特征图大小_基于张量嵌入框架特征提取的PolSAR 地物分类

本文基于近期收录于IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING的论文 “PolSAR Feature Extraction Via Tensor Embedding Framework for Land Cover Classification”，作者：任博，侯彪, Jocelyn Chanussot，焦李成。

一、动机与背景

极化合成孔径雷达(PolSAR)是一种多通道雷达系统，相对传统的单极化合成孔径雷达(SAR)，HH、HV、VH 、VV通道能够记录更完整的后向散射信息。更全面的描述目标的几何结构和物理特性。随着成像雷达系统的发展，越来越多的先进机载和星载合成孔径雷达系统相继投入使用，如ALOS2、RADARSAT-2 和TerraSAR。一方面，极化SAR数据能为遥感数据理解与解译提供丰富的目标信息；另一方面，丰富的遥感数据与传感器发展也促进了PolSAR 遥感技术进步和应用领域的拓展，包括自然资源勘探、环境监测、农业控制、森林植被变化检测 以及目标的检测与识别等军事和民用领域。地物分类作为PolSAR 数据处理领域的重要研究方向之一，引起了众多研究者的兴趣。在利用机器学习进行遥感数据处理时，特征提取/融合/选择和分类器设计是两个重要的步骤。本文着重探讨极化特性和空间信息，以获得一组可分性强的特征进行地物分类。提高分类性能的一个关键问题是选择和提取最有判别性的PolSAR 特征。除了极化散射和目标分解得到的原始特征外，一些方法还结合了基于图像处理技术，从PolSAR 伪彩色图像中获取颜色、纹理和结构信息作为特征。例如利用灰度共生矩阵、Gabor 等方法提取技术从SAR 图像中提取空间特征。它们为分类器学习和模型构建提供了足够的支持。如何充分利用这些多模特征是PolSAR 数据解释中的一个重要问题。在PolSAR 地物分类技术中，到底是采用单模态特征还是多模态特征有优势，目前还没有定论，本文通过融合PolSAR数据的多模态描述提取出高判别性的特征，从而提高分类器的地物分类能力。张量作为高阶的向量、矩阵，可以很好的保持数据的本征特性，并且能提供较准确的数据表示，尤其是以像素点为分类单元的地物分类任务中，常利用图像块对单个像素点进行描述。受多线性表示(Multilinear Repre