基于聯(lián)合域聚類和稀疏表示的極化SAR圖像分類.pdf

1、極化SAR能夠詳細(xì)的分析地物目標(biāo)的電磁散射回波，提供更豐富的分類特征和地物散射信息，因此被廣泛應(yīng)用在軍事和民用領(lǐng)域。極化SAR圖像地物分類是極化SAR數(shù)據(jù)理解與解譯的關(guān)鍵，目前研究者們已相繼提出許多有監(jiān)督和無(wú)監(jiān)督的分類方法。這些方法大多從極化數(shù)據(jù)的統(tǒng)計(jì)特性和散射特性角度出發(fā)，而很少?gòu)膱D像本身去考慮，不能充分利用極化數(shù)據(jù)中包含的特征信息。針對(duì)這一問題，本文深入挖掘了極化SAR圖像的特征信息，融合了極化特征和紋理特征，在空域和極化域組成的聯(lián)

2、合域內(nèi)，對(duì)特征提取、無(wú)監(jiān)督和有監(jiān)督的極化SAR圖像分類方法進(jìn)行了研究。主要工作概括如下：
　　（1）已有的譜聚類方法用于極化SAR分類時(shí)，只利用了極化數(shù)據(jù)的空間信息或極化特征，不能有效表達(dá)極化SAR圖像的物理特性，并且譜聚類方法對(duì)尺度參數(shù)比較敏感。針對(duì)上述問題，提出了一種基于聯(lián)合相似度和譜聚類集成方法用于極化SAR圖像分類。所提方法結(jié)合極化數(shù)據(jù)的空間信息和極化信息，采用聯(lián)合相似性測(cè)度構(gòu)造譜聚類的相似性矩陣，充分利用了極化SAR圖像

3、在聯(lián)合域內(nèi)的信息。同時(shí)采用了改進(jìn)的譜聚類集成策略，在降低譜聚類算法對(duì)尺度參數(shù)敏感性的同時(shí)進(jìn)一步提高了算法的魯棒性。實(shí)驗(yàn)結(jié)果表明，所提方法提高了分類精度，區(qū)域一致性保持較好，能得到穩(wěn)定的分類結(jié)果。
　?。?）針對(duì)譜聚類算法用于極化SAR地物分類時(shí)計(jì)算復(fù)雜度高、分類結(jié)果不穩(wěn)定的問題，提出了一種基于字典學(xué)習(xí)和譜聚類集成的方法，主要從極化SAR數(shù)據(jù)特征提取和Nystr?m逼近算法的采樣點(diǎn)選擇兩方面對(duì)傳統(tǒng)譜聚類算法進(jìn)行了改進(jìn)。該方法將紋理特

4、征和極化特征結(jié)合起來(lái)，提高了譜聚類算法的聚類效果；采用拉普拉斯特征映射(Laplacian Eigenmap, LE)算法對(duì)特征矩陣進(jìn)行流形降維，將高維特征數(shù)據(jù)映射到低維子空間，降低了譜聚類算法的計(jì)算復(fù)雜度；通過字典學(xué)習(xí)選擇具有代表性的采樣點(diǎn)，代替?zhèn)鹘y(tǒng)的隨機(jī)采樣方法，增加了采樣點(diǎn)包含的信息量，避免了隨機(jī)采樣導(dǎo)致的分類結(jié)果不穩(wěn)定。對(duì)比已有的譜聚類算法，在極化SAR圖像數(shù)據(jù)的實(shí)驗(yàn)結(jié)果中表明，所提方法魯棒性更好，具有更優(yōu)的區(qū)域一致性和邊緣保持

5、效果。
　　（3）針對(duì)傳統(tǒng)譜聚類算法往往采用k-means聚類算法對(duì)譜映射得到的低維空間數(shù)據(jù)進(jìn)行聚類，容易造成分類結(jié)果不穩(wěn)定的問題，提出了一種聯(lián)合域的免疫克隆譜聚類(ICSC)方法用于極化 SAR圖像的分類。該方法結(jié)合了譜聚類和免疫克隆選擇算法互補(bǔ)的優(yōu)勢(shì)：1）譜聚類算法的映射降維有效的提高了免疫克隆算法全局尋優(yōu)的效率；2）用免疫克隆算法代替譜聚類算法中的k-means聚類，能夠以較大的概率尋求到全局最優(yōu)解，避免 k-means聚類

6、所造成的分類結(jié)果不穩(wěn)定，改善了譜聚類算法的性能。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方法的可行性和有效性。
　　（4）針對(duì)已有近鄰傳播聚類(Affinity Propagation, AP)算法使用歐式距離構(gòu)建相似度矩陣，不能有效描述極化SAR數(shù)據(jù)復(fù)雜分布的問題，提出了一種基于聯(lián)合域流形距離的AP聚類方法(CMD-AP)用于極化SAR圖像分類。該方法基于超像素進(jìn)行聚類，在考慮極化數(shù)據(jù)鄰域空間關(guān)系的同時(shí)降低了AP算法的計(jì)算復(fù)雜度；同時(shí)結(jié)合空域Wish

7、art流形和極化域歐式流形作為流形距離測(cè)度，構(gòu)造相似性矩陣，更好的反映了極化SAR數(shù)據(jù)聯(lián)合域的流形結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明所提方法的有效性。
　　（5）針對(duì)字典學(xué)習(xí)方法在考慮數(shù)據(jù)的整體稀疏性時(shí)，忽略圖像的空間結(jié)構(gòu)，以及計(jì)算復(fù)雜度高的問題，利用極化SAR圖像包含在空域、極化域的特征信息，提出了一種基于聯(lián)合域的字典學(xué)習(xí)和稀疏表示(CDL-SRC)的方法，用于極化 SAR圖像分類。該方法首先利用基于聯(lián)合域流形距離的快速AP聚類方法學(xué)習(xí)字典，在