基于联合域聚类和稀疏表示的极化SAR图像分类

摘要

极化SAR能够详细的分析地物目标的电磁散射回波，提供更丰富的分类特征和地物散射信息，因此被广泛应用在军事和民用领域。极化SAR图像地物分类是极化SAR数据理解与解译的关键，目前研究者们已相继提出许多有监督和无监督的分类方法。这些方法大多从极化数据的统计特性和散射特性角度出发，而很少从图像本身去考虑，不能充分利用极化数据中包含的特征信息。针对这一问题，本文深入挖掘了极化SAR图像的特征信息，融合了极化特征和纹理特征，在空域和极化域组成的联合域内，对特征提取、无监督和有监督的极化SAR图像分类方法进行了研究。主要工作概括如下：
　　（1）已有的谱聚类方法用于极化SAR分类时，只利用了极化数据的空间信息或极化特征，不能有效表达极化SAR图像的物理特性，并且谱聚类方法对尺度参数比较敏感。针对上述问题，提出了一种基于联合相似度和谱聚类集成方法用于极化SAR图像分类。所提方法结合极化数据的空间信息和极化信息，采用联合相似性测度构造谱聚类的相似性矩阵，充分利用了极化SAR图像在联合域内的信息。同时采用了改进的谱聚类集成策略，在降低谱聚类算法对尺度参数敏感性的同时进一步提高了算法的鲁棒性。实验结果表明，所提方法提高了分类精度，区域一致性保持较好，能得到稳定的分类结果。
　　（2）针对谱聚类算法用于极化SAR地物分类时计算复杂度高、分类结果不稳定的问题，提出了一种基于字典学习和谱聚类集成的方法，主要从极化SAR数据特征提取和Nystr?m逼近算法的采样点选择两方面对传统谱聚类算法进行了改进。该方法将纹理特征和极化特征结合起来，提高了谱聚类算法的聚类效果；采用拉普拉斯特征映射(Laplacian Eigenmap, LE)算法对特征矩阵进行流形降维，将高维特征数据映射到低维子空间，降低了谱聚类算法的计算复杂度；通过字典学习选择具有代表性的采样点，代替传统的随机采样方法，增加了采样点包含的信息量，避免了随机采样导致的分类结果不稳定。对比已有的谱聚类算法，在极化SAR图像数据的实验结果中表明，所提方法鲁棒性更好，具有更优的区域一致性和边缘保持效果。
　　（3）针对传统谱聚类算法往往采用k-means聚类算法对谱映射得到的低维空间数据进行聚类，容易造成分类结果不稳定的问题，提出了一种联合域的免疫克隆谱聚类(ICSC)方法用于极化 SAR图像的分类。该方法结合了谱聚类和免疫克隆选择算法互补的优势：1）谱聚类算法的映射降维有效的提高了免疫克隆算法全局寻优的效率；2）用免疫克隆算法代替谱聚类算法中的k-means聚类，能够以较大的概率寻求到全局最优解，避免 k-means聚类所造成的分类结果不稳定，改善了谱聚类算法的性能。实验结果验证了所提方法的可行性和有效性。
　　（4）针对已有近邻传播聚类(Affinity Propagation, AP)算法使用欧式距离构建相似度矩阵，不能有效描述极化SAR数据复杂分布的问题，提出了一种基于联合域流形距离的AP聚类方法(CMD-AP)用于极化SAR图像分类。该方法基于超像素进行聚类，在考虑极化数据邻域空间关系的同时降低了AP算法的计算复杂度；同时结合空域Wishart流形和极化域欧式流形作为流形距离测度，构造相似性矩阵，更好的反映了极化SAR数据联合域的流形结构。实验结果表明所提方法的有效性。
　　（5）针对字典学习方法在考虑数据的整体稀疏性时，忽略图像的空间结构，以及计算复杂度高的问题，利用极化SAR图像包含在空域、极化域的特征信息，提出了一种基于联合域的字典学习和稀疏表示(CDL-SRC)的方法，用于极化 SAR图像分类。该方法首先利用基于联合域流形距离的快速AP聚类方法学习字典，在保持极化SAR数据流形空间结构的同时降低了字典学习的时间复杂度。然后采用局部线性编码分别在空域和极化域对极化SAR图像进行稀疏表示，提取相应的稀疏编码特征，组成联合域的稀疏编码特征，提高了稀疏表示的分类效果。实验表明，本章所提方法能够提高极化SAR图像的分类精度，同时降低了分类的计算复杂度。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究的背景及意义

1.2极化SAR系统的发展

1.3极化SAR分类的研究现状及难点

1.4论文内容安排

第二章 极化SAR分类的理论基础

2.1极化的表征

2.2散射体的极化描述

2.3极化SAR图像的特征提取方法研究现状

2.4本章小结

第三章 基于联合相似性测度和谱聚类集成的极化SAR图像分类

3.1引言

3.2谱聚类算法的基本思想

3.3基于空域和极化域的联合相似性测度

3.4基于Nystr?m逼近的谱聚类集成策略

3.5本章方法步骤

3.6实验结果和分析

3.7本章小结

第四章 基于字典学习和谱聚类集成的极化SAR图像分类

4.1引言

4.2极化SAR图像的特征提取

4.3基于拉普拉斯特征映射的维数约简

4.4基于K-SVD字典学习的Nystr?m逼近

4.5本章方法步骤

4.6实验结果及分析

4.7本章小结

第五章 基于免疫克隆谱聚类的极化SAR图像分类

5.1引言

5.2免疫克隆算法

5.3基于免疫克隆谱聚类的极化SAR图像分类

5.4本章方法步骤

5.5实验结果及分析

5.6本章小结

第六章 基于流形近邻传播聚类的极化SAR图像分类

6.1引言

6.2基于TurboPixels的超像素分割

6.3近邻传播聚类方法

6.4基于流形距离的联合域近邻传播聚类

6.5本章方法步骤

6.6实验结果及分析

6.7本章小结

第七章 基于联合域字典学习和稀疏表示的极化SAR图像分类

7.1引言

7.2稀疏表示的数学模型和分解算法

7.3基于联合域近邻传播聚类的字典学习

7.4极化SAR图像的稀疏编码

7.5本章方法步骤

7.6实验结果及分析

7.7本章小结

第八章 总结和展望

8.1工作总结

8.2展望

参考文献

致谢

作者简介