基于感知随机场的高分辨SAR图像特征提取与分类新方法研究

With the substantial improvements in resolution of SAR imaging systems, high-resolution (HR) SAR images can enable more ground surface categories and detailed features to be reflected than low-resolution cases. Therefore, the automatic extraction of effective image features for classification is the research focus to improve the practical application ability of HR SAR images. In this project, we propose a novel sensing random field (SRF) model for feature extraction and classification on HR SAR images. During the feature extraction stage, a deep sensing data feature extraction method that combines the stable scattering characteristics for both strong and weak representative targets mining and coherent speckle noise reduction is proposed for HR SAR images. Meanwhile, the statistical models that are applicable to each ground surface category in HR SAR images are jointly described from local and global aspects via deep learning, and then the deep sensing statistical feature representation is acquired. During the feature classification stage, we propose the sensing random field classification model. The extracted data and statistical features are classified through co-sparse representation. Besides the feature-based classifier, the object-level sensing spatial contextual information between local features is introduced, as well as the boundaries sensing effectiveness information between multiple objects categories. These spatial contextual information can improve the classification accuracies in HR SAR images, and the boundaries between different categories can be better characterized.

随着SAR成像系统分辨率的大幅度提高，高分辨SAR图像所能够反映出的地物目标类别以及细节特征远高于低分辨率SAR图像，因此，高分辨率SAR图像中有效特征信息自动获取与准确分类是提高其实际应用能力的研究重点。针对高分辨率SAR图像，本项目提出基于感知随机场模型框架下的感知特征提取与分类新方法。在感知特征提取中，研究结合高分辨率SAR图像稳定散射特性的强弱目标挖掘与相干斑噪声抑制的感知深度数据特征表示方法，以及结合深度学习对高分辨率SAR图像中各类地物目标局部与整体所适用的统计模型进行联合描述，获得感知深度统计特征表示。在特征分类中，对数据与统计特征进行协同稀疏分类判决，并引入局部特征之间目标级感知空间相关性与多类目标之间边界感知有效性，最终实现高分辨率SAR图像中像素类别准确分类以及不同类别之间边界准确定位。

SAR具有全天时、全天候、高分辨率的对地观测与数据获取能力，近几年高分辨SAR图像分类已是解译技术中的关键问题，可提高后续解译的准确率。.本项目针对SAR数据特征提取，首次研究了结合深度表示学习理论的感知数据特征提取模型，包括多尺度特征融合的协方差池流形网络以及多尺度各向异性卷积稀疏编码模型，提高了数据特征的表示能力。此外，研究针对极化SAR数据的复值全卷积神经网络以及三重复数网络模型，实现保持复数信息的完整性同时提升了模型对不同地物的分类性能。.针对SAR图像非平稳、非高斯统计特性，首次研究建立了基于深度空间和统计特征自适应核融合的分类模型，验证了统计特征对于提升SAR图像分类性能的有效性。此外，建立了基于极化SAR图像的WG统计分布以及MWG混合统计分布模型，并将其引入到MRF模型中，提升各类地物目标的分类效果。.针对SAR图像目标级空间感知相关性的分类，首次建立了基于深度空间编码网络和非平稳联合统计模型的分类框架，实现SAR图像特征的完整性描述。开展了基于超像素复合核和弹性网表示的模型研究，实现极化SAR原始散射特征的多尺度信息表示和分类。此外，开展了基于复数值3D-CNN的模型研究，实现了极化SAR数据散射特征和空间特征的联合提取与分类。.针对SAR图像多类目标边界感知分类，首次建立了上下文感知编码器网络和混合CRF模型的分类框架，实现了SAR图像类别边界的精确分类。构建了模糊三重判别随机场模型，将极化散射机制模糊性引入到判别随机场中，提升极化SAR图像类别边界定位效果。此外，建立了基于超像素混合判别随机场模型，实现极化SAR图像的快速有效分类。..本项目研究通过在大量实测高分SAR/PolSAR图像上与现有算法进行分析比较，验证上述分类算法的有效性与优越性。本项研究达到了预期研究目标，分类率达到了90%以上。同时又开展了SAR与可见光图像配准以及SAR图像变化检测的扩展研究。本项目研究取得一系列研究成果，具有较高的学术水平与应用价值。

内容获取失败，请点击重试