采用联合域字典稀疏表示的极化SAR图像分类  

Combined dictionary learning based sparse representation for PolSAR image classification

作　　者：刘璐[1] 刘帅[2] 焦李成[2] 靳少辉[2] 

机构地区：[1]西安理工大学计算机科学与工程学院,陕西西安710048 [2]西安电子科技大学智能感知与图像理解教育部重点实验室国际智能感知与计算联合研究中心,陕西西安710071

出　　处：《华中科技大学学报（自然科学版）》2016年第2期81-85,共5页Journal of Huazhong University of Science and Technology(Natural Science Edition)

基　　金：国家重点基础研究发展计划资助项目(2013CB329402);国家自然科学基金资助项目(61271302;61272282);高等学校学科创新引智计划资助项目(B07048)

摘　　要：针对传统字典学习算法难以有效保持极化SAR图像的空间结构以及难以处理大规模数据的问题,提出了一种基于空域和极化域的联合域字典学习和稀疏表示的分类方法.该方法采用基于联合域流形距离的快速AP聚类进行字典学习.利用局部线性编码对极化SAR图像进行空域和极化域的联合域稀疏表示,充分利用了极化SAR数据集潜在的信息,有效保持极化SAR数据结构的同时降低了算法的时间复杂度.试验结果表明:所提算法适应性强,收敛速度快,能够提高极化SAR图像的分类精度.T raditional dictionary learning （DL ） algorithms only consider the global sparsity of data , yet ignore the spatial structure of data .Moreover ,its high computational complexity leads to the dif‐ficulty of dealing with large‐scale image data .Considering the information of PolSAR image in the spatial‐polarimetric domain , a novel combined DL based sparse representation （SR ） classification method （CDL‐SRC） was proposed for PolSAR image classification in this paper .First ,the spatial‐po‐larimetric manifold based fast affinity propagation （AP） clustering was employed to learn an over‐complete dictionary .Then locality‐constrained linear coding method was adopted to extract the spatial and polarimetric features of PolSAR respectively .Finally ,the PolSAR image was classified by the lin‐ear support vector machine （SVM ） .Compared with traditional methods ,experimental results demon‐strate that the proposed method can improve the classification accuracy ,w hich has the advantages of strong adaptability ,efficient convergence rate and low computational complexity .

关 键 词：极化SAR图像分类 字典学习 稀疏表示 流形距离 近邻传播聚类 线性支持向量机 

分 类 号：TP75[自动化与计算机技术—检测技术与自动化装置]