基于张量稀疏L1图的半监督极化SAR影像地物分类

This project addresses the challenge that multi-polarimetric SAR data brings about the large scale, high dimensional, multi-channel and multi-mode for the inaccurate and inefficient auto-interpretation. And this project explores the semi-supervised terrain classification using graph models aiming at higher classification accuracy at a smaller number of labeled samples. Firstly, to overcome the difficulty of describing the multi-attributes of the data and selecting features, the tensor representation and sparse modeling for polarimetric SAR are investigated. Secondly, designs the manifold regularization by the coefficients from sparse representation, constructs the sparse-representation model for polarimetric SAR data, and builds a noise-robust semi-supervised classification algorithm. Based on it, this project investigates the spatial information of polarimetric SAR data, designs the spatial manifold regularization, and develops the semi-supervised classification algorithms by means of double manifold regularizations. Finally, this project studies the fast realization of classification algorithms for high-resolution polarimetric SAR. All the above algorithms are verified on the RADARSAT2 and PALSAR datasets. This project will not only improve the performance of polarimetric SAR processing and interpretation but also contributes to the improvement and extension of semi-supervised learning. The research could be applied to both the military and civilian, and paves good ways for the earth observation, satellite navigation, and space exploration of our nation.

项目针对多极化合成孔径雷达(SAR)影像的海量、高维、多通道与多模态数据,难以准确高效的自动解译的问题，探索基于图模型的半监督地物分类方法，旨在降低标注样本数目的同时提高分类精度。首先，针对当前极化SAR地物分类中多物理属性描述与特征选择的困难，研究极化SAR数据多特征的张量表示与稀疏建模；其次，设计张量稀疏表示的流形正则，构造基于张量稀疏L1图的鲁棒半监督分类算法; 在此基础上, 挖掘极化SAR数据的空域结构，设计数据域-空域联合的流形约束，发展基于双流形正则的半监督分类算法。最后，研究基于高分辨率极化SAR地物分类的快速实现方法，用RADARSAT-2、PALSAR等数据验证算法的有效性。项目不仅能提高现有极化SAR影像数据自动解译的性能，还将进一步完善和推广半监督方法的研究和应用。研究成果可应用于军事、民用等相关领域，为有效支撑雷达系统对地观测、卫星导航、深空探测等国家需求奠定基础。

近年来大量基于图的半监督学习方法被提出，算法首先是要构建一个图，即用一个图矩阵来表示一幅图像并进行分类。虽然基于图的分类方法在SAR图像分类上都取得了较高的分类正确率，但是仍然存在两个缺点：1）算法在构图过程中，忽视了图像的空间信息，导致对图像的细节划分有误差。 2）构图方法时间复杂度高，运算量太大。本项目基于稀疏图的构造与优化来解决以上问题，引入张量子空间学习来保持极化SAR图像的局部空间结构并且提出了基于子空间学习的半监督降维方法；提出一种基于锚点图的快速极化SAR影像半监督分类方法；提出了一种基于空间约束的快速更新图的半监督分类；提出了联合表示和分析数据的流形结构，统计特征与空间特性，构造了多图联合模型的半监督分类算法。通过本项目的研究，在遥感以及模式识别领域主流国际期刊共发表 SCI 论文22篇包括 《IEEE Transactions on Geoscience and Remote Sensing》，《Pattern Recogonition》 《Nerocomputing》等，其中第一作者以及通讯作者论文8篇，包括《IEEE Journal of Selected Topics in Signal Processing》1篇（2017 年影响因子:5.301），《Applied Soft Computing》1篇（2017 年影响因子:3.541），《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》3篇（2017 年影响因子:2.913），国际会议论文5篇，申请发明专利8项，培养硕士研究生9名，联合培养博士研究生4名。项目研究在国内外研究领域起到了推广作用，具有理论价值和应用意义。