基于深度核稀疏优化判别随机场的极化SAR图像分类研究

This project studies the selection and fusion of high-dimensional PolSAR features, the statistical modeling of PolSAR data, and the exploitation of complex spatial characteristics. Using the discriminative random field, the kernel sparse representation, the supergraph, the Bayes theory and the deep learning, this project studies the PolSAR image classification based on deep kernel sparse improved discriminative random field. By deeply exploiting the features of PolSAR image, this project constructs PolSAR image classification theories and methodologies utilizing the multiple features weighted discriminative random field mixture model, establishes PolSAR image classification theories and methodologies based on multiple kernel joint sparse discriminative random field, and constructs fine PolSAR image classification theories and methodologies based on deep structure improved discriminative random field. The aim of this project is to effectively fuse the multiple PolSAR features, adaptively select multi-classes optimal feature set, effectively capture the spatial structures in a more completed manner, and precisely construct the discriminative classifier with multiple features. This project is able to provide fine and moderate theories and methodologies for PolSAR image classification. It provides theoretical and technical supports for urban study, geological exploration, environmental monitoring, map data updating, detection and assessment of fire-attacks in the battlefield, and so on.

本项目以研究极化SAR高维度特征的最优筛选与有效融合、极化SAR数据统计建模以及复杂空间结构特征的深度挖掘为基础，结合判别随机场、核稀疏表示、超图模型、Bayes理论以及深度学习，以综合分析并研究极化SAR图像的特征挖掘为研究思路，研究并建立基于多特征加权判别随机场混合模型的极化SAR图像分类的新理论和新方法；研究并建立基于多核联合稀疏判别随机场的极化SAR图像分类的新理论和新方法；研究并建立基于深度结构优化判别随机场的极化SAR图像精细分类的新理论和新方法。突破极化SAR多特征的有效融合、多类最优特征集的自适应筛选、深度空间结构特征的全面捕获以及多特征下判别分类器的精确构建等技术难点，提供精细、稳健的极化SAR图像分类新理论和新方法，为城市现代化研究、地球资源和环境监测、地图数据库更新以及战场侦察和打击评估等提供有效的方法和技术支持。

高维度特征信息的最优筛选和有效融合、复杂空间结构特征的深度挖掘以及小样本下最优判别分类器的构建是当前极化SAR图像分类中面临的关键问题。针对上述问题，本项目结合深度学习、三重马尔可夫场（TMF）模型、条件随机场（CRF）模型、贝叶斯信息融合理论、随机森林、稀疏表示以及多分辨率处理理论，深入研究了基于深度核稀疏优化判别随机场的极化SAR图像分类技术。1）针对高维度特征信息的最优筛选和有效融合，本项目提出了一种合成核和混合判别随机场模型，简称CK-HDRF，将多核K均值聚类算法与传统的HDRF模型相关联，实现了高维度极化分解特征和纹理特征的有效融合，此外，设计了双层随机森林网络，通过重要性参数的筛选实现了最优特征集的选择，实测数据的实验验证了判别性特征对提高分类性能有很大贡献；2）针对复杂空间结构特征和纹理特征的深度挖掘，本项目设计了一种基于图结构的CV-3D-CNN框架，更好地描述了极化SAR图像中像素之间的散射关系，为分类器提供了更有判别能力的深度特征，此外，提出了针对极化SAR图像分类的新型复值神经网络框架，它关注于极化SAR图像中的同类与异类像素之间的相似性与差异性，不仅能够保持相位信息，而且有效地避免了特征和分类器之间的失配问题。3）针对极化SAR图像深度特征效率较低、标签样本难以提取、深度网络过拟合等问题，本项目提出了一种复数强样本分布稀疏性和激活时间稀疏性模型，简称CV-EPLS，实现了高分辨极化SAR图像非冗余稀疏特征的有效提取，有效提高了深度学习处理极化SAR图像分割分类问题的精确性和普适性，进而提高了分类性能。本项目产出的研究成果为自然灾害监测、环境监测、城市规划、地图数据库更新等工作提供了重要的理论和技术支持，对提高我国极化SAR图像的应用能力，具有重要的研究意义和经济价值。