【特征选择_论文阅读_毕业论文】02_王贤圆_电科_极化合成孔径雷达图像特征表示与目标分类方法研究_2021

摘要

SAR的介绍、以充分利用极化信息与空间信息为出发点。
主要工作：
1.融合极化特征与空间特征；
2.多尺度利用地物信息；
3.基于深度学习解决特征冗余；
4.半监督学习。

一、绪论

1.1研究工作的背景和意义

极化SAR图像分类很重要；
特征表示对分类很重要；
目前存在的问题：
①特征类型很丰富，如何合理利用②对区域内特征概括不足③单一极化特征描述不足④图像标签获取困难。

1.2国内外研究现状及存在问题

1.2.1 特征表示

像素级特征：
（1）由观测数据简单算数运算所构造的特征
（2）基于极化目标分解的目标散射特征
（3）纹理特征
（4）颜色特征

区域级特征
将像素作为最小分类单元在低信噪比下易受到噪声的影响
①Dong等人将分割和分类技术相结合，首先将图像做一个粗略的分割，再对各区域进行分类；
②Yu等人利用超像素方法对像素点进行粗略合并，在提取每个小区域对应的特征后，通过对小区域合并达到分割目的
③Feng等人提出了一种基于词袋模型方法
④Feng等人在词袋模型的基础上，提出了一种根据稀疏编码的区域级特征提取策略

上述方法虽然取得了一定成功，但这些方法仅采用单一尺度的区域级特征，存在对区域信息概括不足的问题

1.2.2目标分类研究现状

无监督分类
依赖极化SAR数据内在的不同特征将像素区分为不同地物类型
有监督分类
基于极化数据统计特性的贝叶斯分类；
机器学习算法；
如何合理利用深度网络有效挖掘极化特征仍有待研究。
半监督分类
半监督学习将无标签和有标签数据均加以利用，是有监督学习和无监督学习有效融合。

1.2.3存在问题

①极化特征与空间特征的融合问题
②非均匀地物中空间信息利用问题
传统区域信息提取方法利用矩形框或单尺度分割方法提取固定形状或尺度的区域级特征，虽然考虑了局部的像素邻域关系，但失去了地物细节、边缘信息，严重制约了特征表示的准确性，进而影响最后的分类精度。
③联合极化特征间特征冗余问题
④最近邻锚点数无法自适应问题

二、基于复合核函数的极化-空间特征融合方法

2.1引言

提出一种基于极化-空间特征的复合核函数方法，旨在更全面、均衡地对极化SAR图像进行特征表示。

2.2极化SAR图像数据描述方法

极化散射矩阵、相干矩阵和协方差矩阵

2.3极化SAR图像的极化特征及其表示方法

2.3.1基于观测数据简单算数运算

各分量幅度、通道间后向散射系数比、通道间相位差及退偏比等。

2.3.2基于极化目标分解的极化特征表示

相干目标分解方法有Pauli分解[13]、Krogager分解[14]等；
相干目标分解包括经典的Huynen分解[12,19,20]、最常见的Cloude分解[24]、Yamaguchi1分解[83]、Van Zyl分解[84]等。

2.3.3本文选取的极化特征

2.4 极化SAR图像的空间特征及其表示方法

2.4.1散射功率

2.4.2空间特征

腐蚀和膨胀、开操作和闭操作
开操作是对图像先腐蚀后膨胀的结果，能有效地平滑尖锐区域，消除孤立点和突出的尖峰，剔除图像中的椒盐噪声。闭操作是先膨胀后腐蚀的结果，能对图像中的小洞进行填补，使得邻近目标相连
重构开运算和重构闭运算
通过迭代计算的策略来恢复原图区域

2.4.3本文选取的空间特征

2.5核函数模型

2.5.1SVM概述

SVM

2.6 特征融合

2.6.3基于复合核函数的特征融合

一种避免维数过高且考虑不同特征间主次关系的特征融合策略。


通过上式可将不同的核函数通过权重相加，形成一个新的核函数，称为复合核函数。

三、基于区域特性的多尺度核函数生成算法

3.1引言

常见的引入区域信息的方法有两大类，分别为马尔可夫随机场(Markov Random Field,MRF)和基于区域分割的方法[94]。
第一，研究适用于极化SAR数据统计特性的超像素生成方法；第二，在生成超像素的基础上进一步探讨了单尺度超像素级核函数和多尺度超像素级核函数表示方法。

3.2极化SAR图像超像素生成基本理论

3.2.1SLIC超像素生成算法

SLIC

3.2.2基于极化SAR图像的SLIC超像素生成算法

将SLIC中的颜色距离替换为极化度量信息dw

3.3基于单尺度超像素的核函数生成算法

通过两个超像素内所有样本间核函数的加权平均操作，可将像素级核函数转化为对应的超像素级核函数.

3.4基于多尺度超像素的核函数生成算法

对像素级核函数和各尺度超像素级核函数进行线性组合，得到各尺度融合后的核函数

四、基于深度学习的联合极化特征挖掘方法

4.1引言

利用代数运算和目标分解理论构建联合极化特征，然后将卷积神经网络作为极化特征挖掘网络，将联合极化特征作为网络输入提取抽象的深层特征，最后通过简单分类器获得分类结果。

4.2卷积神经网络的基本理论

4.2.1CNN的网络结构

CNN通常由输入层、卷积层、池化层和输出层组成
卷积层
在卷积后加入激活函数使得网络具有非线性特征表达能力。

池化层
利用添加池化层来降低特征维度、减少网络计算量、同时也可以防止过拟合

全连接层
Softmax分类器

4.2.2CNN的激活函数

4.4后处理

多数投票准则原理

五、基于自适应锚点图的极化SAR图像半监督分类方法

5.1引言

半监督学习在极化SAR目标分类领域有强烈的现实需求。
Liu等人提出了一种基于锚点建图(Anchor Graph Regularization,AGR)的半监督学习算法[114]
本章提出一种自适应锚点的半监督学习方法，旨在根据每个样本处的局部稠密程度选择其最近邻域数。

5.2图的半监督学习理论

半监督学习建立标记样本与未标记样本的联系主要通过两个假设：
一是流形假设[115]，二是聚类假设。
流形假设(Manifold assumpation)指位置邻近的数据具有类似的性质，因此其标记信息也十分相似；聚类假设(Cluster assumption)指在同一聚类中的样本有很大的可能具有相同的标记。

5.2.1图的构建

构图方式
全连接图、k近邻图、ϵ近邻图、锚点图
边权计算方式
欧氏距离
明氏距离：

马氏距离

高斯核函数

5.2.2分类算法

最小割算法
调和函数
局部与全局一致性方法

5.3锚点图的构建

5.3.1锚点生成

K-means聚类

5.3.2锚点图的构建

简单来说，用锚点表示样本点，在图构建中，所有样本仅与其最近邻的s个锚点相连。

5.4自适应锚点图的构建

1.距离度量
极化SAR图像的相干矩阵T在通常情况下服从Wishart分布.
基于此，考虑在聚类算法中使用Wishart距离代替常用的欧氏距离作为距离度量显得更为准确.
2.自适应锚点图的构建
将样本与锚点间的距离转化为数据局部稠密程度的指标，根据样本的局部稠密程度决定样本最佳最近邻锚点个数，实现自适应地确定图中每个数据的最近邻锚点个数。
当“价值比”F(si)大于门限值threshold时，则认为前si个锚点可通过线性组合充分表达样本xi ，满足需求。