关键词:
卫星遥感
张量理论
目标识别
特征张量融合
特征张量迁移
异质支持张量机
摘要:
目标识别是遥感解译的研究热点。考虑遥感卫星对地观测的实际情况,一方面,某些类型目标,特别是军事目标,可能仅有少量样本;另一方面,由于不同卫星有着不同轨道与重访周期,可获得的观测同一区域的目标数据为不同分辨率、角度卫星的异质数据的任意组合。面对该情况,广泛使用的基于深度学习的目标识别方法依赖于大量样本,且其处理流程不适于多星数据的异质结构,更无法适应不同卫星组合的输入。对于基于机器学习的目标识别方法,其普遍遵循目标检测、特征提取以及型号识别的流程,具有小样本的性能优势,特别是近年来受到遥感领域广泛关注的基于张量模式的机器学习算法,天生适于处理具有多路结构的遥感数据。然而,现有的基于张量模式的机器学习算法仅能处理同质、固定分辨率与角度的卫星输入的遥感数据,难以适应异质、不同分辨率与角度的卫星组合的遥感数据以支撑多星遥感目标识别应用。为此,本文从张量理论出发,充分发挥张量在多星异质遥感数据度量、表征与处理方面的优势,深入挖掘多星异质数据的内在结构与属性信息,将传统基于向量与同质张量的目标识别框架拓展为基于张量模式的目标检测,特征张量处理、以及型号识别一体化的多星遥感目标识别框架,有效适应小样本与不同卫星异质数据组合输入的实际情况。本文的主要工作如下:对于目标检测阶段,针对典型检测方法依赖样本量大且易受影响于目标旋转尺度变化的问题,提出张量广义霍夫变换方法有效检测不同方向与尺度的目标,其利用基于张量的参考表取代传统离散表格函数捕获目标在不同朝向、尺度的轮廓特性,并结合基于解析张量的投票机制与提出的多阶二叉搜索树方法,减小轮廓提取过程的空间复杂度,再通过将目标检测问题转化为解析优化以衍生两类虚警移除策略,进而改善检测结果精度。对于特征处理阶段,首先根据检测的切片构建多属性特征张量。针对单星数据,为了扩容特定分辨率与角度的单星样本,提出基于耦合异质Tucker分解的异质特征张量迁移方法,借助耦合的核心张量驱动多模投影搜索不同分辨率、角度异质特征张量的潜在域适应表示,突破经典基于向量与同质张量的特征迁移算法无法适应多星异质数据复杂结构的限制,实现样本跨星复用。针对多星数据,为了整合多星异质数据的互补信息以强化后续识别结果,提出基于图与分类器嵌入的异质特征张量融合方法,利用自更新图嵌入机制与分类器导向特征判别项在融合过程挖掘多星异质数据隐含的局部关系并增大基于异质支持张量机的分类间隔,输出融合的特征张量用于后续型号识别。对于目标型号识别阶段,针对典型分类器仅能处理同质、固定卫星数据而无法支持异质、不同卫星组合数据输入的问题,本研究提出自适应异质支持张量机,利用不同卫星组合异质数据联合学习多异质张量空间的共享分类超平面,在单模型条件有效识别不同卫星组合描述的目标。另一方面,针对典型支持张量机仅能处理二分类、固定尺寸切片的目标而难以处理多类、多尺寸目标的问题,提出多分类-多尺度支持张量机以突破现有分类器要求输入切片大小一致的限制,利用多尺度投影张量将多尺寸目标映射至类别空间,实现多类多尺寸目标型号识别。为了验证提出的基于张量模式的目标识别框架的性能,利用多分辨率多角度光学卫星数据集以及其他公开获取的遥感图像全面评估提出的目标检测、特征处理以及异质支持张量机方法,结果表明提出方法能够在小样本、不同卫星异质数据组合条件下获得优于典型机器学习与深度学习方法的目标识别准确率。