深度学习在遥感影像目标检测和地物分类中的一些探讨

近些年，基于深度学习的遥感影像处理方法不断涌现。基本思路是把光谱特征和纹理特征看作是深度网络的底层特征(对于极化SAR影像来说，地物目标的基本散射矩阵就是深度学习要提取的底层特征，也是作为分类的依据)，把输出特征看作是深度网络的顶层特征，这样可以直接得到一个分类器，用于完成不同的任务。如果深究遥感的实际应用需求和深度网络输入层和输出层的设计之间的关系，深度学习的理念存在于遥感数据分析的许多方面。从传统的数据处理、像素级分类、目标检测到更深层次的基于语义的特征提取和遥感场景理解，都能或多或少看到深度学习的影子。
研究基于深度学习的遥感影像目标检测和分类方法都具有重要的实用价值和科学研究意义。首先，使用前沿技术探索遥感影像目标检测和分类方法，推动遥感技术创新和发展。其次，研究具有实际应用价值的大面积、多尺度、多源遥感影像快速目标检测和分类算法，提高检测和分类的精度，大幅提高生产效率，推动生产发展。最后，丰富深度学习理论知识，拓展深度学习应用领域，促进深度学习不断发展和完善。
基于深度学习的目标检测方法主要分为两大类别，一是基于大量样本学习的快速区域卷积神经网络特征提取法和Faster R-CNN 目标检测方法为代表的深度卷积神经网络目标检测方法。二是基于弱监督学习的卷积神经网络目标检测方法。
极化SAR可以同时获得地面散射单元的多个极化方式的散射回波信息，包含更多的散射信息，它已经成为当前SAR研究和发展的热点。因此，在使用SAR影像做地表覆盖分类的时候，通常采用全极化SAR数据。但是，全极化数据一般不容易获取，并且成本较高，数据处理难度大。通常使用较多的SAR数据是高分辨率的单极化SAR影像，其具有数据源多、数据获取简单，价格低廉、开源数据多、数据处理方便等众多优点。因此，单极化SAR数据在城市地表覆盖分类中具有很高的应用价值。对于单极化SAR图像而言，分类难度更为突出，不管是分类模型的建立，还是分类类别数目的扩展，或者分类率的提高，难度都相当大。
SAR影像的成像特性和影像表现形式与光学影像存在很大的不同，其成像机理与光学遥感影像存在较大的差异，虽然将SAR接收的地表反射数据图像化后，通过灰度的变化可以判断不同地类，但其可读性较光学影像差。所以仅仅从图像本身去理解SAR影像存在一定的难度，一些雷达回波信息并不直接反映在图像中。而且SAR影像的图像纹理特征、结构特征、色彩特征等都与光学图像存在较大差别。
全极化SAR(PolSAR)能够同时获取地面分辨单元4种极化方式回波数据的幅度和相位信息，得到目标的极化散射矩阵，并以此会构成地物的后向散射特征。相对于单极化SAR数据，多极化或全极化数据具有信息量大的优点，已经成为当前SAR研究的热点，全极化SAR·成为合成孔径雷达发展的一个重要方向，在地表覆盖分类中，利用全极化SAR数据进行分类的研究层出不穷。
目前全极化SAR影像的地表覆盖分类研究主要集中在极化特征提取上。
SAR影像的乱高度由成像区域内目标反射雷达发射电磁波的强度决定，反射强度越强对应的能量越高，对应图像区域越亮，SAR影像空间分辨率较高，但光谱信息不足导致图像目视效果差，图像整体区域能量较强，转换到频域之后，大部分能量信息集中在低频部分，高频部分主要包含图像的纹理和细节特征。
SAR影像中包含了丰富的几何特性，而这些特征主要通过不同的灰度和纹理表现出来，因此，要挖掘更多SAR影像信息，需要从影像几何特征和辐射特征入手。
**注:**文章选自《深度学习在遥感影像目标检测和地表覆盖分类中的应用研究》武汉大学 博士毕业论文 邰建豪