基于特征量统计与联合稀疏迁移学习的极化SAR异质场景分类

In view of the low classification accuracy for the clutter of heterogeneous scene which is caused by multi-channel, speckle noise and high-resolution of polarimetric SAR images, and an adaptive Statistical non-Gaussian model is made for texture and speckle of polarimetric SAR images. This model is made on the features space using local Gassian distribution and can represents dynamic parameters of scatter object feature because it changes with the image space movement. Another, parameter transfer learning is used to correct the bias of maximum-likelihood estimator in order to reduce the effect on the classification. And then, essential characteristic of the clutter is extracted automatically by using Joint Sparsity representation for three channels data. Furthermore, the generalization ability of the transfer learning is improved by combining joint sparse representation and transfer learning, and this learning style is used to heterogeneous scene classification of polarimetric SAR images with random scatter waves. We expect there have substantive progress in the solution of unsatisfied generalization ability due to non-independent identity distribution and heterogeneous scene classification for polarimetric SAR images. The research achievements could be applied in military, civil and so on related domain and it has good theory and the application value.

针对极化SAR图像中多通道、强噪声和高分辨率等原因引起的混合散射体异质场景难以准确分类问题，采用局部高斯概率模型对特征空间的特征值、功率和特征向量等的分布进行动态统计，建立一种对极化SAR图像中纹理和噪声的自适应非高斯统计模型，该模型能够随着图像空间变化而变化地表征散射特征的动态参数；进而对于极大似然估计的偏向问题实施参数迁移，以降低估计偏差对分类的影响；通过对三个通道数据联合稀疏表示，自动提取出混合散射体的本质特征；针对不同时相极化SAR数据将联合稀疏与迁移学习结合，充分利用已有先验信息进一步提高迁移学习方法的泛化能力，并将其用于散射回波随机波动的极化SAR图像异质场景高效分类。期望在解决不满足独立同分布且泛化能力差的机器学习方法及其应用于极化SAR图像的异质场景分类等问题上，有实质性进展，研究成果可应用于军事、农业和地址灾害损毁评估等相关领域，具有较好的理论和应用价值。

针对极化SAR图像中多通道、强噪声和高分辨率等原因引起的混合散射体异质场景难以准确分类问题，采用局部高斯概率模型对特征空间的特征值、功率和特征向量等的分布进行动态统计，建立一种对极化SAR图像中纹理和噪声的自适应非高斯统计模型，该模型能够随着图像空间变化而变化地表征散射特征的动态参数；进而对于极大似然估计的偏向问题实施参数迁移，以降低估计偏差对分类的影响；通过对三个通道数据联合稀疏表示，自动提取出混合散射体的本质特征；针对不同时相极化SAR数据将联合稀疏与迁移学习结合，充分利用已有先验信息进一步提高迁移学习方法的泛化能力，并将其用于散射回波随机波动的极化SAR图像异质场景高效分类。期望在解决不满足独立同分布且泛化能力差的机器学习方法及其应用于极化SAR图像的异质场景分类等问题上，有实质性进展，研究成果可应用于军事、农业和地址灾害损毁评估等相关领域，具有较好的理论和应用价值。建立了一种动态局部特征值和散射功率统计学习模型，将其用于分析极化 SAR 图像中复杂地物的混合散射特性；采用高维随机变量估计其统计分布，建立一种特征向量的异质纹理度量模型，构造基于特征向量空间结构迁移学习的异质极化SAR图像分类方法；将 Pauli 分解得到三个极化通道数据进行联合稀疏表示，并保证它们具有相同的稀疏性模式，利用三个通道联合的稀疏特性——共同分量，自动提取出混合散射体的本质特征，再充分利用各通道数据的先验信息，使得算法能够捕获图像的细节纹理和边缘信息，构造一种新的稀疏迁移学习分类方法，实现高效极化SAR 异质场景分类；针对复杂地物难以准确服从一种统计分布以及极大似然应用于极化 SAR难以无偏估计的瓶颈问题，利用不同但相似场景共享模型参数，通过参数迁移建立一种鲁棒的自适应的特征分布统计学习模型，并将其用于无标记且含有大量斑点噪声的异质极化 SAR 图像地物分类；提出了一种基于字典迁移与近邻正则加权联合稀疏的多时相全极化SAR分类方法。基于三通道的近邻正则加权联合稀疏相比较联合稀疏能够减小全极化SAR三通道之间差异性所带来的误差，字典的迁移相比较直接在数据上采样训练字典，可以节省时间。