基于层次视觉语义模型和稀疏表征的高分辨SAR图像的分割和分类

Due to the characteristics of high dimension, heterogeneous structures, hybrid terrain types and “semantic gap” in the high-resolution SAR images, it is a challenge for segmentation and classification of high-resolution SAR images. To ease these issues, semantic models based on vision computing theory are built for SAR images, and a hierarchical semantic space is further constructed. Based on the semantic model, a Ridgelet deep network model with multiple orientations and scales is derived and a novel unsupervised clustering segmentation method is proposed. In addition, visual semantic rules representing edge and line objects and a classification method are designed for high-resolution SAR images. Thus, a semantic information based unsupervised segmentation method is completed, and a semi-supervised classification method with both semantic and contextual information is implemented for high-resolution SAR images. Moreover, by constructing the hierarchical semantic space, a high-resolution SAR image is mapped to different pixel-level subspaces with the characteristics of low dimension, relatively consistent structures. For each subspace, suitable sparse feature representations, theories, models and schemes are designed for their segmentation and classification. By this way, it is hoped that the bottleneck issues mentioned above for high-resolution SAR images are partly eased and a novel potential research avenue for scene interpretation of high-resolution SAR images is explored.

针对高分辨SAR图像分割和分类面临的高维、异构、混杂和“语义鸿沟”等问题，建立基于视觉计算的SAR图像语义模型，构建层次视觉语义空间，提出建立基于方向多尺度的Ridgelet深度网络模型和无监督的聚类分割方法，设计表达高分辨SAR图像线目标和边界的视觉语义规则和分类方法，实现有语义信息指导的高分辨SAR图像的无监督分割和有语义信息及上下文信息指导的半监督的地物分类。通过构建层次视觉语义空间，从语义信息层面将一幅高分辨SAR图像映射为低维、结构相对一致的不同像素子空间，研究适合不同像素子空间的稀疏特征表示、分割和分类的模型和方法；希望在解决高分辨SAR图像分割和分类面临的高维、异构、混杂和“语义鸿沟”等瓶颈问题上有一定的进展,为高分辨SAR图像的场景解译探索出有潜力的新的研究途径。

针对高分辨SAR图像分割面临的高维、异构、混杂和“语义鸿沟”等瓶颈问题，基于视觉计算理论框架，项目建立了SAR图像的层次语义计算模型，构建了层次语义空间；并提出了语义空间与像素空间智能体信息交互的高分辨SAR图像复杂场景处理与理解的联合推理框架。在语义空间和像素空间基于智能体的信息交互框架下，与有限混合分布统计分析理论及深度学习方法相结合，提出了多种有效的SAR图像分割方法，这些方法根据SAR图像的层次语义空间中的区域图，把SAR图像划分成了混合聚集结构地物像素子空间、结构像素子空间和匀质像素子空间。针对不同结构的子空间，设计了适合该子空间的分割方法；为了提取SAR图像中的线目标，设计了视觉语义规则。与已有的相关算法相比，利用语义空间与像素空间智能体信息交互的SAR图像分割结果不但可以较好地定位边界，还可以获得语义上一致的区域，大大提升了SAR图像无监督分割的效果，真正实现了不用语义标签的高分辨SAR图像的语义分割任务。混合聚集结构地物像素子空间中常常包含多个极不匀质区域，这些空间上不连通的极不匀质区域是否具有相同的类别信息和应该分成几类，由于SAR图像的大量像素样本标签的人工标注的成本很高（费时、费力和需要相关领域专家来标注等），故而研究无监督或半监督聚类分割方法就显得尤为重要。极不匀质区域中存在着丰富的结构信息，为了学习SAR图像的这种特征表示，在研究了深度学习理论、方向多尺度的脊波网络和多尺度几何分析方法的基础上，提出了多种深度表征学习模型和相应的分割方法；实验表明项目提出的这些方法是可行和有效的。针对样本块选择存在的问题，分别提出了基于素描结构特征聚类的SAR图像样本块选择方法和基于素描线段双侧聚集特性的SAR图像样本块选择方法。这些方法在有效涵盖相应结构区域的前提下，能减少样本块的重叠冗余信息。项目通过首次借鉴视觉计算理论框架和首次提出的无需人为标注而是通过计算模型产生的层次语义空间等研究工作和取得的研究成果为高分辨SAR图像分割面临的瓶颈问题另辟蹊径提供了独特的解决方案，在理解SAR图像复杂场景的分割和分类方面做了一些有意义的科学研究和探索工作。