论文部分内容阅读
在人工智能飞速发展的今天,如何利用好深度学习和大数据的优势来对PolSAR图像进行分类是遥感领域的一个热点话题。特征提取或学习是PolSAR图像分类的关键步骤,目前研究的趋势之一是极化特征和空间特征的有效提取(或学习)与融合。其中,基于目标分解的极化特征提取技术已经趋于成熟,而如何对提取出的高维极化特征进行最优表示,如何自适应学习具有强判别性的空间特征,以及如何对极化信息和空间信息进行有效融合,来最大程度改善分类结果才是当下最核心的几个问题。受启发于FCN在语义分割上取得的巨大成功和逐像素点的PolSAR图像分类与语义分割之间的相似性,探索如何把独特的极化信息与FCN进行有效结合用于PolSAR图像分类是一个有前景的研究方向。此外,近年来的许多研究工作表明稀疏表示、低秩表示和流形学习能够为分类任务传递有价值的信息。考虑到正确标记的PolSAR数据较少,难以训练一个好的深度网络模型用于逐像素点的PolSAR图像分类,本文提出一种浅层学习与深度学习相结合的PolSAR图像分类方案,把稀疏、低秩和流形约束下学习到的浅层子空间特征嵌入到FCN自动学习到的深层空间模式后用于分类。本论文的主要贡献包括以下四个方面:(1)一种基于图嵌入的浅层子空间学习方法被用来捕获高维极化数据最本质的结构,并在图嵌入框架下,加入稀疏、低秩和流形先验,使得低维子空间中的表示能够保留局部特性、全局特性和局部本征几何等重要性质;(2)一个在光学图像数据集上预先训练好的FCN-8s模型被迁移过来学习PolSAR图像的非线性深层多尺度空间特征;(3)浅层的稀疏、低秩和流形子空间特征以加权的方式被嵌入FCN学习到的深层空间特征中,二者优势互补,共同增强融合特征的判别性,与判别模型结合后用于后续的分类;(4)为了促使极化信息与空间信息能够更有效地融合,本文进一步提出使用多个并行的卷积神经网络MFCN来学习深层空间特征,同时可实现空间-极化信息的自适应融合。为了去除冗余信息,MFCN输出的高维特征图被输入流形图嵌入模型,以得到流形子空间中具有更强表示和判别能力的特征,最后结合判别模型得到最终的分类结果图。最后,本论文在三个真实的PolSAR数据集上进行广泛实验,实验结果证明了本文所提出的分类算法具有优越的分类性能。尤其是在小样本的情况下,浅层学习与深层学习的协同作用能够相辅相成,最大程度地提高分类准确率。