基于集成学习的星载全极化SAR图象分类与信息解译

尽管星载全极化合成孔径雷达遥感数据获取能力发展迅速，但图象处理算法选择、精度与适用性、推广性方面仍存在许多问题。针对PolSAR图象处理的难点和机器学习的研究进展，将能够综合多个学习机优势、提高信息解译精度的集成学习引入PolSAR图象处理，构建基于集成学习的PolSAR图象处理与解译方法体系，建立算法模型库作为学习机集合，研究PolSAR极化散射特征、图象统计特征和空间结构特征等的组合策略。选择图象分类、变化检测和目标识别三个典型任务，研究PolSAR图象处理中的学习机差异性测度、学习机优化选择、集成学习策略等关键问题，引入半监督学习和多示例学习解决样本数量少和斑点噪声影响的问题。通过土地覆盖分类、城市扩展监测、灾害损失监测等试验，归纳适用于PolSAR图象分类和信息提取的集成学习策略。研究成果对提高PolSAR图象处理的可靠性、拓展集成学理论、推进PolSAR数据应用具有重要意义。

近年来，星载PolSAR遥感数据获取能力发展迅速，成为遥感科学技术新的发展前沿，但在其处理与信息提取算法选择、适用性、推广性方面仍存在许多问题。本项目针对PolSAR 图像处理的难点和机器学习的研究进展，率先将集成学习理论与方法引入PolSAR 图像处理，构建基于集成学习的PolSAR 图像处理与解译方法体系，建立算法模型库作为学习机集合，研究PolSAR 极化散射特征、图像统计特征和空间结构特征等的组合策略，研究PolSAR 图像处理中的学习机差异性测度、优化选择、集成学习策略等关键问题，并引入半监督学习解决样本数量少和斑点噪声的影响。通过土地覆盖分类、城市扩展监测等试验，归纳适用于PolSAR 图像分类和信息提取的集成学习策略。.项目主要研究成果：.1. 按照极化SAR 图像处理与信息提取的流程，以集成学习原理为基础，从三个层次构建了基于集成学习的极化SAR图像处理与信息提取方法体系：基于Boosting 和Bagging 及其改进的体系；并行集成学习算法体系；串行（顺序）集成学习算法体系。.2. 提出了基于多特征组合和多分类器结合的PolSAR图像分类方法，一方面综合应用极化特征、空间特征等的互补优势，另一方面组合不同分类器的优势。将先进的集成学习算法-随机森林、旋转森林应用于图像分类中，引入形态学剖面特征挖掘空间信息，有效提高了分类精度和稳定性。.3. 提出了基于主动学习、集成学习和极限学习机的全极化SAR图像分类策略，采用Bagging方法在各组训练样本上训练极限学习机，然后经过简单多数投票法组合输出得到最终的分类结果，常规极限学习机的分类性能经过Bagging、AdaBoost集成后得到显著的改善。.4. 对支持向量机分类器进行改进，实现了针对PolSAR 图像分类的空间--极化多核支持向量机；提出一种简单、高效且适用于全极化SAR图像分类的半监督学习算法，将Self-training算法和图像分割相结合，不断增加训练样本集规模，以提高分类精度。.5. 依托项目研究，发表标注项目资助的SCI论文16篇，中文核心期刊论文5篇，获得软件著作权2项，培养博士后2人、博士生3人、硕士生5人。.研究成果对提高PolSAR 图像处理的可靠性、拓展集成学理论、推进PolSAR 数据应用具有重要意义，已经在国内外集成学习、SAR信息提取领域产生了一定影响。

内容获取失败，请点击重试