极化SAR影像地物分类的多目标进化模型与优化求解

Polarimetric SAR images are corrupted by speckle noise unavoidably, which affects the quality of polarimetric SAR images seriously. Moreover, the excessive suppression of speckle noise leads to missing image details easily, which reduces the classification accuracy and affects the quality of interpretation for polarimetric SAR images. In this regard, to balance preserving image details and removing speckle noise for polarimetric SAR image classification, this project intends to establish a multi-objective model to preserve image details and restrain speckle noise simultaneously. In order to improve capacity of searching optimal solutions, search strategies of evolutionary computation are designed on the basis of polarization information derived from polarimetric SAR images. In terms of multi-layer neural network for polarimetric SAR image classification, evolutionary computation with polarization information is introduced to optimize network structure, weights and bias, in order to improve the ability of learning and generalization. Then high-quality classification results can be obtained. To analyze and verify of the effectiveness of the proposed scheme, this project intends to adopt several polarimetric SAR images as experimental images and select a variety of domestic and foreign classical techniques for polarimetric SAR image classification as comparison algorithms. This project can provide a new way to improve the classification accuracy of polarimetric SAR image, which has potential application in polarimetric SAR image classification.

极化SAR影像存在不可避免的相干斑噪声，严重影响成像质量。而相干斑噪声的过度抑制容易导致影像细节的损失，引起极化SAR影像分类精度的降低，影响极化SAR影像解译的效果。为此，本项目围绕极化SAR影像地物分类，拟建立同时考虑影像细节保持和相干斑噪声抑制的多目标模型，解决分类中影像细节保持和相干斑噪声之间的平衡问题；基于极化SAR影像极化信息，设计进化计算的搜索策略，提高优化方法的寻优能力；针对面向极化SAR影像地物分类的多层神经网络，基于结合极化信息的进化计算优化其网络结构和权重偏置，提高多层神经网络的学习能力和推广能力，获取高质量地物分类结果。本项目拟采用多幅极化SAR影像作为实验对象，选取多种国内外已有经典极化SAR影像地物分类技术作为对比方法，对本项目所提方案进行有效性分析与验证。本项目可为提升极化SAR影像地物分类精度提供新途径，在极化SAR影像地物分类中具有较大的应用潜力。

极化SAR影像存在不可避免的斑点噪声，严重影响成像质量。而斑点噪声的过度抑制容易导致影像细节的损失，引起极化SAR影像分类精度的降低，影响极化SAR影像解译的效果。为此，本项目围绕极化SAR影像地物分类，开展了基于极化SAR 影像极化信息的多目标测度、面向极化SAR 影像地物分类的多目标进化学习优化方法以及极化SAR 影像地物分类模型三方面的研究，具体包括：（1）针对噪声图像分割中图像信息易丢失的问题，提出了双层进化模糊聚类框架，同时实现了图像细节信息保持和噪声去除；（2）针对未知类别等缺乏先验信息的噪声图像分割，提出了结合图像局部与非局部信息的多目标进化模糊聚类方法，实现了无监督高质量噪声图像分割；（3）针对基于像素的极化SAR影像地物分类易受斑点噪声影响且计算量大的问题，提出了基于多目标进化的极化SAR图像超像素分割方法和自适应极化SAR图像超像素分割方法，在保证极化SAR地物分类精度的同时、有效减少斑点噪声的影响并降低了计算成本；（4）关于极化SAR影像地物分类中深度神经网络模型自动设计问题，提出了基于进化卷积神经网络的极化SAR图像分类方法和基于多目标进化图卷积神经网络的极化SAR图像分类方法，既提升了极化SAR地物分类精度、又降低了深度神经网络模型的复杂度；（5） 针对极化SAR 影像地物分类模型中数据隐私保护问题，提出了基于联邦进化卷积神经网络的极化SAR图像分类方法，实现了保护数据隐私前提下对多幅极化SAR图像进行分类。本项目以多目标优化、进化计算、深度神经网络、联邦学习等为理论基础，重点研究面向极化SAR地物分类的多目标进化模型及其优化求解，在多目标进化优化、神经架构搜索等关键领域取得了一系列创新性研究成果，为极化SAR影像地物分类提供新的技术支持，研究成果在遥感影像处理应用领域具有重要的应有价值和潜力。