《基於張量稀疏L1圖的半監督極化SAR影像地物分類》是依託西安電子科技大學，由劉紅英擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於張量稀疏L1圖的半監督極化SAR影像地物分類
- 項目類別：青年科學基金項目
- 項目負責人：劉紅英
- 依託單位：西安電子科技大學
中文摘要,結題摘要,
中文摘要
項目針對多極化合成孔徑雷達(SAR)影像的海量、高維、多通道與多模態數據,難以準確高效的自動解譯的問題，探索基於圖模型的半監督地物分類方法，旨在降低標註樣本數目的同時提高分類精度。首先，針對當前極化SAR地物分類中多物理屬性描述與特徵選擇的困難，研究極化SAR數據多特徵的張量表示與稀疏建模；其次，設計張量稀疏表示的流形正則，構造基於張量稀疏L1圖的魯棒半監督分類算法; 在此基礎上, 挖掘極化SAR數據的空域結構，設計數據域-空域聯合的流形約束，發展基於雙流形正則的半監督分類算法。最後，研究基於高解析度極化SAR地物分類的快速實現方法，用RADARSAT-2、PALSAR等數據驗證算法的有效性。項目不僅能提高現有極化SAR影像數據自動解譯的性能，還將進一步完善和推廣半監督方法的研究和套用。研究成果可套用于軍事、民用等相關領域，為有效支撐雷達系統對地觀測、衛星導航、深空探測等國家需求奠定基礎。
結題摘要
近年來大量基於圖的半監督學習方法被提出，算法首先是要構建一個圖，即用一個圖矩陣來表示一幅圖像並進行分類。雖然基於圖的分類方法在SAR圖像分類上都取得了較高的分類正確率，但是仍然存在兩個缺點：1、算法在構圖過程中，忽視了圖像的空間信息，導致對圖像的細節劃分有誤差。 2、構圖方法時間複雜度高，運算量太大。本項目基於稀疏圖的構造與最佳化來解決以上問題，引入張量子空間學習來保持極化SAR圖像的局部空間結構並且提出了基於子空間學習的半監督降維方法；提出一種基於錨點圖的快速極化SAR影像半監督分類方法；提出了一種基於空間約束的快速更新圖的半監督分類；提出了聯合表示和分析數據的流形結構，統計特徵與空間特性，構造了多圖聯合模型的半監督分類算法。通過本項目的研究，在遙感以及模式識別領域主流國際期刊共發表 SCI 論文22篇包括 《IEEE Transactions on Geoscience and Remote Sensing》，《Pattern Recogonition》 《Nerocomputing》等，其中第一作者以及通訊作者論文8篇，包括《IEEE Journal of Selected Topics in Signal Processing》1篇（2017 年影響因子:5.301），《Applied Soft Computing》1篇（2017 年影響因子:3.541），《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》3篇（2017 年影響因子:2.913），國際會議論文5篇，申請發明專利8項，培養碩士研究生9名，聯合培養博士研究生4名。項目研究在國內外研究領域起到了推廣作用，具有理論價值和套用意義。
