基于多视角学习的极化合成孔径雷达数据的快速在线分类算法研究

Polarimetric synthetic aperture radar (PolSAR) is an advanced instrument for remote sensing and it has wide applications prospect in many fields such as agroforestry, geology, oceanography and military. With the development and application of PolSAR systems, rapid, accuracy and online classification for PolSAR data becomes an important and urgent issue. The main problems in the existing classification methods include the serious impact of speckle noise, the inefficient use of the multi-view information and the incapability of online learning of classification algorithm. In view of this, the project aims to develop fast, accurate and online classification algorithms for PolSAR data by combining the machine learning and cognitive learning methods. The concrete research of this project includes: (1) making use of stable variational model and fast optimization algorithm to achieve highly effective speckle reduction; (2) feature selecting and fusing based on multi-view learning to raise the classification accuracy; (3) introducing some key mechanisms of human cognitive learning to design fast ensemble classifier and online learning algorithm in order to improve the speed and performance of classification. The desired achievements will not only provide new strategies for PolSAR data classification problems, but also may provide inspiration for the study of cognitive science. Therefore, this project has important theoretical significance and application value.

极化合成孔径雷达（SAR）是一种先进的微波遥感工具，在农林业、地质、海洋和军事等领域有着广泛的应用前景。随着极化SAR系统的发展和应用，对极化SAR数据快速准确的在线分类是迫切需要解决的重要问题。本项目针对现有极化SAR数据分类任务中相干斑噪声影响严重、多视角信息未充分利用、分类算法难以在线学习等问题，拟从机器学习和认知学习的角度出发，结合极化SAR数据的特殊性，研究快速准确的极化SAR数据在线分类算法。具体包括：（1）基于鲁棒变分建模和快速优化算法实现高效的相干斑抑制；（2）基于多视角学习的特征选择和融合提高分类的精度；（3）引入人的认知学习机制构造快速集成分类器和在线分类算法以提升分类的速度和性能。所获结果将不仅为极化SAR数据的分类问题提供新的解决方案，也有望对认知科学的研究有启示作用，因而具有重要的理论意义和实际应用价值。

极化合成孔径雷达（SAR）在农林业、地质、海洋和军事等领域有着广泛的应用，而对极化SAR数据快速准确的在线分类是迫切需要解决的重要问题。本项目针对现有极化SAR数据分类任务中相干斑噪声影响严重、多视角信息未充分利用、分类算法难以在线学习等问题，研究快速准确在线的极化SAR数据分类算法，取得了以下重要成果：（1）建立了面向复杂SAR场景的自适应去噪的非局部变分模型并设计了基于矩阵分解和函数等价代换的快速优化算法，有效抑制了相干斑噪声同时很好保持图像的细节信息；（2）提出了一种保持全局判别信息和数据局部结构的多视角特征降维方法及一个基于卷积自编码和软k均值得分的联合学习图像表示和聚类中心的统一聚类框架，实现了高精度的分类和聚类；（3）提出了基于不同视角的一致性和互补性的在线多视角学习方法和基于多视角分歧与图正则化的在线半监督主动学习框架，实现了多特征或多波段极化SAR数据在少量样本标签查询下的高精度在线分类；另外，设计了一种基于近似凸包的快速在线分类方法，大大节省了计算时间并提高了分类精度。在公开的真实极化SAR数据集上的实验证实了提出方法的有效性。项目执行期间，发表标注课题号的论文14篇，包括SCI期刊论文9篇，中文核心期刊论文1篇，EI会议论文4篇，另有2篇一作SCI处于审稿状态；申请发明专利4项；申请人赴美国纽约大学访问15个月，从事在线学习方面研究。上述研究成果为动态环境下极化SAR数据的快速分类问题提供了新的解决方案，还推广应用到无人机和机器人的在线感知问题中。