基于非平稳深度随机场网络的无监督SAR图像多类分割研究

Deep learning and random fields theories provide the research bases of this project. Utilizing the low-rank and sparse matrix decomposition, enforcing population and lifetime sparsity learning, and spatially nonstationary anisotropic analysis, this project studies the unsupervised representation learning theory to extract deep features of SAR images. Then in the space of deep features, we construct a nonstationary deep random fields network to enhance the segmentation accuracy and capture the nonstationary spatial structure information of SAR images accurately. Moreover, we construct an evidential nonstationary deep random fields network to achieve the effective fusion of the multiple deep information, thus enhancing the segmentation accuracy of the mixture pixels. In addition, we construct a Dirichlet deep random fields network and search the number of segmented classes adaptively. In this way, this project deals with nonstationary SAR image multiclass segmentation based on the proposed nonstationary deep random fields networks, and has the following contributions: the strong robustness against speckle, effective learning of the deep features, accurate capture of the nonstationary spatial structure information, effective fusion of the deep information and improved popularity of the segmentation model. Then this project can promote the application of SAR image segmentation in the geological exploration, map updating and battlefield detection.

本项目以研究深度学习、随机场理论为基础，结合低秩稀疏分解、增强稀疏学习、空间非平稳各向异性分析等理论和方法，研究并建立SAR图像深度特征表示学习理论和方法，实现SAR图像深度特征有效挖掘；在深度特征空间，研究并建立非平稳深度随机场网络，以利用泛化性能好、判别能力强的深度特征提高地物类别判定的准确度和图像非平稳空域结构信息捕获的精确度；研究并建立证据非平稳深度随机场网络以有效融合多维深度信息，提高混合像元类别判定的准确度；研究并建立Dirichlet非平稳深度随机场网络以对类别数目进行有效的自适应确定，从而提供基于非平稳深度随机场网络的无监督SAR图像多类分割新理论和新方法，突破乘性噪声鲁棒性有效提高、深度特征有效挖掘、非平稳空域结构信息精确捕获、多维深度信息有效融合以及分割模型普适性有效提升等技术难点，为SAR图像分割在地球变化研究、地图绘制以及战场侦察中的应用提供有效的方法和技术支持。

SAR/极化SAR图像分割与分类理论与方法是微波遥感技术领域中的重点研究课题，能够准确地对环境信息进行提取，推动SAR/极化SAR系统在地表覆盖测绘以及战场侦察等遥感领域中的应用。本项目针对SAR/极化SAR图像多类分割与分类问题开展了系统深入的研究工作，取得了如下研究成果：1）基于Mellin变换理论提出了一种新的广义Gamma分布参数估计方法，提升了SAR/极化SAR数据统计分布模型精度，并将其成功用于地物要素分类；2）结合广义主成分分析理论与图理论，提出了基于优化低秩稀疏分解的极化特征挖掘方法，实现了相干斑的有效抑制以及强辨识地物特征的有效提取；3）提出了基于低秩稀疏分解随机场的极化SAR地物要素分类方法，在随机场框架下，将低秩稀疏分解挖掘的有效极化特征、极化统计分布信息以及地物的空间结构信息进行贝叶斯融合，有效提升了地物要素分类的精度；4）基于增强稀疏学习理论分别提出了三维稀疏单极化SAR图像特征提取模型和复数增强稀疏极化SAR图像特征提取模型，实现了无监督强辨识深度特征的有效提取；5）提出了基于多尺度证据融合网络的SAR数据地物要素分类方法，设计多感受野多尺度深度特征提取网络以提取多尺度深度特征，解决了传统深度学习模型单一感受野难以有效分析提取非平稳SAR图像复杂纹理特征的问题；6）提出了基于贝叶斯融合深度概率图模型的极化SAR图像分类方法，在随机场框架下采用复值三维卷积神经网络学习极化数据深度特征，并基于贝叶斯信息融合准则与统计分布信息进行有效融合，提升了地物识别能力和抗噪性能；7）提出了基于高阶三重条件随机场PCANet的非平稳SAR图像无监督分割方法，实现深度特征的无监督表示学习，并捕获非平稳SAR图像复杂的高维空域结构信息，有效提升了分割精度。本项目已在IEEE TGRS、IEEE TAES等国际主流期刊发表相关学术论文20篇，其中SCI检索20篇，参加国内国际会议5次，申请专利6项；培养博士生3名，硕士研究生10名，已毕业6名。相关研究成果为遥感探测任务提供了必要的技术支撑。