基于图卷积的极化SAR图像分类文献综述

 2022-11-24 10:11

文献综述

  1. 研究背景

合成孔径雷达是一种领先的通过微波获得遥感信息的方式，它具有非常显著的优点：全天候、全天时，并不受时间和气候限制。极化是一种先进的遥感信息获取手段。与单极化相比，它通过测量每个分辨单元在不同收发极化组合下的散射特性，更完整地记录了目标后向散射信息，为详尽分析目标散射特性提供了良好的数据支持[1]。极化SAR图像分类是极化SAR图像解译的重要研究内容，在民用和军用领域均有着巨大的应用价值和理论意义[2]。而所谓极化SAR图像的分类问题，就是通过算法确定图像的中每一个像素点的类别，以此来判定它所对应的地物[3]。

  1. 研究现状

极化图像分类是极化信息处理的一个热门分支，各种新方法、新技术层出不穷。对于现有的极化图像分类方法，应用较多有如下几类：

  1. 基于传统方法的分类算法
  2. 基于统计分布的分类算法

Bayes分类是应用最为广泛的基于极化测量数据统计分布假设的算法。Kong等人[4]考虑单视分类的情况，提出基于复高斯分布的最大似然分类。这是最初极化SAR数据Bayes有监督分类的雏形。Lee等人[5]提出Wishart最大似然分类器是极化SAR影像分类方面最经典、最具代表性的一种分类器。基于统计分布的分类方法充分考虑了极化SAR影像的统计特性与先验知识，但其应用针对性较强，普适性不够，因此如何充分利用目标极化特征仍是该类方法主要的研究内容。

  1. 基于聚类分析和图像处理技术

基于聚类分析和图像处理技术使用的算法有基于最大后验概率（Maximum A Posteriori，MAP）和马尔可夫随机场（Markov Random Field，MRF）的分类，Fukuda等人[6]基于支持矢量机（Support Vector Machine，SVM）的分类，等等[7]。其中，SVM是世纪年代初提出的一种基于统计学习理论的分类和回归算法。在将应用于极化图像分类时，一般依据经验选择输入特征。然而，对于不同的地物场景，仅凭经验难以得到合适的特征集，这将直接影响分类精度的提高。在极化图像分类中，由于极化提供的信息远比单极化丰富，从极化数据中提取出的特征数目更多，这种矛盾显得更加突出。

  1. 基于目标电磁散射机制

基于目标电磁散射机制的极化SAR图像分类算法有H/alpha;/A分类方法及利用共极化相位差的方法等。散射机理与目标材质及结构等本质属性相关，基于散射机理特征通常可获得更为准确的提取结果，且利于后续的图像解译等处理。但是由于介质材料及目标与SAR空间位置关系等诸多因素影响，人造目标极化散射具有复杂性、易变形等特点，给目标提取和图像解译等造成了极大困难。

  1. 基于深度学习（Deep Learning，DL）的分类算法

人工神经网络（Artificial Neural Networks，ANN）作为一种监督分类算法被广泛应用于图像分类领域。近年来，由神经网络衍生出的深度学习蓬勃发展势不可挡。包括递归神经网络（Recurrent Neural Network，RNN）、对抗神经网络（Generative Adversarial Network，GAN）和卷积神经网络（Convolutional Neural Networks，CNN）等被成功应用在多个领域中。

其中，卷积神经网络（CNN）在极化SAR图像表示方面表现出了令人印象深刻的能力，并在极化SAR图像分类方面取得了良好的效果。然而，传统的CNN模型只能对大小和权重固定的规则正方形图像区域进行卷积，不能普遍适应具有不同物体分布和几何外观的明显局部区域。因此，它们的分类性能还有待提高，特别是在类边界方面[6]。

应用于极化SAR图像分类问题，图卷积网络（Graph Convolutional Network， GCN）展示出了强大的性能。将图卷积网络用于对极化SAR图像分类，针对综合利用极化SAR图像分类所继承的多尺度信息，从而建立多个不同邻域尺度的输入图，广泛利用多尺度下的多种光谱空间相关性，Wan等人[8] 提出了“多尺度动态图卷积网络”（Multi-scale Dynamic Graph Convolutional Network，MDGCN）的方法。基于一种直接在图上运行的卷积神经网络的有效变体，TN Kipf等人[9]提出了一种可扩展的图结构数据半监督学习方法。通过谱图的局部一阶近似来激励卷积结构的选择卷积，将模型在图的边数上线性伸缩，并学习隐藏层表示。该表示对局部图结构和节点特征进行编码。Michael Schlichtkrul等人[10]引入关系图卷积网络（R-GCN），并将其应用于两个标准的知识库完成任务：链接预测（丢失事实的恢复，即主谓宾语三元组）和实体分类（丢失实体属性的恢复）。R-GCN与最近一类在图形上运行的神经网络有关，专门用于处理真实知识库的高度多关系数据特性。实验证明了R-GCNSA作为实体分类的独立模型的有效性，且进一步表明，通过使用R-GCN编码器模型在图中的多个推理步骤上积累证据，可以显著改进用于链路预测的因子化模型。

由于图卷积网络可以对任意结构的非欧几里得数据进行卷积，可以适用于以图拓扑信息表示的不规则图像区域，图卷积网络展现出了强大的性能。

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章