基于深度學(xué)習(xí)算法的極化合成孔徑雷達(dá)通用分類器設(shè)計

李 索，張支勉，王海鵬

(復(fù)旦大學(xué) 電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200433)

0 引言

PolSAR(極化合成孔徑雷達(dá))是一種利用矢量測量方法獲取地物目標(biāo)信息的多通道相干微波成像系統(tǒng)，是SAR(合成孔徑雷達(dá))系統(tǒng)的拓展[1]，其通過交替發(fā)射、同時接收垂直極化、水平極化的電磁波，獲取4種不同的散射回波信號，從而將目標(biāo)散射回波的全極化信息記錄下來。與SAR相比，PolSAR具有以下優(yōu)點(diǎn)[2]：1)具有較強(qiáng)的抗干擾與雜波抑制能力；2)可獲取空間分布、表面電磁參數(shù)等豐富的目標(biāo)信息；3)可方便地對目標(biāo)散射機(jī)制進(jìn)行分析。因此，PolSAR在分析地物目標(biāo)的散射機(jī)制上具有較大優(yōu)勢[3]。

PolSAR通過將相干極化的電磁波照射在目標(biāo)表面來測量后向散射信號。這種散射回波的特性取決于目標(biāo)的材質(zhì)、粗糙度、幾何形狀等，因此不同類型的目標(biāo)散射特征存在差異性。地物類型分類是數(shù)據(jù)分類的一種，融合了模式識別、計算機(jī)視覺、圖像處理等技術(shù)。地物分類任務(wù)對計算機(jī)而言是一個巨大挑戰(zhàn)，由于存儲于圖像的大量信息具有復(fù)雜性和描述困難性，因此特征提取困難。傳統(tǒng)算法需針對特定任務(wù)設(shè)計專用分類器，在面向全新數(shù)據(jù)時需重新設(shè)計。高速發(fā)展的PolSAR技術(shù)使大量的數(shù)據(jù)被采集，采取人工方式設(shè)計特征需要相關(guān)人員有較強(qiáng)的專業(yè)技能和工作經(jīng)驗(yàn)，成本大、耗時長，不適合大量數(shù)據(jù)的快速處理。而深度學(xué)習(xí)算法能自行從大量數(shù)據(jù)中提取有效特征，實(shí)現(xiàn)分類器自動化構(gòu)建。由于深度學(xué)習(xí)算法具有高度并行性，因此能快速對大量PolSAR數(shù)據(jù)進(jìn)行地物分類處理。

深度學(xué)習(xí)是人工智能的一個分支，由HINTON于2006年在機(jī)器學(xué)習(xí)的基礎(chǔ)上提出，由于其在計算機(jī)視覺、自然語言處理等領(lǐng)域表現(xiàn)突出而受到廣泛關(guān)注[4]。深度學(xué)習(xí)建立在對人的視覺神經(jīng)系統(tǒng)分層結(jié)構(gòu)的模擬上，對輸入數(shù)據(jù)能層次化地提取不同等級的特征，從而很好建立從底層信號到高層語義的映射關(guān)系。傳統(tǒng)的圖像分類任務(wù)分為特征提取、特征分類2個階段。其中，特征提取需依據(jù)統(tǒng)計特征或物理特性進(jìn)行人工設(shè)計，從而對不同目標(biāo)進(jìn)行較好表達(dá)。隨著海量數(shù)據(jù)的誕生和計算機(jī)能力的提升，這種模式被CNN(卷積神經(jīng)網(wǎng)絡(luò))打破。與傳統(tǒng)方法相比，CNN通過深度分層的結(jié)構(gòu)能自動進(jìn)行特征提取與分類，并在圖像分類領(lǐng)域取得了一系列突破。2012年，KRIZHEVSKY等[5]采用CNN在ImageNet挑戰(zhàn)賽圖像識別任務(wù)中將錯誤率降到了15.3%，遠(yuǎn)低于以往最好水平26.2%。2015年，HE等采用152層的殘差網(wǎng)絡(luò)模型，將整體錯誤率降到了3.57%。

目前，已有不少基于深度學(xué)習(xí)的PolSAR地物分類的方法[6-10]，但大多基于特定數(shù)據(jù)集，在實(shí)際應(yīng)用中存在較大限制。本文基于深度學(xué)習(xí)分類算法，提出一種通用分類器的結(jié)構(gòu)設(shè)計方案，并在機(jī)載和星載PolSAR實(shí)測數(shù)據(jù)上進(jìn)行測試。

1 基于深度學(xué)習(xí)的PolSAR分類算法

根據(jù)電磁波中電場分量末端振蕩方式與天線孔徑的關(guān)系，雷達(dá)系統(tǒng)的極化方式可分為垂直(V)極化和水平(H)極化2種，通過將接收信號和發(fā)射信號組合，雷達(dá)獲得多通道PolSAR數(shù)據(jù)，其每個分辨單元可表示為

(1)

式中:S為散射相關(guān)系數(shù)，其下標(biāo)為散射場與入射場的極化方式。PolSAR數(shù)據(jù)分為單視和多視，在單視條件下，一般認(rèn)為SHV和SVH相等。因此，可將矩陣簡化為一個三維的散射矩陣k，經(jīng)Pauli分解后，該矩陣表示為

(2)

在多視條件下，PolSAR數(shù)據(jù)的相干矩陣表示為

(3)

式中：L為視目數(shù)；H為共軛轉(zhuǎn)置。顯然，T為Hermitian矩陣，其對角元素為實(shí)數(shù)，非對角元素為復(fù)數(shù)，上三角與下三角共軛對稱。由于地表覆蓋類型特征僅對目標(biāo)區(qū)域的局部產(chǎn)生散射特征影響，因此對于像素級的分類任務(wù)，將每個目標(biāo)像素以窗口大小為m1×m2的鄰域數(shù)據(jù)表示，這不僅包含了極化特征，還包含了目標(biāo)像素點(diǎn)周圍的空間信息。通過合理設(shè)計窗口的尺寸，可對目標(biāo)像素進(jìn)行有效分類。

目前，針對PolSAR地物分類有很多方法，按是否需要帶標(biāo)簽的訓(xùn)練數(shù)據(jù)分為有監(jiān)督分類、無監(jiān)督分類2種。其中：無監(jiān)督分類是指在不需要先驗(yàn)知識的前提下，針對數(shù)據(jù)自身的特性進(jìn)行特征分析，據(jù)此建立決策機(jī)制而進(jìn)行分類，如基于極化特性的分類方法；有監(jiān)督分類需要先驗(yàn)知識，利用已有的、帶有標(biāo)簽數(shù)據(jù)的真實(shí)樣本對分類器進(jìn)行訓(xùn)練，學(xué)習(xí)分類器中的參數(shù)，然后用訓(xùn)練好的分類器去預(yù)測標(biāo)簽未知樣本。CNN最初被設(shè)計用來解決計算機(jī)視覺問題，其算法是基于實(shí)數(shù)的處理而建立的。因此，在將復(fù)數(shù)的PolSAR數(shù)據(jù)與CNN結(jié)合時，通常需要對PolSAR數(shù)據(jù)進(jìn)行一種實(shí)數(shù)的表征。周雨等[7]使用一種6通道的基于T矩陣的PolSAR數(shù)據(jù)實(shí)數(shù)表征方法，每個分辨單元的6通道數(shù)據(jù)由式(4)計算得到，其中SPAN=T11+T22+T33。通過這種表征方法，每個像素單元的實(shí)數(shù)特征向量為

(4)

式中：A為所有極化通道的總散射能量；B，C為T22和T33通道的能量比例；D，E，F(xiàn)為相關(guān)系數(shù)[7]。

通過這種表征方法，在AIR SAR flevoland數(shù)據(jù)的15類植被分類中取得了92.46%的準(zhǔn)確率；GAO等[7]設(shè)計了一種具有2個分支的PolSAR分類神經(jīng)網(wǎng)絡(luò)，將PolSAR數(shù)據(jù)轉(zhuǎn)譯成T矩陣和Pauli RGB圖像2種不同的形式，其中，T矩陣表征方法和文獻(xiàn)[6]的方法相同，但Pauli RGB數(shù)據(jù)是一種3通道的彩色圖像。將2種不同的表征數(shù)據(jù)分別輸入到2個分支網(wǎng)絡(luò)里，分別提取長度為84的特征向量，然后使用2個特征向量共同對圖像類型進(jìn)行預(yù)測。使用2種表征共同預(yù)測的算法在Air SAR flevoland數(shù)據(jù)上取得了98.56%的準(zhǔn)確率，遠(yuǎn)優(yōu)于僅使用T矩陣或Pauli RGB的92.85%和94.01%；LIU等[8]使用C矩陣表示PolSAR數(shù)據(jù)，結(jié)合鄰域分析和超像素分割方法，在Radarset-2 flevoland數(shù)據(jù)上獲得98.10%的分類準(zhǔn)確率；張支勉等[10]將神經(jīng)網(wǎng)絡(luò)的算法拓展到復(fù)數(shù)域，使CNN直接對復(fù)數(shù)數(shù)據(jù)進(jìn)行處理，并使用CV-CNN(復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò))對PolSAR數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)，通過對T矩陣的復(fù)數(shù)值進(jìn)行處理，在Air SAR flevoland數(shù)據(jù)集上取得了97.7%的分類精度[9]；陳思偉等[10]從T矩陣提取數(shù)據(jù)的旋轉(zhuǎn)與極化特征，結(jié)合CNN在相同數(shù)據(jù)集上得到98.7%的分類精度。以上可以看出，目前基于CNN的PolSAR分類已被廣泛研究，并在各類公開測試數(shù)據(jù)集上得到了遠(yuǎn)超傳統(tǒng)方法的實(shí)驗(yàn)結(jié)果，但對于分類器泛化能力的研究不足。因此，本文基于目前常用SAR傳感器，設(shè)計了一種通用分類器，對已標(biāo)記的PolSAR數(shù)據(jù)進(jìn)行訓(xùn)練，然后在未標(biāo)記的數(shù)據(jù)上進(jìn)行測試，通用分類器的性能在機(jī)載和星載PolSAR數(shù)據(jù)上進(jìn)行驗(yàn)證。

2 通用分類器設(shè)計

2.1 數(shù)據(jù)形式

在通用分類器的設(shè)計中，T矩陣的上三角元素和對角元素的幅值(實(shí)數(shù))表示1個分辨率單元的數(shù)據(jù)，即分類器的輸入數(shù)據(jù)格式為{T11,|T12|,|T13|,T22,|T23|,T33}。將PolSAR數(shù)據(jù)轉(zhuǎn)換后，都可得到對應(yīng)每一個分辨率單元的6維矢量，CNN可從數(shù)據(jù)中有效地提取目標(biāo)特征。在地物分類任務(wù)中，目標(biāo)分辨率單元的信息僅包含在局部區(qū)域中，因此CNN僅需要使用局部窗口中的數(shù)據(jù)對目標(biāo)進(jìn)行預(yù)測。設(shè)計合理的神經(jīng)網(wǎng)絡(luò)輸入窗口大小可有效提高通用分類器的分類精度，提高算法效率。如窗口太大，則會引入無效信息，不僅給分類器提取特征帶來困難，還導(dǎo)致分類器計算量增加；如窗口過小，則會丟失目標(biāo)像素的散射特征，導(dǎo)致分類器分類精度下降。本文實(shí)驗(yàn)中，通過在高分辨率機(jī)載數(shù)據(jù)和相對較低分辨率的星載數(shù)據(jù)上進(jìn)行最優(yōu)窗口大小測試，發(fā)現(xiàn)在窗口太大時會出現(xiàn)細(xì)節(jié)信息被掩蓋的現(xiàn)象，因此選擇使用較小的窗口進(jìn)行實(shí)驗(yàn)測試。在本文的機(jī)載和星載數(shù)據(jù)實(shí)驗(yàn)中，數(shù)據(jù)分辨率分別為1 m×1 m和4.6 m×5.5 m。模型結(jié)構(gòu)設(shè)計時，使用不同大小的窗口搭建相似的結(jié)果在相同數(shù)據(jù)上對通用分類器的性能進(jìn)行初步測試。模型輸入變化，需要對CNN的結(jié)構(gòu)進(jìn)行調(diào)整。為控制模型之間差異帶來的性能變化，在窗口選擇實(shí)驗(yàn)中，將所有網(wǎng)絡(luò)模型的參數(shù)數(shù)量設(shè)置為16 000±2 000。CNN由卷積層、全連接層和降采樣層3種不同的結(jié)構(gòu)組成，其中降采樣層僅對數(shù)據(jù)進(jìn)行降采樣。因此在窗口選擇實(shí)驗(yàn)中，所有模型均使用2層卷積層和1層全連接層，通過調(diào)整模型中的降采樣層數(shù)量以適應(yīng)神經(jīng)網(wǎng)絡(luò)的輸入大小。窗口大小和其分類準(zhǔn)確率在表1中給出，可以看出：在機(jī)載和星載實(shí)測數(shù)據(jù)中，使用大小為12×12像素較小的窗口，可得到最優(yōu)的分類精度，既能有對目標(biāo)進(jìn)行有效特征提取，又能保留場景中的細(xì)節(jié)信息，還能使計算復(fù)雜度減小。

表1 星載和機(jī)載數(shù)據(jù)最優(yōu)窗口大小測試

2.2 數(shù)據(jù)標(biāo)準(zhǔn)化

(5)

(6)

(7)

式中:n為數(shù)據(jù)的分辨率單元個數(shù)。經(jīng)過標(biāo)準(zhǔn)化后，各通道數(shù)據(jù)得到平衡，避免了在分類計算中部分通道被壓制的情況。

2.3 通用分類器結(jié)構(gòu)

CNN是一種多層的堆疊結(jié)構(gòu)，每一層接收前一層的輸出數(shù)據(jù)，經(jīng)過一系列的計算和分線性變換得到當(dāng)前層的輸出，傳遞到下一層。經(jīng)過多層嵌套，實(shí)現(xiàn)原始數(shù)據(jù)到高級抽象概念的映射。本文中的通用分類器需實(shí)現(xiàn)PolSAR數(shù)據(jù)到地物類型的映射，通用分類器模型結(jié)構(gòu)如圖1所示，將PolSAR數(shù)據(jù)轉(zhuǎn)譯成分類圖。該分類器先使用神經(jīng)網(wǎng)絡(luò)對PolSAR數(shù)據(jù)進(jìn)行特征提取，然后使用提取到的特征進(jìn)行分類，將特征提取和特征分類組合成完整的通用分類器。CNN可被看成是特征提取和分類器的結(jié)合。在多層級的結(jié)構(gòu)中，除了輸入和輸出，其他中間變量都被稱為特征值，即不同層級提取的是輸入數(shù)據(jù)不同等級的特征。去除CNN輸出層，其得到的中間結(jié)果就是對任務(wù)數(shù)據(jù)所提取的特征，從特征到輸出的映射可看成是一個分類器的運(yùn)算。因此，CNN符合通用分類器的完整結(jié)構(gòu)要求。

CNN的結(jié)構(gòu)需要依據(jù)數(shù)據(jù)和輸出要求進(jìn)行設(shè)計，在通用分類器的設(shè)計中，輸入數(shù)據(jù)格式被定義為T矩陣的格式。所有的輸入數(shù)據(jù)具有相同的通道數(shù)，其差異性體現(xiàn)在數(shù)據(jù)的窗口大小上。本文神經(jīng)網(wǎng)絡(luò)模型的參數(shù)配置如圖2所示，神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)為12×12×6的矩陣，輸出結(jié)果是對樣本歸屬類型的預(yù)測概率向量，表示樣本輸出各類別的置信度。模型中除了輸入層和輸出層外，還有2層卷積結(jié)構(gòu)、1層降采樣結(jié)構(gòu)和2層全連接結(jié)構(gòu)。卷積結(jié)構(gòu)是一種局部特征的提取方法，而降采樣層對輸入數(shù)據(jù)進(jìn)行降采樣，降低算法的計算復(fù)雜度。全連接結(jié)構(gòu)中的所有輸出都是利用全部輸入數(shù)據(jù)進(jìn)行計算得到。

圖2 CNN模型結(jié)構(gòu)Fig.2 Structure of proposed CNN model

CNN卷積層的卷積核參數(shù)包括卷積核的尺寸和個數(shù)，以“長×寬×卷積核數(shù)量”表示，降采樣層使用窗口大小和移動步長都是2×2，即將輸入數(shù)據(jù)劃分成2×2的單元，選取每個單元中的最大值表示該單元，實(shí)現(xiàn)對數(shù)據(jù)的降采樣。在網(wǎng)絡(luò)輸出層使用softmax函數(shù)計算通用分類器對樣本歸屬類別的歸一化概率預(yù)測。函數(shù)的表達(dá)式為

(8)

式中：pi為模型預(yù)測的樣本屬于第i類的概率；xi為softmax函數(shù)的輸入，是沒有歸一化的樣本類別預(yù)測概率；i為對應(yīng)的類別；n為樣本類別數(shù)。神經(jīng)網(wǎng)絡(luò)輸出通過softmax函數(shù)得到對樣本數(shù)據(jù)歸屬類型的歸一化預(yù)測概率矢量，通常選取其中概率最大的元素對應(yīng)類別作為樣本預(yù)測類別。

圖1 PolSAR通用分類器結(jié)構(gòu)Fig.1 Proposed general purpose classifier for PolSAR data

3 實(shí)驗(yàn)結(jié)果及分析

PolSAR根據(jù)搭載平臺的不同分為機(jī)載PolSAR和星載PolSAR。其中：星載PolSAR軌道相對穩(wěn)定，適合長時間、大規(guī)模成像；機(jī)載PolSAR搭載在大氣層內(nèi)的飛行器上，與星載PolSAR相比，雖然具有更大的擾動，運(yùn)行平臺不穩(wěn)定且不易控制，但其機(jī)動性強(qiáng)、傳感器易更換，能有針對性地選擇成像目標(biāo)，更重要的是能提供實(shí)時成像，因此，機(jī)載PolSAR經(jīng)常被用作為星載試驗(yàn)平臺。

3.1 機(jī)載PolSAR數(shù)據(jù)分類實(shí)驗(yàn)

本實(shí)驗(yàn)使用的機(jī)載PolSAR數(shù)據(jù)包含建筑物、農(nóng)田、水面等地面類型。在設(shè)計地表覆蓋分類類型時，將地表類型簡單分為人造地表、水體、裸地和2種植被。由于缺少地面真實(shí)數(shù)據(jù)，因此無法對不同類型的植被進(jìn)行更精細(xì)的區(qū)分，通過對SAR數(shù)據(jù)和谷歌影像圖中的地表進(jìn)行比較，將植被類型分為低矮植物(草地)和樹叢(灌木或喬木)。實(shí)驗(yàn)中的訓(xùn)練樣本數(shù)據(jù)格式是12×12×6的矩陣，表示樣本為12×12像素的局部區(qū)域。機(jī)載PolSAR圖像分類實(shí)驗(yàn)數(shù)據(jù)選取示意和光學(xué)影像如圖3所示。其中，圖3(a)為PolSAR數(shù)據(jù)的Pauli RGB圖像，由于該圖近端和遠(yuǎn)端數(shù)據(jù)強(qiáng)度存在較大差異，因此需選取不同區(qū)域的訓(xùn)練樣本，使訓(xùn)練集盡可能覆蓋充分。在本實(shí)驗(yàn)中，設(shè)置水體、灌木、草地、裸地、道路和民居6類地形，分別在圖3(a)中以藍(lán)色、深綠色、淺綠色、黃色、黑色、紅色表示。

圖3 機(jī)載PolSAR圖像分類實(shí)驗(yàn)數(shù)據(jù)選取示意圖和光學(xué)影像Fig.3 Airborne PolSAR data and corresponding optical image

使用圖3中選擇的數(shù)據(jù)樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后對圖4中給出的樣例場景進(jìn)行分類。場景的數(shù)據(jù)相對于訓(xùn)練樣本是全新數(shù)據(jù)。測試結(jié)果能充分反應(yīng)通用分類器在面對全新數(shù)據(jù)時的性能。圖4中給出Pauli RGB圖像、對應(yīng)區(qū)域的光學(xué)影像和分類結(jié)果。由圖可見：不同類別的地表具有不同的散射特征，在分割圖中能夠比較準(zhǔn)確地分割。在分割結(jié)果中，不同地塊的邊緣部分大多被分類成民居建筑，這是因?yàn)樵谶x取建筑物樣本時，是對居民區(qū)進(jìn)行整體選擇，由于居民區(qū)中存在較多的其它地塊，導(dǎo)致邊緣類別較多，因此模型將大部分的邊緣分類成建筑物類別。此外，由于數(shù)據(jù)在近端和遠(yuǎn)端具有不同的散射強(qiáng)度，導(dǎo)致模型在對數(shù)據(jù)中的近端和遠(yuǎn)端的分類存在一定偏好，尤其是在對2種植被的分類上。對近端更多分類為灌木，而遠(yuǎn)端則更多分類為草地。此外，對于由平臺抖動導(dǎo)致的陰影區(qū)域，散射強(qiáng)度較弱，與水體的散射特征比較相似，因此存在大量被分類成水體的情況。

圖4 機(jī)載PolSAR數(shù)據(jù)分類測試場景Fig.4 Test scene of airborne PolSAR

對SAR數(shù)據(jù)分類結(jié)果和光學(xué)衛(wèi)星影像進(jìn)行比對，可以看出神經(jīng)網(wǎng)絡(luò)的輸出預(yù)測與真實(shí)的地表基本吻合，證明了PolSAR通用分類器設(shè)計思路的正確性和可行性。使用準(zhǔn)確的訓(xùn)練集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，基于CNN的通用分類器可以對數(shù)據(jù)中的地物信息進(jìn)行有效提取和分類。

3.2 星載PolSAR數(shù)據(jù)實(shí)驗(yàn)

在星載PolSAR數(shù)據(jù)分類實(shí)驗(yàn)中，選擇使用高分三號(GF-3)衛(wèi)星的PolSAR數(shù)據(jù)進(jìn)行分類。GF-3衛(wèi)星是中國高分專項(xiàng)工程中發(fā)射的第1顆SAR衛(wèi)星，也是中國首顆分辨率為1 m的C頻段、多極化SAR衛(wèi)星，由中國航天科技集團(tuán)有限公司研制，于2016年8月發(fā)射成功[11]。圖5中給出了2017年11月4日GF-3衛(wèi)星對上海長興島采集的PolSAR數(shù)據(jù)樣例。星載PolSAR圖像地物分類實(shí)驗(yàn)采用和機(jī)載PolSAR相同的處理方法，但實(shí)驗(yàn)中使用的星載PolSAR數(shù)據(jù)的實(shí)測像素分辨率為4.8 m×5.5 m，與機(jī)載PolSAR圖像的分辨率存在較大的差異。在本場景中，由于SAR數(shù)據(jù)分辨率較低，導(dǎo)致道路等小型目標(biāo)無法有效識別，因此在GF-3衛(wèi)星數(shù)據(jù)場景中，僅將地面目標(biāo)分為6類，分別為人造地表、水體、農(nóng)田、濕地、樹林和船只。圖5中，使用所選框中的數(shù)據(jù)分別標(biāo)記所選的除船只外的5類樣本，船只樣本是在水面上的孤立區(qū)域，不在圖5(a)中標(biāo)識。在所選范圍內(nèi)進(jìn)行隨機(jī)采樣，獲取神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本。數(shù)據(jù)采樣窗口大小為12×12×6。

圖5 GF-3衛(wèi)星數(shù)據(jù)Pauli RGB圖像和分割結(jié)果Fig.5 Pauli RGB image of GF-3 data and its segmentation result

選擇圖5(a)中標(biāo)記的區(qū)域進(jìn)行模型的訓(xùn)練，然后對場景進(jìn)行整體分類，得到了圖5(b)中給出的分類結(jié)果圖。場景中的船只樣本由于其目標(biāo)是獨(dú)立的小個體，在圖像中顯示不明顯，因此使用黃色“X”對每艘船只進(jìn)行標(biāo)記，使船只目標(biāo)便于觀察。從圖5(b)中可看到建筑物、水體和植被(包含3類不同植被)能很好被區(qū)分，水面上的船只也可被準(zhǔn)確識別。由于缺少植被樣本的分布真值，本實(shí)驗(yàn)中植被樣本通過在衛(wèi)星影像中確定其類型，數(shù)據(jù)精度較低，導(dǎo)致在植被分類中出現(xiàn)了3種植被混雜的情況，但是在長興島的兩端和幾個孤立小島還是被準(zhǔn)確地分類識別。船只為水面上孤立的強(qiáng)散射目標(biāo)，其分布特征與水面和建筑物區(qū)域有較大的不同，可以通過簡單的處理對船只進(jìn)行識別。整幅場景中，共檢測出419艘船只。

實(shí)驗(yàn)表明：基于CNN的通用分類器能對GF-3衛(wèi)星采集的數(shù)據(jù)進(jìn)行有效地物分類；在地物分類結(jié)果中，植被、人造地表和水域被準(zhǔn)確分辨，分類圖可提供更多直觀的信息，如船只數(shù)量。通用分類器能對星載PolSAR數(shù)據(jù)進(jìn)行有效分類，在星載PolSAR數(shù)據(jù)上使用具有可行性和有效性。

4 結(jié)束語

本文對PolSAR數(shù)據(jù)地物分類研究進(jìn)行了總結(jié)，尤其是基于深度學(xué)習(xí)和大數(shù)據(jù)的地物自動分類算法。結(jié)合深度學(xué)習(xí)和人工標(biāo)記的PolSAR數(shù)據(jù)，提出一種通用分類器的結(jié)構(gòu)模型，將通用分類器分為特征提取和特征分類2個階段。基于大數(shù)據(jù)的深度學(xué)習(xí)算法可自動地從海量數(shù)據(jù)中學(xué)習(xí)相關(guān)特征并完成分類任務(wù)，自動化實(shí)現(xiàn)了特征提取和分類?；谕ㄓ梅诸惼髂Ｐ徒o出一個具體的深度卷積網(wǎng)絡(luò)模型，并分別在高分辨率機(jī)載PolSAR數(shù)據(jù)和低分辨率星載PolSAR數(shù)據(jù)上進(jìn)行分類測試。通過2組數(shù)據(jù)實(shí)驗(yàn)，證明基于深度學(xué)習(xí)的通用分類器在不同分辨率數(shù)據(jù)上均有較好表現(xiàn)，能快速地將原始 PolSAR數(shù)據(jù)轉(zhuǎn)譯為地物類型。本文提出的通用分類器在星載和機(jī)載PolSAR數(shù)據(jù)上都能較好工作，具有良好的分類性能，對PolSAR相關(guān)研究具有重要的實(shí)用價值。本文通過實(shí)驗(yàn)驗(yàn)證了通用分類器設(shè)計思路的有效性，但是由于缺乏真實(shí)的高分辨率地表數(shù)據(jù)，難以建立高精度的數(shù)據(jù)樣本。因此，未來工作主要為采集地表真實(shí)的數(shù)據(jù)，將地表數(shù)據(jù)與PolSAR數(shù)據(jù)進(jìn)行匹配，并使用精確數(shù)據(jù)集，設(shè)計多極化、多分辨率的通用分類器，實(shí)現(xiàn)對多類型數(shù)據(jù)的分類。

[1] LANCHANTIN P, LAPUYADE-LAHORGUE J, PIECZYNSKI W. Unsupervised segmentation of triplet Markov chains hidden with long-memory noise [J]. Signal Processing, 2008, 88(10): 1134-1151.

[2] LANCHANTIN P, KAPUYADE-LAHORGUE J, PIECZYNSKI W. Unsupervised segmentation of randomly switching data hidden with non-Gaussian correlated noise [J]. Signal Processing, 2011, 91(5): 163-175.

[3] LAPUYADE-LAHORGUE J, PIECZYNSKI W. Unsupervised segmentation of new semi-Markov chains hidden with long dependence noise [J]. Signal Processing, 2010, 90(4): 2899-2910.

[4] WU Y, LI M, ZHANG P, et al. Unsupervised multi-class segmentation of SAR images using triplet Markov fields models based on edge penalty [J]. Pattern Recognition Letters, 2011, 32(4): 1532-1540.

[5] HINTON G E, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks [J]. Science, 2012, 313(5786): 504-507.

[6] ZHOU Y, WANG H, XU F. Polarimetric SAR Image classification using deep convolutional neural networks [J]. IEEE Geosci. Remote Sens. Lett, 2016, 13(12): 1935-1939.

[7] GAO F, HUANG T, WAND J, et al. Dual-branch deep convolution neural network for polarimetric SAR image classification[J]. Applied Sciences, 2017, 7(5):447.

[8] LIU H, YANG S, GOU S, et al. Polarimetric SAR feature extraction with neighborhood preservation-based deep learning[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 10(4): 1456-1466.

[9] ZHANG Z, WANG H, XU F, et al. Complex-Valued convolutional neural network and its application in polarimetric SAR image classification[J]. IEEE Transactions on Geoscience and Remote Sensing. 2017, 55(12): 7177-7188.

[10] CHEN S, TAO C. PolSAR image classification using polarimetric-feature-driven deep convolutional neural network [J]. IEEE Geoscience & Remote Sensing Letters, 2018, 15(4): 627-631.

[11] 張慶君. 高分三號衛(wèi)星總體設(shè)計與關(guān)鍵技術(shù)[J]. 測繪學(xué)報, 2017, 46(3): 269-277.