李美霖1,,
马倩1,,
孙嘉赤1,,
曹旭1,,
秦先祥2,
①.国防科技大学电子科学学院 ??长沙 ??410073
②.空军工程大学信息与导航学院 ??西安 ??710077
基金项目:国家自然科学基金(61331015, 41601436)
详细信息
作者简介:邹焕新(1973–)，男，广东人，现任国防科技大学电子科学学院教授，硕士生导师，主要研究方向为SAR图像解译、多源信息融合、计算机视觉、图像处理、模式识别等。E-mail: hxzou2008@163.com
李美霖(1995–)，女，山西人，现为国防科技大学电子科学学院硕士，主要研究方向为极化SAR图像地物分类、模式识别等。E-mail: summit_mll@qq.com?
马倩：马 倩(1996–)，女，湖南人，现为国防科技大学电子科学学院硕士，主要研究方向为多源遥感数据变化检测。E-mail: 2233809618@qq.com
孙嘉赤(1996–)，男，山西人，现为国防科技大学电子科学学院硕士，主要研究方向为SAR图像和光学图像目标检测分类与识别。E-mail: 445219733@qq.com
曹旭：曹 旭(1996–)，男，天津人，现为国防科技大学电子科学学院硕士，主要研究方向为SAR图像和光学图像目标检测分类与识别。E-mail: 1135459767@qq.com
秦先祥(1986–)，男，广西人，现任空军工程大学信息与导航学院讲师，主要研究方向为SAR图像解译。E-mail: qinxianxiang@126.com
通讯作者:邹焕新 hxzou2008@163.com
中图分类号:TN957计量
文章访问数:1361
HTML全文浏览量:419
PDF下载量:156
被引次数:0
出版历程
收稿日期:2019-05-14
修回日期:2019-07-19
网络出版日期:2019-07-25
An Unsupervised PolSAR Image Classification Algorithm Based on Tensor Product Graph Diffusion
ZOU Huanxin1,,,LI Meilin1,,
MA Qian1,,
SUN Jiachi1,,
CAO Xu1,,
QIN Xianxiang2,
①. College of Electronic Science and Technology, National University of Defense Technology, Changsha 410073, China
②. School of Information and Navigation, Air Force Engineering University, Xi’an 710077, China
Funds:The National Natural Science Foundation of China (61331015, 41601436)
More Information
Corresponding author:Zou Huanxin, hxzou2008@163.com
摘要
摘要:针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题，该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索，目前研究表明，其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离，因此能够更好地挖掘数据点之间内在的相似度信息。首先，将极化SAR图像进行分割，生成许多超像素；其次，基于超像素提取7种特征并生成一个特征向量，进而利用高斯核构建相似度矩阵；再次，基于已构建的相似度矩阵，利用张量积扩散沿着数据点的内在流形结构进行相似度的传播，实现全局的相似性度量，从而获得一个具有更强判别能力的相似度矩阵；最后，基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验，并与4种经典算法进行对比，结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。
关键词:极化SAR图像/
非监督分类/
张量积图/
扩散/
超像素/
谱聚类
Abstract:To overcome the difficulty of similarity expression and the effects of speckle noise in unsupervised classification of Polarimetric Synthetic Aperture Radar (PolSAR) images, a novel unsupervised PolSAR image terrain classification algorithm based on Tensor Product Graph (TPG) diffusion has been developed herein. Generally, TPG diffusion is usually utilized for optical image segmentation or image retrieval. In the present study, it can be used for PolSAR image terrain classification. TPG diffusion can robustly estimate geodesic distances ; therefore, it can be used for mining the intrinsic affinity between data points. First, the PolSAR image is over-segmented into many superpixels. Second, seven features are extracted based on the segmented superpixels to form a feature vector and construct a similarity matrix by using the Gaussian kernel. Third, TPG diffusion is performed on this similarity matrix to obtain another similarity matrix with stronger discriminability by propagating affinity information along the mainfold structure of data to achieve the global affinity measure. Finally, spectral clustering based on the diffused similarity matrix is adopted to perform terrain classification. Extensive experiments conducted on both simulated and real-world PolSAR images demonstrate that our approach can effectively combine neighborhood information and achieve higher classification accuracy, compared to four other competitive state-of-the-art methods.
Key words:PolSAR image/
Unsupervised classification/
Tensor Product Graph (TPG)/
Diffusion/
Superpixel/
Spectral clustering
PDF全文下载地址:
https://plugin.sowise.cn/viewpdf/198_d07ca2dc-b39c-4c24-ae5d-1c7c0bbedc46_R19057
