FSAG: 大规模极化SAR数据的快速半监督图模型分类

本文主要探讨了在处理大规模极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）数据时，如何通过改进的图模型算法来提高分类效率并保持准确性。传统的基于图模型的半监督机器学习方法在处理大量数据时，其计算复杂性成为主要挑战。为了克服这一问题，研究者提出了一个名为"Fast Spatial Anchor Graph"（FSAG）的算法。 FSAG算法首先通过初始的超像素分割技术对PolSAR图像进行预处理，这一过程有助于识别出图像中的同质区域，即具有相似特性的像素集合。接着，算法采用多数投票和距离测量策略来重新分配边界像素，确保它们被正确地归类到最相似的超像素中。这样做的目的是减少类别间的混淆，并且在局部同质区域内对特征向量进行加权，增强了特征表示的稳定性。 构建的精炼空间锚定图是算法的核心部分，它结合了这些区域和特征向量的权重信息，形成一个更有效的图结构。在图上，节点代表像素或超像素，边则反映了像素间的相似性和关系。半监督学习在此环境中进行，利用有限的标记数据指导未标记像素的分类，同时最大化图中节点间的一致性。 实验结果显示，相比于现有的基于图的半监督分类方法，FSAG算法显著降低了计算时间，而保持了地形分类的精度。这对于处理大规模PolSAR数据来说是一个重要的进步，因为它能够在满足实时性要求的同时，提供准确的地理信息分析。FSAG算法结合了深度学习的特征提取能力与图模型的聚类效果，为大规模极化 SAR 数据的快速分类提供了一个有效的解决方案，对于遥感数据分析和应用具有实际意义。