基于多任务学习的极化SAR图像分类问题研究

作者：李盈

来源：应用数学, 硕士, 南昌航空大学, 2019.

• 极化SAR图像分类
• 多任务学习
• 稀疏表示
• 低秩表示

极化合成孔径雷达(POLSAR,极化SAR)具有全天时、全天候的观察测量功能,是目前最先进、最重要的监测技术之一。极化SAR图像分类是SAR图像处理中重要和困难的任务之一,其目的是将每个像素分类到特定的类别。极化SAR图像分类是理解SAR数据的关键步骤,且已被广泛应用于军事、民用等多个领域。但由于自然地形的复杂性和多样性,极化SAR图像分类仍然是具有挑战性的任务。极化SAR图像分类图像处理领域的一个重要研究方向,是目前一大研究的热点和难点。针对极化SAR图像分类问题,本文提出以下两种算法:第三章中,本文提出了一种基于多任务稀疏表示学习的极化SAR图像分类方法。为了提高分类的计算效率和空间一致性,首先对极化SAR图像进行超像素分割,然后对其提取不同类型的特征,构成每个类的特征字典,然后通过多任务稀疏表示学习方法,将目标极化SAR的超像素特征向量分类为特定类,从而完成图像分类任务。针对本文采用的多任务稀疏表示学习模型,采用了加速近端梯度方法进行数值求解。最后,依据真实的极化SAR数据的实验结果说明,该方法比几种最先进的算法效果更好。第四章中,本文提出了一种基于低秩多任务学习的极化SAR图像分类方法。本文先对极化SAR图像进行超像素分割处理,将训练样本和测试样本分割成许多小块,再将从不同类别标签的超级像素提取的特征组成每个类别的特征字典,利用基于鲁棒低秩表示的多任务学习模型将测试图像的超像素分到特定类。实验表明,本文提出的基于鲁棒低秩表示的多任务学习方法优于基于单一特征的分类方法。

• 单位
  南昌航空大学