基于多视图流形证据融合的PolSAR图像分类

极化合成孔径雷达（PolSAR）协方差矩阵及其提取的多特征——如散射角、熵、纹理和边界描述符——提供互补且具有物理可解释性的信息，用于图像分类。传统融合策略通常连接这些特征或采用深度学习网络进行组合。然而，协方差矩阵和多特征作为两种互补视图，位于具有不同几何结构的不同流形上。现有融合方法也忽略了不同视图的重要性差异并忽略不确定性，常导致预测不可靠。为此，我们提出一种多视图流形证据融合（MMEFnet）方法以有效融合这两种视图。它提供一个将PolSAR流形学习与证据融合统一于单一架构的新框架。具体而言，协方差矩阵在Hermitian正定（HPD）流形上表示，多特征在Grassmann流形上建模。构建两个不同的核度量学习网络以学习其流形表示。随后，构建可信多视图证据融合，取代常规softmax分类器，估计每个视图的信念质量并量化其不确定性。最后，采用Dempster-Shaher理论的融合策略组合证据，实现更可靠、更可解释的分类。对三个真实世界PolSAR数据集的广泛实验表明，所提方法在准确性、鲁棒性和可解释性方面 consistently 优于现有方法。