基于可区分性字典学习模型的极化SAR图像分类

摘要：

极化SAR图像分类是一个高维非线性映射问题,稀疏表示(CS)对于解决此类问题具有很大潜力.字典学习在基于CS的分类中起到重要作用.本文提出了一种新的字典学习模型,用于增强字典的区分能力,使其更适合极化SAR图像分类.提出的模型根据字典中两类子字典在分类中的作用对其相应的表达系数施加不同的稀疏约束.为使共同子字典能够抓住所有类共享的特征,对其相应系数施加稀疏约束,为使类专属子字典能够抓住类内独享的局部和全局结构特征,对其相应系数同时施加稀疏和低秩约束.由于共同子字典表达所有类共享的特征,我们以测试样本在类专属子字典上的重建误差作为准则进行分类.本文在AIRSAR的Flevoland数据集上对此算法进行验证,实验结果验证了算法的有效性.

关键词：极化SAR图像分类、超完备字典、稀疏表示、低秩表达

所属期刊栏目：33

分类号：TN957

资助基金：国家自然科学基金项目61771014

在线出版日期：2018-04-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1405-1415