基于非线性流形学习的极化SAR特征提取与匹配技术研究

In the application of polarimetric SAR(PolSAR) target detection, classification, retrieval and recognition, similarity measurement in the feature space is a common problem. The key point to solve this problem is how to extract the polarimetric intrinsic features that can represent the discriminating information of different classes of targets. In this project we will restructure the low dimensional polarimetric manifold which lies on the original high dimensional polarimetric observation space by nonlinear manifold learning, meanwhile retain the discriminating information of different classes of polarimetric targets. Then the polarimetric intrinsic features will be extracted, meanwhile the intrinsic dimension and physical meaning of these intrinsic features will be researched. Based on the above steps, the polarimetric intrinsic feature database of targets can be constructed. For solving the problem of out-of-sample, the explicit mapping of nonlinear manifold learning must be found, then we can apply the feature matching in the polarimetric intrinsic feature space. The research aims to search the intrinsic features which are beneficial to target similarity measurement, and then apply them in the polarimetric target feature matching. In the future, this work will provide technological sustentation for high-volume applications of polarimetric SAR by our country.

在极化SAR图像检测、分类、检索和识别等应用中，对目标进行特征空间中的相似性度量是这些应用面临的共同技术问题，提取出能够全面表征不同类别目标鉴别信息的极化本征特征，是解决这一技术问题的关键。本项目拟采用非线性流形学习的技术，恢复出内蕴在原始高维极化观测空间中的低维极化流形结构，并在维数约减的同时保持不同极化目标的鉴别信息，提取出目标的极化本征特征；然后针对极化本征特征进行本征维数和物理意义的挖掘，建立目标的极化本征特征集；最后推导出非线性极化流形学习的显式映射，以解决新来测试样本的本征特征提取问题，最终实现极化SAR图像在本征特征空间中的特征匹配应用。该项目的研究拟寻找并发现极化SAR图像中有利于目标相似性度量的本征特征，挖掘出其内在的物理意义，建立典型目标的极化本征特征集并形成基于本征特征的极化SAR目标特征匹配应用方案，为我国即将到来的极化SAR图像大规模应用提供技术支撑。

在我国极化SAR卫星已经在轨运行，海量的极化SAR图像投入应用的背景下，极化SAR图像准确、快速、稳健的处理和解译方案需要系统地建立起来。本项目通过非线性流形学习技术寻找并发现极化SAR图像中有利于目标相似性度量的本征特征，挖掘其内在的物理意义，形成基于本征特征的极化SAR目标特征匹配应用方案。本项目的研究内容主要包括建立极化SAR原始极化观测空间和特征数据集，研究各类流形学习技术对极化观测空间的维数约减效果及其对极化 SAR 目标鉴别信息的保持效果，挖掘极化本征特征物理意义，研究基于流形表达的极化SAR目标特征匹配方案，以及基于增量式混合模型参数估计的极化SAR目标特征匹配方案五个方面。通过项目研究形成了49维极化观测特征集并建立了作物、林地、城区和水域四类典型地物的样本库和特征数据集。通过各类流形学习技术对极化SAR目标特征匹配的比较，确定了拉普拉斯特征映射技术在特征匹配中的优势，并对其获取的各维极化本征特征进行了极化散射机制的对映。之后通过研究确定了适用于极化SAR图像超像素获取的SLIC过分割算法，在此基础上分别开展了基于流形空间距离测度的极化SAR图像非监督分类研究和基于黎曼稀疏编码的极化SAR图像监督分类研究，实验结果均表明方法的有效性。之后针对极化SAR数据量更大，数据集更新更加频繁的现状，提出了基于增量式混合模型参数估计的极化SAR目标特征匹配方案，该增量式模型可实现对传统监督分类模型的突破，适用于需要数据更新周期短的极化SAR图像地物分类任务，进而有利于极化SAR图像的大规模应用。此外，本项目中还针对国产星载极化SAR图像质量提升，对极化外定标中极化隔离度沿距离向存在的空变特性进行了一定的研究。本项目对极化SAR图像特征及特征匹配的研究，有利于寻找目标的极化本征特征，从而为我国极化SAR图像应用中目标的分类和识别，战场环境中战场态势的感知起到一定的探索作用。