当前位置: X-MOL 学术IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Discriminative Sketch Topic Model with Structural Constraint for SAR Image Classification
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ( IF 4.7 ) Pub Date : 2020-01-01 , DOI: 10.1109/jstars.2020.3024002
Yake Zhang , Fang Liu , Licheng Jiao , Shuyuan Yang , Lingling Li , Meijuan Yang

Synthetic aperture radar (SAR) image classification is an important part in the understanding and interpretation of SAR images. Each patch in SAR images has a scene category, but usually contains multiple land-cover classes or latent properties, which can be represented by topics in the probabilistic topic model (PTM). The representation and selection of discriminative features in PTM have a large impact on the classification results. Most of the existing feature learning methods do not make full use of high-level structure feature and the feature correlation within similar images to mine discriminative features. Therefore, this article proposes a discriminative sketch topic model with structural constraint (C-SSTM) for SAR image classification. In the proposed model, each image patch is characterized by structural and texture features. In particular, the sketch structural feature is based on the sketch map to represent the image local structure pattern. Then, the local image manifold information is preserved in terms of structure and texture. In the structural constraint, the texture and structure of each image patch are combined to learn discriminative latent semantic topics between image patches. Finally, each image patch is quantified by discriminative latent semantic topics instead of low-level representation. The experimental results tested on synthetic and real SAR images demonstrate that the proposed C-SSTM is able to learn effective structural feature representation from SAR images. Compared with other related approaches, C-SSTM produces competitive classification accuracies with high time efficiency.

中文翻译:

用于 SAR 图像分类的具有结构约束的判别草图主题模型

合成孔径雷达(SAR)图像分类是理解和解读SAR图像的重要组成部分。SAR 图像中的每个补丁都有一个场景类别,但通常包含多个土地覆盖类或潜在属性,可以用概率主题模型 (PTM) 中的主题表示。PTM中判别特征的表示和选择对分类结果有很大影响。现有的特征学习方法大多没有充分利用高层结构特征和相似图像内的特征相关性来挖掘判别性特征。因此,本文提出了一种具有结构约束的判别性草图主题模型(C-SSTM)用于SAR图像分类。在所提出的模型中,每个图像块都具有结构和纹理特征。特别地,草图结构特征是基于草图来表示图像局部结构模式的。然后,在结构和纹理方面保留局部图像流形信息。在结构约束中,结合每个图像块的纹理和结构来学习图像块之间的判别潜在语义主题。最后,每个图像块都通过有区别的潜在语义主题而不是低级表示进行量化。在合成和真实 SAR 图像上测试的实验结果表明,所提出的 C-SSTM 能够从 SAR 图像中学习有效的结构特征表示。与其他相关方法相比,C-SSTM 以高时间效率产生具有竞争力的分类精度。草图结构特征是基于草图来表示图像局部结构模式。然后,在结构和纹理方面保留局部图像流形信息。在结构约束中,结合每个图像块的纹理和结构来学习图像块之间的判别潜在语义主题。最后,每个图像块都通过有区别的潜在语义主题而不是低级表示进行量化。在合成和真实 SAR 图像上测试的实验结果表明,所提出的 C-SSTM 能够从 SAR 图像中学习有效的结构特征表示。与其他相关方法相比,C-SSTM 以高时间效率产生具有竞争力的分类精度。草图结构特征是基于草图来表示图像局部结构模式。然后,在结构和纹理方面保留局部图像流形信息。在结构约束中,结合每个图像块的纹理和结构来学习图像块之间的判别潜在语义主题。最后,每个图像块都通过有区别的潜在语义主题而不是低级表示进行量化。在合成和真实 SAR 图像上测试的实验结果表明,所提出的 C-SSTM 能够从 SAR 图像中学习有效的结构特征表示。与其他相关方法相比,C-SSTM 以高时间效率产生具有竞争力的分类精度。在结构和纹理方面保留了局部图像流形信息。在结构约束中,结合每个图像块的纹理和结构来学习图像块之间的判别潜在语义主题。最后,每个图像块都通过有区别的潜在语义主题而不是低级表示进行量化。在合成和真实 SAR 图像上测试的实验结果表明,所提出的 C-SSTM 能够从 SAR 图像中学习有效的结构特征表示。与其他相关方法相比,C-SSTM 以高时间效率产生具有竞争力的分类精度。在结构和纹理方面保留了局部图像流形信息。在结构约束中,结合每个图像块的纹理和结构来学习图像块之间的判别潜在语义主题。最后,每个图像块都通过有区别的潜在语义主题而不是低级表示进行量化。在合成和真实 SAR 图像上测试的实验结果表明,所提出的 C-SSTM 能够从 SAR 图像中学习有效的结构特征表示。与其他相关方法相比,C-SSTM 以高时间效率产生具有竞争力的分类精度。结合每个图像块的纹理和结构来学习图像块之间的判别潜在语义主题。最后,每个图像块都通过有区别的潜在语义主题而不是低级表示进行量化。在合成和真实 SAR 图像上测试的实验结果表明,所提出的 C-SSTM 能够从 SAR 图像中学习有效的结构特征表示。与其他相关方法相比,C-SSTM 以高时间效率产生具有竞争力的分类精度。结合每个图像块的纹理和结构来学习图像块之间的判别潜在语义主题。最后,每个图像块都通过有区别的潜在语义主题而不是低级表示进行量化。在合成和真实 SAR 图像上测试的实验结果表明,所提出的 C-SSTM 能够从 SAR 图像中学习有效的结构特征表示。与其他相关方法相比,C-SSTM 以高时间效率产生具有竞争力的分类精度。
更新日期:2020-01-01
down
wechat
bug