基于非局部Contourlet和多通道字典学习的极化SAR图像稀疏表示和分类

Thought useful in many applications of polarimetric synthetic aperture radar (PolSAR) image, sparse representation is still in shortage of effective dictionary learning algorithm due to the characteristics of PolSAR image, i.e. multiplicative speckle, complex target scene and multiple polarization channels. In order to solve this problem, this project focuses on the study of weighted low rank representation based spatial dictionary learning algorithm instead of commonly used logarithm domain based ones, which suffer from the distorted speckle model, and proposed the idea of incorporating into dictionary learning process a novel nonlocal Contourlet transform, which brings for dictionary learning double sparsity prior, in the sense of local sparsity (multi-scale geometric regularization) and nonlocal sparsity (self similarity), and thus contributes to both the robustness under the speckle and the accurate representation for the scene targets of high dimension and different type of singularity. Based on the above work, the study will be carried out on the algorithm of multi-channel dictionary learning that is subject to the preservation of polarimetric information, and the algorithm of Hierarchical sparse feature learning that combines effectively the features of both scattering types and texture structure. Finally, application of PolSAR image classification will be developed to verify the effectiveness of the proposed models and algorithms. Our achievements in this project can provide valuable theoretical reference to the sparse representation field, especially for the case of multi-channel image data and non-Gaussian noise, and also sparse representation based PolSAR image applications.

稀疏表示方法在(极化)合成孔径雷达（SAR）图像应用中存在大量需求，但是仍然缺乏适应极化SAR图像特点,如乘性相干斑、复杂目标场景、多极化通道等的有效字典学习算法。本项目针对此问题，研究基于加权低秩表示框架的空域字典学习算法，以克服常用的对数域字典学习面临的相干斑模型失真问题；并提出构造“非局部Contourlet变换”并与字典学习相结合的研究思路，利用局部稀疏（多尺度几何正则）和非局部稀疏（自相似性）的双稀疏性先验来实现字典对极化SAR图像中高维、多类型奇异目标的自适应表示以及相干斑的稳健性；在此基础上，研究极化信息保持约束下的多通道字典学习算法以及有机结合散射类型和纹理结构这两种特征的分层稀疏特征学习和分类算法。最后，本项目通过极化SAR图像的地物分类问题验证所提出模型和算法的有效性。该项目研究成果可为非高斯噪声和多通道情况下的图像稀疏表示理论以及极化SAR图像应用提供有价值的参考。

(极化)合成孔径雷达（SAR）是遥感领域的重要观测方式之一。但是极化SAR图像由于其成像机理，存在相干斑乘性干扰强、极化通道相关性保持难、地物场景复杂度高等问题，在具体应用时难以达到预期的效果。. 本项目基于非局部Contourlet变换和多通道字典学习这一技术思路，开展极化SAR图像稀疏表示和分类等方面的研究。主要研究内容包括：针对相干斑模型研究基于加权低秩表示框架的空域字典学习算法；提出构造“非局部Contourlet变换”并与字典学习相结合的研究思路，建立局部稀疏（多尺度几何正则）和非局部稀疏（自相似性）的双稀疏性先验；结合散射类型和纹理结构，研究极化信息保持约束下的多通道字典学习和表示算法；最后研究设计针对极化SAR图像的地物分类模型和算法。. 项目组成员按照预定的技术路线展开了有成效的研究工作，取得了符合预期的一些进展，主要包括：提出一种基于散射特性和极化参数相结合的极化相似性度量，并在极化相似性阈值同能量、相似性比例、视数之间的函数关系等原有工作基础上，提出基于散射模型和NL-Lee的图像质量增强算法；提出一种基于混合基变换的非局部相似性建模方法，构造了基于L1+L2、双L1、非局部L1等范数模型的图像滤波和增强算法；提出了局部与非局部相结合的非局部TSSC算法，建立了局部与非局部的双稀疏先验模型；将非局部和稀疏表示的思想通过TSSC和WSOMP相结合，提出了基于双稀疏先验的单极化SAR图像字典学习方法；建立了极化信息保持约束，将上述TSSC算法推广到极化SAR图像；基于联合稀疏表示和距离保持编码，构造了基于双稀疏先验和极化通道相关性的多通道字典学习分类算法。. 该项目研究成果可为基于极化SAR图像的增强、分类等应用场景提供有价值的参考。相关结论和思路也可以进一步推广至其他非高斯噪声和多通道图像应用场景下，为图像稀疏表示和学习等理论和算法提供一定的参考作用。

内容获取失败，请点击重试