高光谱与极化SAR图像协同深度学习分类方法研究

Hyperspectral image (HSI) and polarimetric SAR (PolSAR) are hot topics in the research of remote sensing. HSI contains abundant spectral information of land cover objects, and PolSAR records the backscattering properties of earth’s surface, which are both widely applied in many fields. Considering the acquisition of certain applications and the potential complementarity between HSI and PolSAR, we develop collaborative classification of HSI and PolSAR simultaneously. The major contributions of the proposal are list as follow. In order to extract the collaborative features of HSI and PolSAR effectively and automatically, we propose a collaborative feature extraction approach based on deep learning neural network. To address the problems of combining complementary information of two images and improving the generalization of classifiers, we propose a fusion classification method using ensemble learning with expert voting. Feature extraction and advantage complementarity of HSI and PolSAR, which can realize the integration of spectral-spatial information, can realize the fusion of different wave scattering characteristics, improve the accuracy of classification. The proposal designs a universal approach of collaborative deep learning network, which tends to offer a theoretical basis for multi-sources remote sensing technology, and provides an engineering system for recognition of marine floating raft aquaculture that can demonstrate the effectiveness of the proposed approach.

高光谱与极化合成孔径雷达(PolSAR)是近年来遥感领域的研究热点，高光谱图像包含精细的地物目标光谱信息，极化SAR图像能获得反映地物散射特性的极化信息，两者都被广泛用于实际问题。鉴于高光谱与极化SAR图像之间的高度互补性，本项目拟联合高光谱与极化SAR图像进行协同地物分类。本申请的创新点在于：针对如何有效地、自适应地联合提取高光谱和极化SAR图像特征的问题，提出了一种基于深度学习神经网络的高光谱与极化SAR图像协同特征有效提取方法；针对如何合理融合两种图像互补信息并提高分类器泛化性的问题，提出了一种专家投票集成学习的融合分类方法。通过对两种图像特征提取并优势互补，实现空谱信息集成、不同波段散射特性集成的多源遥感融合处理技术，提高地物分类识别精度。本课题研究的协同深度学习分类方法具有普适意义，为多源遥感分类技术发展提供理论基础，并以海水浮筏识别为应用示范系统，验证所研究方法的实效性。

高光谱遥感图像包含精细的地物目标空间信息与光谱信息，极化SAR遥感图像包含反映地物散射特性的极化信息，二者为对地观测应用中常见的数据源，是近年来遥感领域的研究热点。鉴于高光谱与极化SAR图像之间的高度信息互补性，本项目研究了基于高光谱图像与极化SAR图像的地物目标分类方法。针对如何有效地提取高光谱和极化SAR图像特征的问题，提出了多尺度SAR图像特征提取模型，基于深度监督收缩网络的SAR图像特征提取方法，基于深度解卷积网络的高光谱图像特征提取方法；针对如何有效实现地物目标分类问题，提出了基于深度循环编码网络的SAR图像分类方法，基于多决策标记的半监督分类方法，基于关系学习的高光谱图像分类方法，基于领域自适应的跨数据遥感图像分类方法，以及多源遥感数据融合方法等；将提出的方法业务化应用，提出了基于显著性的变化监测技术、基于加权融合表示分类器的养殖浮筏上检测技术。此外，以海水浮筏识别为应用示范系统，验证了所研究方法的实效性。成果以论文形式公开发表，累计论文32篇，其中，SCI论文25篇，IEEE汇刊12篇，申请国家发明专利6项，已获批国家发明专利2项，软著5项，项目的成果远超预期成果。