基於集成學習的星載全極化SAR圖象分類與信息解譯

《基於集成學習的星載全極化SAR圖象分類與信息解譯》是依託南京大學，由杜培軍擔任項目負責人的面上項目。

基本介紹

• 中文名：基於集成學習的星載全極化SAR圖象分類與信息解譯
• 項目類別：面上項目
• 項目負責人：杜培軍
• 依託單位：南京大學

項目摘要

儘管星載全極化合成孔徑雷達遙感數據獲取能力發展迅速，但圖象處理算法選擇、精度與適用性、推廣性方面仍存在許多問題。針對PolSAR圖象處理的難點和機器學習的研究進展，將能夠綜合多個學習機優勢、提高信息解譯精度的集成學習引入PolSAR圖象處理，構建基於集成學習的PolSAR圖象處理與解譯方法體系，建立算法模型庫作為學習機集合，研究PolSAR極化散射特徵、圖象統計特徵和空間結構特徵等的組合策略。選擇圖象分類、變化檢測和目標識別三個典型任務，研究PolSAR圖象處理中的學習機差異性測度、學習機最佳化選擇、集成學習策略等關鍵問題，引入半監督學習和多示例學習解決樣本數量少和斑點噪聲影響的問題。通過土地覆蓋分類、城市擴展監測、災害損失監測等試驗，歸納適用於PolSAR圖象分類和信息提取的集成學習策略。研究成果對提高PolSAR圖象處理的可靠性、拓展集成學理論、推進PolSAR數據套用具有重要意義。

結題摘要

近年來，星載PolSAR遙感數據獲取能力發展迅速，成為遙感科學技術新的發展前沿，但在其處理與信息提取算法選擇、適用性、推廣性方面仍存在許多問題。本項目針對PolSAR 圖像處理的難點和機器學習的研究進展，率先將集成學習理論與方法引入PolSAR 圖像處理，構建基於集成學習的PolSAR 圖像處理與解譯方法體系，建立算法模型庫作為學習機集合，研究PolSAR 極化散射特徵、圖像統計特徵和空間結構特徵等的組合策略，研究PolSAR 圖像處理中的學習機差異性測度、最佳化選擇、集成學習策略等關鍵問題，並引入半監督學習解決樣本數量少和斑點噪聲的影響。通過土地覆蓋分類、城市擴展監測等試驗，歸納適用於PolSAR 圖像分類和信息提取的集成學習策略。 項目主要研究成果： 1. 按照極化SAR 圖像處理與信息提取的流程，以集成學習原理為基礎，從三個層次構建了基於集成學習的極化SAR圖像處理與信息提取方法體系：基於Boosting 和Bagging 及其改進的體系；並行集成學習算法體系；串列（順序）集成學習算法體系。 2. 提出了基於多特徵組合和多分類器結合的PolSAR圖像分類方法，一方面綜合套用極化特徵、空間特徵等的互補優勢，另一方面組合不同分類器的優勢。將先進的集成學習算法-隨機森林、旋轉森林套用於圖像分類中，引入形態學剖面特徵挖掘空間信息，有效提高了分類精度和穩定性。 3. 提出了基於主動學習、集成學習和極限學習機的全極化SAR圖像分類策略，採用Bagging方法在各組訓練樣本上訓練極限學習機，然後經過簡單多數投票法組合輸出得到最終的分類結果，常規極限學習機的分類性能經過Bagging、AdaBoost集成後得到顯著的改善。 4. 對支持向量機分類器進行改進，實現了針對PolSAR 圖像分類的空間--極化多核支持向量機；提出一種簡單、高效且適用於全極化SAR圖像分類的半監督學習算法，將Self-training算法和圖像分割相結合，不斷增加訓練樣本集規模，以提高分類精度。 5. 依託項目研究，發表標註項目資助的SCI論文16篇，中文核心期刊論文5篇，獲得軟體著作權2項，培養博士後2人、博士生3人、碩士生5人。 研究成果對提高PolSAR 圖像處理的可靠性、拓展集成學理論、推進PolSAR 數據套用具有重要意義，已經在國內外集成學習、SAR信息提取領域產生了一定影響。