基于判别特征学习的高分辨SAR图像分类

摘要

作为一种具有远距离，全天候，全天时成像能力的主动式探测系统，合成孔径雷达（SAR）被广泛应用于军事及民用的各个邻域。随着成像技术的不断发展及空间分辨率的不断提升，对SAR图像的成功应用严重依赖于有效的理解及解译技术。然而，在对高分辨SAR图像的各种理解与解译任务中，如何从中获取有效的信息对其成功应用起到举足轻重的作用。本文通过对SAR图像的特征提取及学习技术现状进行分析，并结合计算机视觉及机器学习领域的最新研究成果，尝试对高分辨SAR图像的特征提取及特征学习技术进行深入研究。同时通过对高分辨SAR图像地物分类、场景分类等任务对本文所获取的特征的有效性进行验证分析。具体来说，本文所开展的研究工作主要包含如下的几个主要方面。
　　1.通过建立基本特征与不同地物类别之间的关系对SAR图像构造语义表示，并且在对不同的语义表示的上下文关系进行建模之后，本文的第二章提出一种语义上下文模型对高分辨SAR图像的内容进行描述，以降低在对高分辨SAR图像分类任务中所提取的基本特征与不同地物之间的语义鸿沟。在该模型中，语义信息能对高分辨SAR图像的底层特征与不同的地物类之间的本质关系进行表示，于此同时，上下文模型可以有效获取同一地物类中不同语义信息的共生关系。在将超像素代替单个像素点作为基本的操作单元之后，对高分辨SAR图像中不同的地物类别可以通过一个简单的最大后验概率过程进行估计求解。
　　2.结合计算机视觉领域中对局部性约束的研究，本文的第三章提出一种基于局部性约束的判定特征学习方法对高分辨SAR图像的内容进行描述。根据大量的带标记的高分辨SAR地物图像，该方法首先利用一个加权判定滤波过程学习得到低层判定特征表示以获取高分辨SAR图像中的判别信息。之后，基于这些底层的判别滤波特征，通过在该方法中引入局部性约束以对高分辨SAR图像学习得到高层的抽象特征表示。在将待分类的高分辨SAR图像划分为若干个超像素之后，每一个超像素都可以通过一个超特征及对其进行表示。将该超特征送入到所训练得得到的特定分类器之后可实现对高分辨SAR图像中不同的地物进行有效地分类。
　　3.随着可获取的图像量的不断增加，通常无法获取充分的标记样本对高分辨SAR图像的内容进行判别性学习，因此本文的第四章提出一种半监督判别特征学习方法。该方法可以从有限量的标记样本及大量的无标记样本中对高分辨SAR图像学习判别性特征描述。该方法首先通过一个非负稀疏编码过程对高分辨SAR图像块进行特征分解以对其得到特征描述。之后通过有限量的带标记的高分辨SAR图像块及大量的无标记高分辨SAR图像块构造一个弱分类器集。在将待分类的高分辨SAR图像块在这些弱分类器集上进行投影之后，该方法通过一个稀疏集成过程对高分辨SAR图像块得到最终的特征表示。通过这些特征表示进而对高分辨SAR图像中不同的地物类型进行区分。
　　4.受认知科学中的原型理论的启发，高分辨SAR图像的判别信息可以通过将其与从训练高分辨SAR图像数据集中所学习得到的部分原型进行比较而获取。基于此，本文的第五章提出一种新的判别深度置信网络对于高分辨SAR图像进行无监督特征描述。该方法首先通过选择部分高分辨SAR图像块并根据各种学习得到的原型对其进行伪标记以形成弱分类器。在将所构造的每一个弱分类器通过一个弱决策函数进行描述之后，可将待表示的高分辨SAR图像块在由各个弱分类器所张成的判别空间上进行投影，以形判别投影向量。该方法的最后将这些投影向量通过一个深度置信网络进行集成，以得到最终的高层特征描述，并用于对不同的高分辨SAR地物图像进行分类。
　　5.基于深度学习理论及概率混合分布模型，本文提出一个基于泛化伽马–伯努利分布的受限波尔兹曼机模型以对高分辨SAR图像块的统计分布进行概率建模。该方法首先通过一个基于泛化Gamma-Bernoulli分布的受限Boltzmann机对高分辨SAR图像块的统计关系进行建模。在将其与多个标准二进制受限Boltzmann机进行逐层堆叠之后可以得到一个基于泛化Gamma分布的深度置信网络以对高分辨SAR图像的高阶统计特性进行建模分析。最后通过将所构造的深度执行网络微调为一个判别神经网络之后可被用于高分辨SAR图像的地物分类任务。

目录

声明

插图索引

表格索引

缩略语对照表

第一章 概 论

1.1 研究背景与意义

1.2 SAR图像特征提取相关技术及研究现状

1.3 本文主要工作和内容安排

第二章 基于语义信息的上下文特征提取

2.2 SAR分类问题描述

2.3 语义上下文建模

2.4 讨论

2.5 实验验证及分析

2.6 本章小结

第三章 基于局部性约束的判别特征学习

3.2 加权判别滤波

3.3 局部性判别特征学习

3.4 实验验证及分析

3.5 本章小结

第四章 基于稀疏集成的半监督判别特征学习

4.2 判别特征学习

4.3 稀疏集成投影

4.4 讨论

4.5 实验验证

4.6 本章小结

第五章 基于判定置信网络的判别信息提取

5.2 训练弱分类器

5.3 判别高层特征学习

5.4 实验验证及分析

5.5 本章小结

第六章 基于DBN的SAR图像统计建模

6.2 DBN简介

6.3 gΓ-RBM

6.4 gΓ-DBN构造及判别分类

6.5 讨论

6.6 实验验证及分析

6.7 本章小结

第七章 总结及展望

7.1 本文工作总结

7.2 工作展望

参考文献

致谢

作者简介