基于深度学习的极化SAR地物分类研究

基于传统图像分类方法的PolSAR地物分类算法通常依赖于特定特征的选取，算法过程通常会依靠严密的数学计算，因此关于分类阈值等参数的确定需要一定的先验知识。与此同时，传统分类方法通常以像素为基本单位，易受到相干斑噪声的影响；而深度学习的方法既可以从原始数据中抽象出更高维的特征又能充分利用二维空间信息。文章主要进行了以下几个方面的研究，
1.探索了一种结合多尺度分割和径向基神经网络PolSAR地物分类方法。
2.提出了一种基于多尺度GooleNet 卷积神经网络的PolSAR地物分类方法。
3.为了避免多尺度分割带来的区域局部分类精度不一致，采用超像素分割方法构建样本集并对AlexNet卷积神经网络进行训练，利用训练好的网络模型对试验区域进行分类验证。提高了分类精度、简化了分类流程且增加了普适性。
极化合成孔径雷达包含了地物的极化散射特征，可以通过对极化相干矩阵和极化协方差矩阵的进一步处理获取地物目标的各种相关信息。
目前广泛应用于极化SAR分类的方法主要分为监督分类和非监督分类。
极化SAR图像中含有丰富的信息，而这些信息可通过特征提取得以应用，因此，特征提取是进行极化SAR图像分类的前提的基础。
地物目标的散射特性依赖于其所属的类别、形状和大小等基本信息，极化SAR图像上每个像元都是后向散射回波的叠加，通常用极化散射矩阵来表示。
相干目标分解适用于散射机制处于稳态的目标。
统计分布特征是极化SAR图像的重要数学特征。
与传统的浅层学习相比，深度学习主要有以下特征：
1.深度学习的层次较多，通常由5、6层甚至更多的隐层节点
2.深度学习将低层空间的特征变换到高层空间，高层空间更利于分类
3.深度学习需要有大量的训练样本来对多层模型的参数进行训练。这样才能使其更接近数据丰富内在信息的本质。
深度学习在数据深度挖掘、深度利用图像多元特征等方面具有超凡的优势，因此开展深度学习算法在极化SAR分类领域的研究具有重要的意义和光明的前景。而目前深度学习算法在光学遥感领域的应用和在SAR领域的研究进展都表明了其在极化SAR分类领域的应用具有可行性。
极化SAR数据是通过对观测目标不断发射不同极化方式的电磁波，并接收目标的散射回波，以散射矩阵的方式记录的一种数据形式。散射矩阵是极化SAR图像最基本的数据形式，其反映了探测目标的材质、粗糙度、尺寸、形状等各种特征。
由于合成孔径雷达成像模型与光学图像有着本质上的不同，通过挖掘雷达图像固有的特征，可以更好地利用其优势，拓展SAR图像在遥感等领域的应用范围。SAR图像的主要特征有分辨率特征、辐射特征、极化特征和几何特征等。这些特征都对后续SAR图像解译、匹配等应用有指导作用，直接决定了方法的选择和实际任务的流程等。
SAR图像的辐射分辨率是SAR图像中所能区分的两个目标的雷达回波反射率之间的最小距离的度量。
极化目标分解理论的主要思想就是将散射矩阵分解成几个分别代表不同散射机制的散射矩阵的线性组合，通过系数和基本散射可以解译目标的散射机制。
深度学习方法是通过对提取的特征和数据本身进行进一步学习，充分提取极化SAR数据的深层特征，深度挖掘数据之间的深层联系，并可充分利用各种特征，使其分类结果表现更加稳定，受特征本身影响较弱。
文章研究的主要思路为构建基于不同尺度样本的卷积神经网络，并分别进行模型训练，优化参数，从而获取针对不同尺度SAR图像的分类模型。此外，对试验区域进行一次多尺度分割，按照分割对象区域的大小的不同，进行不同尺度的样本剪切，裁剪顺序为大尺度到小尺度，不同尺度之间互不重复。然后依据多数投票原则对各分割对象样本类别进行统计，从而确定此对象所属类别。
超像素，是一种概念和技术，其旨在将具有相似纹理、色度等特征的临近像素合并为一个小型斑块，由于在图像中，这些斑块紧密且具有一定规则地排像是将原本图像的像素聚集为较大的像素，因此成为超像素。
注：文章选自《基于深度学习的极化SAR地物分类研究》硕士论文 张佳琪