《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:GAN-Guided Unsupervised, Wrapper Feature Selector for PolSAR Image
编辑推荐:
本文针对极化SAR图像特征维度高、计算负担重的问题,提出了一种基于Wasserstein生成对抗网络的无监督特征选择方法WGAN-GP-UFS。研究人员通过设计混合搜索策略和基于Wasserstein距离的评估准则,在保持特征物理意义的前提下有效降低了特征冗余。实验结果表明,该方法在四个真实SAR数据集上优于16种先进算法,为SAR图像解译提供了新的技术途径。
随着遥感技术的快速发展,合成孔径雷达(SAR)已成为微波遥感领域的重要观测手段。特别是极化SAR(PolSAR)技术,通过多极化通道获取丰富的地物散射信息,在各类地表目标监测中发挥着关键作用。然而,PolSAR图像复杂的散射特性使得直接使用原始图像往往难以获得理想的解译效果。研究人员开发了多种后向散射指数来增强PolSAR图像的解译能力,但这些指数构成了高维特征集,导致计算负担加重,且不可避免地包含冗余信息,甚至有些特征会对图像解译产生负面影响。
传统解决方案包括特征提取、特征融合和特征选择三种途径。特征提取和融合方法通过将PolSAR图像投影到低维空间来生成新特征,尤其是随着深度学习技术的发展,卷积神经网络(CNN)被广泛应用于PolSAR图像解译。然而,这些单模态模型在复杂场景下的特征提取鲁棒性较弱,导致解译性能不佳。虽然跨模态和多模态算法能利用不同模态的信息增强特征表达,但在数据转换过程中可能会扭曲关键信息。
与上述方法相比,特征选择能够在不改变物理意义的前提下自动挖掘相关特征子集,降低学习模型的复杂度和训练时间。特别是在无监督特征选择(UFS)方法中,通过测量样本自身特征来检索信息性特征,不受标签信息的限制,在实际应用中展现出更广阔的前景。
针对现有包装式特征选择算法在子集搜索和评估方面的局限性,本研究提出了一种基于Wasserstein生成对抗网络的无监督特征选择算法WGAN-GP-UFS。该方法首次将GANs应用于SAR特征选择领域,通过将特征选择问题转化为重构任务,利用WGAN-GP的判别器部分作为评估器挖掘线性和非线性特征组合信息,实现对不同特征子集重要性的更精确量化。
在技术方法层面,研究人员主要采用了以下几个关键技术:首先,设计了基于最大均值差异(MMD)的混合搜索算法,结合子空间划分策略和尺度K顺序前向搜索(SFSSK)方法,显著提高了最优特征子集的检索效率;其次,利用训练好的判别器作为评估器,通过Wasserstein距离计算特征集与填充特征集之间的重构误差;此外,研究还构建了包含双极化和全极化SAR数据的高维特征集,分别基于多时相SAR(MTSAR)和全极化SAR(FPSAR)图像,涵盖了多种后向散射指数和分解特征。
研究结果表明,WGAN-GP-UFS在四个真实SAR数据集上均表现出优越性能。在MTAP数据集上,该方法在SVM和KNN分类器上均排名第一,分类准确率分别达到0.996和0.996;在MTS1A数据集上,WGAN-GP-UFS取得了最佳结果,总体准确率(OA)为0.963,平均准确率(MA)为0.953;在FPSanF数据集上,该方法在OA和Kappa系数上均表现最优;在FPFle数据集上,WGAN-GP-UFS在SVM和KNN分类器上同时获得最佳结果。
通过收敛性分析发现,设计的WGAN-GP模型在训练20个周期后损失值接近0,25次迭代后分类结果趋于稳定,证明了方法的鲁棒性。分类图对比显示,WGAN-GP-UFS产生的分类结果具有更好的空间连通性和一致性,特别是在黑色椭圆形标记的区域中,孤立区域明显减少。
在消融研究中,研究人员验证了各组成部分的有效性。当仅使用SFSSK+WGAN-GP时,计算结果时间增加了约四倍,证明基于子空间的策略能有效减少最优特征子集的解空间。而当使用传统平均偏差误差(MBE)损失代替WGAN-GP评估器时,所有特征集上的性能明显下降,说明设计的评估策略能识别有助于区分地物细微差异的关键信息。
WGAN-GP-UFS表现出强大性能的主要原因有两个方面:首先,GAN将噪声削弱和样本重构结合到统一的优化处理中,训练好的判别器能够准确区分噪声样本和真实样本;其次,与传统仅使用线性重构策略的基于误差的特征选择方法相比,该方法通过线性和非线性处理相结合的方式重构SAR特征集,使算法更具鲁棒性。
研究的创新性主要体现在三个方面:评估器框架灵活,仅利用WGAN-GP的判别器部分选择最优子集;以包装式模式执行,使用判别器损失(即Wasserstein距离)作为评估准则;将启发式和基于子空间的搜索策略整合到统一架构中,平衡时间消耗和子集性能。
该研究的实际意义在于为SAR图像处理提供了一种高效的特征选择方法,特别适用于计算资源有限的场景。通过显著降低特征维度同时保持解译性能,WGAN-GP-UFS为极化SAR图像在土地利用分类、环境监测等领域的实际应用提供了技术支撑。未来工作可进一步探索该方法在多源遥感数据融合、跨传感器适应性等方面的扩展应用。