极化SAR影像分类降维方探讨

地物分类即对遥感影像中的每个像素点进行分类并形成现实的地物目标，一直是极化SAR影像解译中的重要的一环。随着遥感影像数据的迅速增多和分辨率的逐步提高，利用遥感影像技术进行地物分类在城市规划、环境保护、资源管理、测绘等领域中发挥着越来越重要的作用。而分类的效果好坏依赖于所使用的极化特征能否充分表述地物的极化散射特性。
为了有效的从极化SAR影像中提取目标的极化散射特征信息，除了极化数据本身的表征(散射矩阵、Stokes矩阵等)外，还需要通过变换和分解等方式获取更多有利于描述目标本身特性的极化表征，并将提取出极化特征用作极化SAR影像的解译和处理应用。
降维可通过特征选择和特征提取两种方式实现。其中特征选择是指根据某个评价指标从原始特征集种挑选出一个真子集，该过程得到的是新的特征组合而并未产生新的特征，因此对地物的表述能力难以大幅度提高。而特征提取则是指通过线性或者非线性变换将特征从高维空间映射到低维空间，该过程可得到新的特征，能更好的挖掘地物目标的极化散射特性，因此对特征的提取和研究将具有重大价值。
降维过程种不可避免的需要考虑标记样本的使用情况。正确和充足的标记样本需要专业人员手动标注，因而获取耗时、代价昂贵。
极化SAR影像分类是指根据地物目标所对应的像元的差异性将像元划分为不同的类别。而分类的结果既可以提供给测绘人员用于专业制图，又可以作为水体和道路提取、目标检测和识别等应用的中间结果。极化SAR影像分类是遥感应用中重要的研究内容和关键环节，在土地利用、行政规划、水土资源管理、灾害监测与评估、军事目标发现、农作物类型与农作物估产、军事目标发现等方面具有巨大的应用潜力。
极化SAR影像分类的流程一般为:

极化SAR的预处理操作主要是多视处理和抑制相干斑噪声。原始的极化SAR数据的格式通常为单视复数据，多视处理之后就可以通过二阶统计量完全描述全部的极化信息。抑制相干斑噪声主要通过滤波算法来实现。
特征降维在一定程度上能够提升地物目标的判别能力和分类性能。根据特征属性可以将常用的特征划分为：灰度特征、纹理特征、极化特征、空间信息特征/上下文特征等。不同特征对地物目标的辨识能力不同，多特征的随意组合存在信息冗余、维度灾难等问题。此时需要引入降维来获得判别能力强的特征子集或反映目标本质的本征特征。
分类的目的是为了每个像元指定类别标签，其本质可以看作模式识别问题。机器学习中有大量算法在极化SAR影像分类任务中都取得了成功的应用，比如，贝叶斯、K近邻、支持向量机、基于树的分类器、神经网络等。这些算法在极化SAR影像分类应用中都取得了较好的场景分类效果。
传统的基于像素的算法，其结果往往受到噪声的影响，使得具有相似特性的邻域像素其分类结果却不相同。因此可以考虑使用空间约束对结果进行平滑处理以获取更好的效果。比如可以使用马尔可夫随机场模型。
总的来说，极化SAR影像分类的一般流程可归结为“特征表示+分类方法”。
SAR作为一种主动式传感器，能够不受自然条件的制约，随时随地获取数据。SAR传感器所获得的是地物目标对电磁波的散射回波，而不是直接的遥感影像，且通过一定的成像方式对回波进行成像才得到SAR影像。因此要理解SAR影像，首先要先明白SAR的数据表征。
极化SAR通过发射和接收不同极化组合的电磁波的方式来获得后向散射矩阵S，在此期间，入射波的一部分能量会被地面的目标所吸收，一部分能量则会再一次辐射形成电磁波，即入射波和反射波的性质会发生变化。而后向散射矩阵S描述的就是这种发射与接收电磁波之间的转换关系，从而更好地体现极化信息的变化情况，更好地表征和识别地物目标。
在实际的极化SAR应用中，像素的尺寸是大于波长的，即单一像素所记录的信息中包含多个具有一定空间分布的小散射中心，而每个小散射中心都可以用一个散射矩阵来表述，因此一个分辨单元内的散射矩阵丈量值是由该分辨单元内所有散射中心的散射中心的散射矩阵相干叠加而成。引入极化协方差矩阵C和相干矩阵T来更好地应对统计散射效应并准确分析局部散射体。

除了极化数据本身的表征，如散射矩阵S、Stokes矩阵等，我们还需要使用数据变换和分解来获取更多的极化特征，这有利于反映目标本身的性质。而对极化数据所采取的处理方式的差别，则提取出来的极化特征也随之复杂多样。极化特征一般分为，通过极化数据变换得到的极化特征和通过极化分解得到的特征两种类型。其中，通过各通道的幅度、强度、相位以及它们之间的差值比例关系对极化SAR影像中的目标进行表述的特征称为极化数据变换特征，它们具有较为全面的统计特性；而对于原始极化矩阵进行分解得到的特征称为极化分解特征，它则能够更为清楚地描述不同目标的物理散射机制。
注：以上内容选自《面向极化SAR影像分类的降维方法研究》 武汉大学 硕士毕业论文 谢欣芳