基于自适应超像素的少样本极化SAR图像特征增强方法研究
2022年电子技术应用第10期
任吉宏1,2，刘 畅1,2
1.中国科学院 空天信息创新研究院，北京 100190； 2.中国科学院大学，北京 100049
摘要： 有监督的极化合成孔径雷达（极化SAR）图像地物分类任务需要像素级人工标注，如何减少其对大量精确标注样本的依赖是目前的一个研究重点。极化SAR图像的空间邻域内存在信息冗余和特征相关性，充分利用空间邻域信息有助于提升样本特征的判别性和鲁棒性。通过引入基于极化统计HSV颜色特征的自适应超像素聚类算法，提出一种借助邻域相关性的样本特征增强方法。实验结果表明该方法可以在仅有少量标注样本的条件下提升分类结果的鲁棒性和准确率。
中圖分類號： TN958文獻標識碼： ADOI：10.16157/j.issn.0258-7998.222808
中文引用格式： 任吉宏，劉暢. 基于自適應超像素的少樣本極化SAR圖像特征增強方法研究[J].電子技術應用，2022，48(10)：144-149.
英文引用格式： Ren Jihong, Liu Chang. An adaptive superpixel-based polarimetric feature enhancement method for polarimetric SAR image classification with limited labeled data[J]. Application of Electronic Technique，2022，48(10)：144-149.
中文引用格式： 任吉宏，劉暢. 基于自適應超像素的少樣本極化SAR圖像特征增強方法研究[J].電子技術應用，2022，48(10)：144-149.
英文引用格式： Ren Jihong, Liu Chang. An adaptive superpixel-based polarimetric feature enhancement method for polarimetric SAR image classification with limited labeled data[J]. Application of Electronic Technique，2022，48(10)：144-149.
An adaptive superpixel-based polarimetric feature enhancement method for polarimetric SAR image classification with limited labeled data
Ren Jihong1,2，Liu Chang1,2
1.Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100190, China; 2.University of Chinese Academy of Sciences, Beijing 100049, China
Abstract： The performance of supervised Polarimetric Synthetic Aperture Radar (PolSAR) image terrain classification heavily relies on ground-truth samples, which could be a problem when the sample size is small or few labels are imprecise. Since PolSAR image has spatial and spectral information redundancy, spatial neighborhood information can improve the discriminative and robustness of sample features. In this paper, a polarimetric feature enhancement method is proposed for improving the robustness of data representation. With the help of a statistical polarimetric HSV color space pseudo-color image generation method and an adaptive superpixel clustering algorithm, the enhanced feature of each sample can be obtained from both the original sample feature and its corresponding superpixel. Experiments with the benchmark datasets show that the proposed method can improve the robustness and accuracy of classification results with a small size of ground-truth samples.
Key words : Polarimetric Synthetic Aperture Radar (PolSAR); terrain classification; superpixel; polarimetric feature enhancement
0 引言
合成孔徑雷達（Synthetic Aperture Radar, SAR）作為一種具有主動微波成像能力的遙感監測手段，可以實現全天時全天候高分辨率持續對地觀測。極化SAR采用多通道多極化的工作模式，可以捕獲地表目標豐富的物理散射特性[1]，因此在目標檢測[2]、變化檢測[3]、地物目標分類[4]等SAR圖像解譯任務中發揮重要作用。地物分類作為極化SAR圖像的一項基本解譯任務，可以為農林監測[5]、災害定位[6]、地質勘探[7]等遙感觀測實際應用提供重要判據。
基于數據驅動的極化SAR圖像地物分類方法包括有監督、無監督和半監督等分類器學習方式。有監督學習借助標注樣本學習特征空間，包括Wishart、支持向量機（Support Vector Machine, SVM）、隨機森林（Random Forests, RF）等分類器。無監督學習根據樣本特征相似性劃分特征空間，其中，H/α分類通過極化統計特征區分典型地物散射類別。針對極化SAR圖像的成像機理，基于極化信息的散射特征可以有效利用物理散射特征實現同質區域聚類[8-10]。
本文詳細內容請下載：http://www.tom3567.com/resource/share/2000004978。
作者信息：
任吉宏1,2，劉 暢1,2
（1.中國科學院 空天信息創新研究院，北京 100190；
2.中國科學院大學，北京 100049）
此內容為AET網站原創，未經授權禁止轉載。