本课题从特征提取和分类器设计两方面入手,研究极化SAR地物分类问题。针对当前极化SAR数据处理只关注极化散射特性,而没有考虑人类视觉感知特性的问题,基于视觉感知的稀疏编码机理,研究极化SAR数据特性和信号稀疏表示方法,提出基于稀疏表示的极化SAR数据特征提取方法。在此基础上针对极化SAR标识样本匮乏、训练样本的代表性不均匀,以及各类别之间存在不平衡等问题,采用协同半监督学习方法,首先对现有协同训练算法的局限性进行分析,针对具有小样本和非平衡特点的极化SAR地物分类问题,提出改进策略,建立极化SAR地物分类的协同半监督学习方法,并用RADARSAT 2和PALSAR的全极化SAR数据验证其有效性。研究成果在本领域重要期刊和会议上发表论文15-20篇,申报国家法发明专利6-8项,联合培养博士、硕士5-8名。
polarimetric sar;feature extraction;terrain classification;sparse representation;semi-supervised learning
本课题从特征提取和分类器设计两方面入手,研究极化SAR地物分类问题。针对当前极化 SAR 数据处理只关注极化散射特性,而没有考虑人类视觉感知特性的问题,基于视觉感知的稀疏编码机理,研究极化 SAR 数据特性和信号稀疏表示方法,提出基于稀疏表示的极化SAR 数据特征提取方法。在此基础上针对极化 SAR 标识样本匮乏、训练样本的代表性不均匀,以及各类别之间存在不平衡等问题,采用协同半监督学习方法,首先对现有协同训练算法的局限性进行分析,针对具有小样本和非平衡特点的极化 SAR 地物分类问题,提出改进策略,建立极化 SAR 地物分类的协同半监督学习方法,并用 RADARSAT 2 和 PALSAR 的全极化 SAR 数据验证其有效性。研究成果在本领域重要期刊和会议上发表论文 15-20 篇,申报国家发明专利6-8项,联合培养博士、硕士5-8名。