基于改进栈式核稀疏深度模型的大规模极化SAR地物分类方法

地物分类是极化SAR应用的一个重要分支。传统的地物分类方法需要提取特征，通过分类器进行分类。在栈式稀疏自编码模型的基础上，文章提出了一种鲁棒的极化SAR地物分类方法。采用基于Morlet小波核的最小二乘支持向量机代替深度模型中常用的Softmax分类器。通过栈式稀疏自编码网络相结合，在一定程度上克服了传统极化SAR影像地物分类算法受相干斑噪声影响，且结果过于粗糙的缺点，保证了分类结果中非匀质区域的连贯性和匀质区域的一致性。真实极化SAR数据仿真实验结果表明，该算法可以有效地提高分类精度，降低相干斑噪声对分类精度的影响。
极化合成孔径雷达具有全天候、全天时、分辨率高、受干扰程度低等特点，其特有的相位数据包含目标表面粗糙度、表面效应和位置朝向等信息，远远优于光学设备，广泛地应用于地质勘探、区域规划及态势评估等领域。地物分类是极化SAR应用的一个重要分支，经过多年的发展已经取得了一定的成果，然而机载/星载雷达自身的问题以及数据采集过程中地物会遭受诸如噪声
、射频干扰等影响，导致后期影像分类不准确，因此极化SAR图像分类仍然是一个具有挑战性的课题。
相比于SAR单极化的标量成像机制，极化SAR数据能够将散射矩阵数据与目标的相位特性、能量特征及极化特征统一起来。传统方法通常会根据地物表面的散射特性提取辐射信息、极化信息、子孔径分解等特征，然后将单个特征或组合特征输入到适当分类器中进行分类。由于单一特征无法达到令人满意的性能，即使这些特征组合在一起，分类准确性也没有质的提升，并且计算复杂度将随着组合特征量的增加而增加。因此传统方法不能充分利用极化SAR数据的丰富特性来提高分类精度。
由于目前有大多数地物分类算法都是在极化目标分解的基础上引入机器学习的算法进行处理。然而这类算法的分类结果过于粗糙，主要归咎于现有的特征提取算法不能完全表征地物的本质特性，且分类算法不能完全拟合所有的函数。
文章提出在栈式稀疏自编码的模型的基础上，提出了一种鲁棒的极化SAR地物分类方法。结果验证该方法具有不错的性能。
极化SAR获得的观测数据是大小为2X2的极化散射复矩阵，表征了地物目标对入射雷达波的散射现象。
注：文章选自《基于改进栈式核稀疏深度模型的大规模极化SAR地物分类方法》肖茹