅计算单元数量大幅降低,且能够利用超像素挖掘精细化的像素空间上下文信息和边缘信息等,减少模型训练对标记样本的依赖,减轻相干斑噪声的干扰;其次,将Wishart距离扩展为超像素间的相似性度量,并构建基于超像素的图表示,建立超像素的空间拓扑结构,捕获超像素的非局部上下文信息;接着,利用图卷积网络实现超像素的非局部学习,通过聚合和转换图节点及其邻居的信息,提取图节点超像素的深层语义信息;最后,针对地物具有多尺度的特性,提出了多尺度超像素融合策略,充分利用大尺度超像素的空间上下文信息和小尺度超像素的边缘信息,在不经过重复训练的情况下,提高了分类模型对地物尺度特性的精细化描述能力。(3)针对具有时变散射机制的作物,提出基于时变信息双要素度量的时序极化SAR图像分类技术。具体来说,首先,提出新的张量形式来精细化地描述作物多维度信息,包括空间维度、极化维度和时间维度;其次,定义了张量的双要素相似性度量,即距离相似性和形态相似性,并基于双要素相似性度量,构建基于张量的图表示,建立节点张量的非局部空间拓扑结构;最后,再次利用图卷积网络实现张量的非局部学习,进而实现时序极化SAR图像的精细化分类。研究内容一提出了两个可解释的极化SAR图像分类算法,旨在实现极化SAR散射信息的精细化描述和验证,为后续地物分类提供特征依据;研究内容二提出了基于空间信息非局部学习的极化SAR图像分类算法,挖掘了像素空间上下文信息以及超像素的空间拓扑结构信息,并在空间信息精细化描述的基础上利用图卷积实现了非局部学习,打破了局部学习的局限性,解决了逐像素分类算法的问题,为后续实现极化SAR图像分类提供了新思路;研究内容三在研究内容一、二研究成果的基础上,引入时间维度变化信息,进一步扩宽了精细化描述的维度,定义了时变信息双要素相似性度量,结合研究内容二的分类算法实现时序极化SAR图像分类。