文章目录
# 前言 将邻域信息融合到单个像素点中,进行多尺度、细节分类来解决邻域矛盾问题,最后一章半监督。
以下是本篇文章正文内容
摘要
针对问题:
难以提取判别性强的特征、难以克服相干斑噪声的影响、有标记样本少;
研究成果:
1.抑制相干斑噪声对分类结果的影响: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;
2.解决深度学习单尺度问题: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;
3.解决SSAE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:将复杂的极化SAR图像划分为匀质区域和细节区域,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。
4.半监督深度集成学习
一、绪论
1.1研究背景和意义
SAR原理、优势、应用。
POLSAR原理、优势、应用。
POLSAR成像发展历史、成像系统发展历史(机载、星载)、我国极化SAR的发展。
总结出,POLSAR采集了大量数据,所以,发展计算机对极化SAR图像理解和解译的研究具有非常重大的意义,而图像分类更是其中的重要部分。
然而,传统分类有限,所以将模式识别技术与极化SAR结合是新方向。
1.2极化SAR图像分类研究现状及难点
1.2.1 极化SAR图像分类现状
1.基于目标分解理论的分类方法
各种分解方法,通过组合多种散射模型下的不同的散射特征,能够提升图像分类的精度[59-63]。然而这些散射特征之间存在相关性,简单地将他们进行组合会产生冗余信息,所以如何选择有用的散射特征对提升分类效果有很大意义。
2.基于极化SAR数据的统计分布的分类方法
3.基于机器学习的分类方法
经典方法:支持向量机等
深度学习:深度置信网络、卷积神经网络、栈式自编码器网络
1.2.2 分类难点
1.特征选择
2.克服相干斑噪声
3.人工标记样本少
1.3深度空间特征学习
深度学习用于极化SAR特征提取和分类效果很不错;
利用极化SAR图像空间域信息是提高极化SAR图像分类的重要手段之一;
分类前需要进行特征提取或选择;
本文首先利用深度学习对极化SAR图像进行特征学习:得到深度空间特征(就是具有空域信息的图像特征)。
使用的是稀疏自编码器。
二、基于栈式稀疏自编码器和高阶邻域信息的极化SAR图像分类
2.1引言
邻域信息可用于抑制相干斑噪声,而现有的方法都是在分类后再处理,没有从特征学习的角度出发。本文将邻域区域作为栈式稀疏自编码器的输入值从而得到特征。实验证明具有很好的鲁棒性,能够有效的抑制相干斑噪声的影响。
2.2极化SAR数据表示
对于所有散射目标而言,它的全部散射信息都包含在一个Sinclair 矩阵中。
入射波和散射波可以在一组水平基和垂直基下表示为一个
2
×
2
2\times2
2×2的复数矩阵
S
=
[
S
H
H
S
H
V
S
V
H
S
V
V
]
S=\left[{\begin{array}{cc} S_{HH} \qquad S_{HV}\\ S_{VH} \qquad S_{VV}\\ \end{array}} \right]
S=[SHHSHVSVHSVV]
其中
S
H
H
S_{HH}
SHH和
S
V
V
S_{VV}
SVV两项表示同极化通道的回波功率,
S
H
V
S_{HV}
SHV和
S
V
H
S_{VH}
SVH两项表示交叉极化通道的回波功率。
①Pauli特征矢量:
②Lexicographic特征矢量:
③相干矩阵T:
④协方差矩阵:
对于极化SAR图像中的每个像素而言,它的全部极化信息都包含在它的极化相干矩阵或者协方差矩阵中,因此在本章中采用极化协方差矩阵作为输入值:
2.3 栈式稀疏自编码器
先训练好两个编码器,其隐藏层为提取的特征
然后将特征放入分类器进行分类
为了进一步提高网络的分类效果,还要用用少量有标记样本训练整体网络。
疑惑:所以为啥不直接来个四层的网络。
2.4 基于栈式稀疏自编码器和高阶邻域信息的极化SAR图像分类
尽管栈式稀疏自编码器可以完成基于像素的极化SAR图像分类任务,但由于邻域像素和中心像素的关系没有被考虑进去,基于像素的分类方法的性能被相干斑噪声大大影响。
2.4.1创建高阶邻域
**基本假设:**空间距离近的像素与中心像素有着相同类标的可能性更大,空间距离远的像素与中心像素有着相同类标的可能性更小。因此给邻域内每个像素乘以相应的权重值。
文献[66]证明经过多视处理的极化协方差矩阵C的统计分布往往服从Wishart分布。
因此这里用Wishart距离来计算像素之间的距离。
三、基于多尺度深度空间特征的极化SAR图像分类
3.1引言
第二章方法中存在一个很重要的缺点:由于需要平衡匀质区域一致性和细节区域的形变,所以很难选择出适当的邻域窗口这一重要参数。
因此,将多尺度极化SAR数据表示的思想融合到栈式稀疏自编码器分类框架中。
3.2基于多尺度深度空间特征的分类框架
简单来说就是计算出每种尺度下的特征,然后进行一维平均池化
匀质区域一致性增强和细节保持的极化SAR图像分类
4.1引言
第二章中的方法存在一个缺点:如果邻域过大,邻域中存在的干扰信息会对中心像素的分类结果进行误导,导致图像细节被误分。
首先将复杂的极化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分别采用特定的方法来分类,从而保持了每种区域的特点,以达到更好的分类效果。
极化素描图[174]被用来定位图像中的细节区域。
条件随机场 (Conditional Random Fields,CRF)[175]被用来分类细节区域。
Gabor小波变换[176]已被广泛用于极化SAR图像分类问题,Gabor特征是在邻域空间提取的图像的纹理特征,描述了图像中的上下文信息。
4.2极化素描图
4.3匀质区域一致性增强和细节保持的极化SAR图像分类的分类框架
4.3.1条件随机场模型对细节区域分类
4.3.2分层的深度学习框架对匀质区域分类
五、基于半监督深度集成学习的极化SAR图像分类