基于稀疏判定编码和结构字典学习的遥感影像地物分类

摘要

合成孔径雷达(Sythetic Aperture Radar,SAR)是一种能装载在飞机或卫星上的一种主动式传感器，它能全天时、全天候地工作，并不受天气条件影响。SAR影像广泛应用于目标检测与识别、地图测绘、资源控测等领域。而地物分类是上述这些应用的一个基础且重要的步骤。迄今为止，针对SAR影像地物分类问题，学者们已经提出了许多算法。但是，传统的分类方法均基于影像的低层视觉特征，因此算法性能是有限的。这主要是因为一方面SAR影像受到相干斑的影响，另一方面，SAR影像中不存在代表唯一语义的典型的视觉基元。因此，在SAR影像地物分类中，如何克服相干斑的影响，从数据中提取一种鲁棒的且带有判别信息的特征，将成为地物分类算法中的重点和难点。最近，已经有许多基于中层或高层特征的图像分类方法，并成功应用于自然图像场景分类、标记等任务中。稀疏表示（编码）模型已经被证明是图像分析和分类的有效方法之一。它作为一种有效的、鲁棒的特征，成功用于各类图像场景分类和目标识别任务中，并取得很好的效果。在此基础上，上下文信息和先验信息被加入分类算法中，对提高分类精度，简化算法产生了关键的作用。因此，基于上下文信息和先验信息的分类策略已经成为了图像分类领域的研究热点。本论文在稀疏表示模型的基础上，围绕遥感影像地物分类问题，尤其是SAR影像地物分类中的重点和难点问题，进行了深入系统的研究，并获得了以下几方面的成果。
　　(1)事实已经证明基于协同表示的分类(CRC)模型比基于稀疏表示的分类模型(SRC)复杂度更低。但是在CRC模型中，所有的原子都参与编码，降低编码效率。针对这个问题，首先提出了一种自适应字典的构造方法。与CRC相比，只需要一部分训练样本来构造一个字典，而不是所有的样本。这种局部性隐含了稀疏性，大大减小了计算复杂度。其次，高光谱遥感图像中存在大量空间结构，局部区域内的像素之间并不完全独立。假设，在给定的字典下，其表示系数有相似的支撑点。基于此假设，分别提出了基于局部空间和非局部空间上下文的联合协同表示模型。实验结果表明，我们的方法比CRC方法和SRC方法速度更快，分类正确率更高。
　　(2)传统的稀疏表示模型能用较少的原子很好地逼近原始数据，因此在图像恢复问题中取得很好的效果。针对SAR影像地物分类问题，希望得到一种鲁棒、稀疏、且具有判别性的特征表示。因此，提出了一种稀疏判定模型与字典学习算法，在该算法中，将线性分类器平面作为先验信息，使得表示系数不但满足稀疏约束，还满足最大间隔准则。实验结果表明，本章算法比基于重构误差最小准则的稀疏表示模型在SAR影像像地物分类任务中取得更好的结果。
　　(3)随着分辨率的提高，SAR影像中存在着众多复杂的纹理结构。单层的稀疏编码模型对每个像素点或区域进行独立编码，没有考虑区域之间的相互依赖关系，因此它的表达能力是相当有限的。为了进一步提高SAR影像地物分类效果，在充分利用分类器的先验信息来对编码过程进行指导，使其编码系数满足最大间隔准则的同时，提出了一种分层稀疏表示模型对SAR影像空间上下文进行稀疏建模。实验表示，我们的算法对于SAR影像地物分类是有效的。
　　(4)如何学习具有判别性的字典，是图像分类中的主要问题之一。此外，现有的判别字典学习方法需要大量的标记样本才能保证字典的质量。为了解决这个问题，引入先验信息来降低待表示的子空间和所需的训练样本数目是很有必要的。提出一种基于类间差异的字典学习算法，通过引入类间差异和结构稀疏作为先验，同时学习一个结构字典和线性分类器。而且，两者相互耦合。分类器能使得学习到的结构字典具有判别性，反过来，结构字典更有助于分类器的训练。实验结果表明，提出的方法在图像分类中，要比其它方法取得更好的效果。
　　(5)特征在SAR影像地物分类中是很重要的，但是低级特征常常受到干斑班噪声的影响，因此不能准确捕获复杂的纹理结构。为了解决该问题，提出了一个特征学习的框架，该框架通过挖掘空间上下文信息和稀疏先验来同学时学习中级和高级特征。在新的框架中，中级特征作为一个中间变量考虑了空间上下文信息来降低相干斑噪声音的影响。而且，通过一种有效的字典学习算法在中级特征的基础上学习一种更加稀疏且具有判别性的高级特征，并以此来描述SAR影像中复杂的结果。实验表明，我们的提出的框架要优于其它算法，而且特征选择和字典学习对分类结果的提高同等重要。
　　(6)遥感影像结构复杂，局部区域内的图像块存在结构信息。为了更好地表达局部图像块的结构内容，在稀疏表示模型的中加入了结构先验以捕获局部结构信息。此外，要训练一个完备字典需要庞大的训练集，这样势必降低字典学习的效率。而且字典中的原子也存在依赖关系，并不是相互独立的。为此借鉴在线学习的思想，提出了一种在线结构字典学习的算法。一方面，当训练集有变化时，不需要重新学习字典，只需要实时更新即可。另一方面，考虑了字典原子间的相互依赖关系，在更新字典时，按组进行更新。实验表明，结构先验的加入，提高了分类精度。而且，我们的算法要比离线的学习算法更加高效。

目录

声明

摘要

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1．1 稀疏表示模型研究进展

1．2 合成孔径雷达影像地物分类研究进展

1．2．1 合成孔径雷达发展现状

1．2．2 SAR影像地物分类算法综述

1．2．3 SAR影像地物分类的重点与难点

1．3 高光谱影像地和物分类研究进展

1．4 基于稀疏表示模型的遥感影像分类研究进展

1．5 论文的内容安排

第二章 基于上下文联合表示的高光谱影像分类

2．1 引言

2．2 相关工作

2．2．1 基于联合表示机制的分类模型

2．2．2 基于局部约束的线性编码模型

2．2．3 联合稀疏表示模型

2．3 基于上下文的联合协同编码模型

2．3．1 自适应字典的构造

2．3．2 基于局部邻域的联合协同编码模型

2．3．3 基于非局部邻域的联合编码模型

2．4 实验结果与分析

2．4．1 实验数据介绍

2．4．2 自适应字典的构造

2．4．3 对比实验

2．4．4 计算时间比较

2．5 本章小结

第三章 基于稀疏判定模型和字典学习的SAR影像地物分类

3．1 引言

3．2 基于无监督稀疏表示的SAR影像地物分类

3．3 基于稀疏判定模型的SAR影像地物分类

3．4 实验结果与分析

3．4．1 特征提取

3．4．2 模拟SAR影像地物分类实验

3．4．3 真实SAR影像地物分类实验

3．4．4 参数分析

3．5 本章小结

第四章 基于分层稀疏判定和字典学习的SAR影像地物分类

4．1 引言

4．2 基于多层判别稀疏和分层字典学习的SAR影像地物分类算法

4．2．1 双层稀疏表示模型

4．2．2 多层判别稀疏表示模型与字典学习算法

4．3 对比实验与分析

4．3．1 特征提取

4．3．2 模拟SAR影像地物分类实验

4．3．3 真实SAR影像地物分类实验

4．4 本章小结

第五章 基于图像类间差异性的结构字典学习

5．1 引言

5．2 基于稀疏编码的分类器

5．3 基于类间差异的判别性字典学习算法

5．3．1 统一的判别字典学习框架

5．3．2 基于类间差异的保真度目标函数

5．3．3 基于类间差异的线性分类损失函数

5．3．4 基于类间差异的字典学习模型

5．4 实验结果与分析

5．4．1 模拟数据实验

5．4．2 人脸识别

5．4．3 AR图像库上的性别测试

5．4．4 纹理图像分类

5．5 结论

第六章 基于高级特征选择和字典学习的无监督SAR影像地物分类

6．1 引言

6．2 稀疏表示与字典学习

6．2．1 基于稀疏表示的分类器

6．2．2 基于K-SVD的字典学习算法

6．3 基于结构字典学习的高级特征选择

6．3．1 总体框架

6．3．2 鲁棒的中级特征提取与选择

6．3．3 基于高效K-SVD的结构字典学习算法

6．3．4 讨论

6．4 人工合成SAR影像数据集的实验结果

6．4．1 数据介绍

6．4．2 实验设置

6．4．3 分类精度

6．4．4 显著性比较

6．4．5 区域一致性和边缘保持度

6．5 真实SAR影像数据集的实验结果

6．5．1 数据介绍

6．5．2 实验设置

6．5．3 视觉结果和分析

6．5．4 数值结果和分析

6．5．5 边缘保持度

6．6 参数与算法效率分析

6．6．1 中级特征选择的参数分析

6．6．2 改进的K-SVD算法的参数分析

6．6．3 算法复杂度和运行时间的比较

6．6．4 讨论

6．7 本章小节

第七章 基于结构稀疏先验和在线字典学习的无监督SAR影像地物分类

7．1 引言

7．2 基于结构稀疏先验的高级特征提取框架

7．3 基于在线结构字典学习无监督SAR影像地物分类

7．3．1 在线结构字典学习

7．3．2 基于字典学习的无监督SAR影像分类

7．4 实验结果和分析

7．4．1 数据集介绍以及实验设置

7．4．2 对比实验

7．4．3 计算效率比较与分析

7．4．4 参数分析

7．5 小结

第八章 结论和展望

8．1 研究结论

8．2 研究展望

参考文献

致谢

作者简介