基于结构非负矩阵/张量分解理论的多时相(极化)SAR图像变化检测研究

As the key technology in earth observation application, change detection of multitemporal SAR images has become a new research hotspot in SAR image processing and interpretation. However, the high-resolution and multi-polarization characteristics put forward new request and new challenge, while make multitemporal SAR images provide more accurate and finer change information. To this end, the project will utilize structured nonnegative matrix/tensor factorization theory and combine deep learning to carry out the change detection of multitemporal (polarimetric) high-resolution SAR images, whose main research includes: (1) effective and discriminative feature extraction as well as feature fusion; (2) change detection of multitemporal SAR images based on structured nonnegative matrix factorization; (3) change detection of multitemporal polarimetric SAR images based on structured nonnegative tensor factorization; (4) GPU parallel implementation of the proposed change-detection algorithms and its system development. This project aims at proposing new theory and new technology about change detection of multitemporal SAR images, and strives for innovative achievements, which will lay a good foundation for the following interpretation and application of high-resolution SAR images.

作为对地观测应用中的关键技术，SAR图像变化检测已成为当前SAR图像处理与解译领域研究的新热点。然而，高分辨率、多极化等特性使多时相SAR图像数据在提供更准确、更精细变化信息的同时，对变化检测技术也提出新要求和新挑战。为此，本项目拟利用非负矩阵/张量分解理论并结合深度学习，开展针对高分辨率（极化）SAR图像的变化检测研究，主要研究内容包括：（1）有效、判决特征提取及特征融合；（2）多时相SAR图像结构非负矩阵分解变化检测研究；（3）多时相极化SAR图像结构非负张量分解变化检测研究；（4）变化检测新算法GPU并行实现及验证系统研发。本项目旨在发展和提出多时相SAR 图像变化检测的新理论、新技术，争创原创性成果，为后续高分辨SAR图像解译与应用奠定良好基础。

作为对地观测应用中的关键技术，多时相（极化）SAR图像变化检测已成为国内外研究的热点，在城市规划、森林覆盖、灾害监测与评估等领域具有重要应用价值。为此，本项目利用非负矩阵/张量分解理论并结合深度学习，开展了针对高分辨率（极化）SAR图像的变化检测研究，主要内容包括：（1）基于变分贝叶斯理论的多时相SAR图像变化检测；（2）基于结构非负矩阵/张量分解的多时相SAR图像变化检测；（3）基于深度字典、孪生网络、双域网络的多时相SAR图像变化检测；（4）基于深度递归、卷积神经网络的多时相（极化）SAR图像分类及去噪研究；（5）基于张量分解、剪枝、知识蒸馏的新型轻量化模型实现；（6）基于胶囊网络、ConvLSTM、图卷积网络的深度学习理论研究及其应用。本项目提出特征空间变分多元高斯混合模型、纹理狄利克雷过程混合模型，实现了低复杂度自适应变化检测与分类；首次将浅层非平滑非负矩阵分解扩展至深层网络结构，有效挖掘深层次判别特征信息；创新性提出了加权协作表示和模糊聚类一体化新模型，克服了传统方法中特征提取和聚类检测无法协同的局限性；考虑多通道、多尺度、空频特征的互补性，分别构建了孪生自适应融合网络、多尺度胶囊网络、空频双域网络的深度学习变化检测新方法，显著提升了变化检测性能；此外，设计了卷积长短时记忆（ConvLSTM）单元的空谱、复数和张量扩展结构，系统性提出多种新型ConvLSTM网络；开辟了张量轻量化算法研究，有效降低了深度网络模型的复杂度。相应研究成果在 IEEE TNNLS、IEEE TIP、IEEE TGRS、IEEE JSTSP、ISPRS JP&RS等国际权威期刊和IGARSS等国际学术会议上已公开发表学术论文47篇（含2篇学位论文），其中SCI收录论文33篇；共申请发明3项专利，已授权2项。该项研究丰富、发展（极化）SAR图像变化检测的相关理论和技术，为后续高分辨SAR图像解译与应用奠定良好基础。