極化SAR圖像地物分類方法綜述①

魏 丹,李 淵,黃 丹

1(河南大學(xué) 計(jì)算機(jī)與信息工程學(xué)院,開封 475004)

2(河南大學(xué) 實(shí)驗(yàn)室與設(shè)備管理處,開封 475004)

近年來,隨著極化SAR 系統(tǒng)的不斷發(fā)展,可用的極化SAR 數(shù)據(jù)逐漸增多,分辨率也在不斷提高.與單極化SAR 相比,極化SAR 進(jìn)行的是全極化測(cè)量,可以獲取更豐富的目標(biāo)信息,因此極化SAR 的應(yīng)用也越來越廣泛[1].采用極化SAR 圖像進(jìn)行地物分類是極化SAR 技術(shù)在實(shí)際應(yīng)用中的一個(gè)重要發(fā)展方向,也是SAR圖像解譯的重要研究?jī)?nèi)容.

通常地表地物類型是草地、森林、農(nóng)田、城區(qū)、水域和裸地等,采用極化SAR 圖像對(duì)這些地物類型的分類研究可以在民用領(lǐng)域和軍用領(lǐng)域?yàn)槿藗兲峁椭?在民用領(lǐng)域可以對(duì)農(nóng)作物的生長(zhǎng)、城市的變遷等進(jìn)行監(jiān)測(cè),也可以測(cè)量土壤水分和對(duì)礦產(chǎn)資源進(jìn)行勘探;在軍用領(lǐng)域,可以識(shí)別戰(zhàn)略目標(biāo),為之后的戰(zhàn)略部署等方面提供理論依據(jù).由以上可知,極化SAR 圖像已經(jīng)成為地理環(huán)境監(jiān)測(cè)的重要組成部分.目前在區(qū)域乃至全球的地表地物分類中,采用極化SAR 圖像進(jìn)行地物分類表現(xiàn)出巨大的應(yīng)用前景和潛力.

極化SAR 系統(tǒng)按照載體的不同可以分為機(jī)載SAR[2-8]和星載SAR[9-15],部分機(jī)載和星載極化SAR系統(tǒng)如表1和表2所示.表2中,高分三號(hào)(GF-3)衛(wèi)星[15]是中國首顆民用高分辨率星載極化SAR 成像衛(wèi)星,于2016年8月10日發(fā)射升空,空間分辨率從1 米到500 米,幅寬從10 公里到650 公里,有聚束和超精細(xì)條帶等12 種成像模式.隨著極化SAR 數(shù)據(jù)的增多,如何有效地利用其數(shù)據(jù)特征實(shí)現(xiàn)更精確地分類成為了當(dāng)今研究的熱門問題.

表1 典型機(jī)載極化SAR 系統(tǒng)

表2 典型星載極化SAR 系統(tǒng)

本文結(jié)構(gòu)安排如下:第1 節(jié)對(duì)近幾年極化SAR 圖像地物分類方法及其應(yīng)用進(jìn)行總結(jié)和論述,第2 節(jié)對(duì)極化SAR 圖像地物分類的發(fā)展趨勢(shì)進(jìn)行分析,第3 節(jié)對(duì)本文進(jìn)行總結(jié).

1 極化SAR 圖像地物分類的方法

當(dāng)雷達(dá)發(fā)射的電磁波接觸地物時(shí),不同地物對(duì)應(yīng)的雷達(dá)回波信息也不同,所以極化SAR 圖像中每個(gè)像元所展示的信息也不同.對(duì)極化SAR 圖像進(jìn)行地物分類的實(shí)質(zhì)是將圖像的所有像元按其性質(zhì)分為若干個(gè)類別的過程,從而達(dá)到對(duì)地物進(jìn)行分類的目的.

極化SAR 圖像進(jìn)行地物分類的基本步驟為:預(yù)處理→特征提取→分類處理.預(yù)處理通常包括斑點(diǎn)濾波、幾何校正和去取向角等.特征提取一般為紋理特征提取和極化特征提取.紋理特征的提取方法有局部傅立葉變換、曲波變換、Gabor 小波和灰度共生矩陣等[16].極化特征可以通過目標(biāo)分解獲得,其中比較著名的分解有Pauli 分解[17]、Cloude 分解[17]、Krogager 分解[18]、Freeman 分解[19]、SSCM 分解[20]、Yamaguchi 四分量分解[21,22]、Touzi 分解[23]和六分量分解[24]等.

對(duì)極化SAR 圖像進(jìn)行地物分類處理的方法多種多樣,根據(jù)所用特征信息的不同,可以將分類方法歸結(jié)為基于極化目標(biāo)散射特性的分類、基于統(tǒng)計(jì)分析的分類、基于目標(biāo)散射特性和統(tǒng)計(jì)方法相結(jié)合的分類.根據(jù)分類過程中是否需要人工標(biāo)記樣本,可以分為監(jiān)督分類、無監(jiān)督分類和半監(jiān)督分類3 大類.根據(jù)處理對(duì)象的不同可以分為基于像素級(jí)和基于對(duì)象級(jí)的分類.根據(jù)采用的技術(shù)方法的不同可以將極化SAR 圖像地物分類方法分為6 種,分別是主動(dòng)輪廓模型法、馬爾可夫隨機(jī)場(chǎng)模型法、模糊理論法、支持向量機(jī)法、神經(jīng)網(wǎng)絡(luò)法和融合算法,如圖1所示.

圖1 極化SAR 圖像地物分類方法

本節(jié)從技術(shù)方法的角度出發(fā),對(duì)近年來不同極化SAR 圖像地物分類方法進(jìn)行總結(jié)和論述.

1.1 基于主動(dòng)輪廓模型的分類

1988年,Kass 等提出了一種主動(dòng)輪廓模型(Active Contour Model,ACM),該模型主要原理是通過初始化曲線,構(gòu)造能量方程式,最小化曲線的內(nèi)外部能量,使曲線逐漸接近待檢測(cè)物體的邊緣,分割出目標(biāo).ACM方法中,按照不同的輪廓曲線表達(dá)式可分為參數(shù)主動(dòng)輪廓模型(Parametric ACM,PACM)和基于水平集的幾何主動(dòng)輪廓模型(Geometric ACM,GACM);按照曲線的演化方式又可分為基于邊界的主動(dòng)輪廓模型(Edgebased ACM,EACM) 和基于區(qū)域的主動(dòng)輪廓模型(Region-Based ACM,RACM)[25].ACM 方法有很強(qiáng)的抗噪聲能力,所以也被應(yīng)用于極化SAR 圖像分類中[26-30].但是該方法的缺點(diǎn)是計(jì)算量大,效率低.

2014年,清華大學(xué)的楊健團(tuán)隊(duì)采用多時(shí)相水平集主動(dòng)輪廓模型對(duì)AIRSAR 獲取的荷蘭弗萊福蘭極化數(shù)據(jù)進(jìn)行分類處理[30].圖2為分類結(jié)果,其中圖2(a)為C 波段、L 波段和P 波段的波段合成圖,圖2(b) 為ACM 分類結(jié)果.

圖2 基于ACM 的分類結(jié)果[30]

1.2 基于MRF 模型的分類

由于相干斑噪聲的存在,基于單個(gè)像素所提供的信息對(duì)極化SAR 圖像進(jìn)行地物分類,通常不能得到令人滿意的結(jié)果.為了獲得可靠和滿意的結(jié)果,分類最好是基于集群的統(tǒng)計(jì)度量,而不是基于單個(gè)像素的度量.馬爾可夫隨機(jī)場(chǎng)(Markov Random Field,MRF)模型是一種概率圖形模型,它可以統(tǒng)計(jì)像素之間的空間上下文信息,是處理圖像分類問題的強(qiáng)有力工具.在MRF模型中,圖像特征被提取為特征場(chǎng),圖像中所有像素類別標(biāo)記的集合為標(biāo)記場(chǎng),在已知特征場(chǎng)的前提下,分類結(jié)果通過最大標(biāo)記場(chǎng)概率獲得.MRF 因其固有的抗噪聲能力和減少類內(nèi)差異的影響而被廣泛采用.針對(duì)極化SAR 圖像地物分類問題,各國學(xué)者提出了一系列基于MRF 模型的分類方法[31-35].

2014年,Doulgeris 以Radarsat-2 在C 波段采集的美國舊金山海灣極化SAR 圖像為實(shí)驗(yàn)數(shù)據(jù),采用MRF 模型提取上下文信息,對(duì)地物進(jìn)行分類[35].圖3為MRF 分類結(jié)果,其中圖3(a)為Pauli 圖像,圖3(b)為分類圖像,從分類圖像中可以看出有取向角的建筑物和森林植被可以被區(qū)分開來,提高了分類精度.

圖3 基于MRF 的分類結(jié)果[35]

1.3 基于模糊理論的分類

傳統(tǒng)的極化SAR 圖像地物分類方法是為每個(gè)像元指定一個(gè)特定的類,但是極化SAR 圖像中的一個(gè)像元可能包含多個(gè)地物類別,對(duì)這類像元的分類會(huì)影響最終的分類精度,采用模糊理論可以較好的解決此問題.模糊理論思想是用0-1 之間的值表示每個(gè)像元屬于每個(gè)類的程度,這些值被稱為隸屬度,每個(gè)像元屬于所有類的隸屬度之和為1,最終用隸屬度的大小確定像元所屬的分類.經(jīng)過多年發(fā)展,模糊理論已經(jīng)廣泛用于極化SAR 圖像地物分類[36-40].本節(jié)將介紹FCM (Fuzzy C-Means,FCM)和最近鄰方法在極化SAR 圖像地物分類中的應(yīng)用.

1.3.1 基于FCM 的分類

FCM 算法的思想是把n個(gè)數(shù)據(jù)集合A={a1,a2,···,an}分成C個(gè)模糊組,對(duì)每個(gè)數(shù)據(jù)集可用值在0～1 之間的隸屬度來確定其屬于各個(gè)組的程度,通過迭代使得非相似性指標(biāo)的價(jià)值函數(shù)達(dá)到最小,FCM 流程圖如圖4所示.

2009年,楊然等用模糊分類方法下的FCM 算法與Yamaguchi 分解相結(jié)合,提出了一種新的分類模型[39].該模型把四個(gè)散射分量組成一組歸一化的特征矢量,進(jìn)行FCM 聚類分析,并且用日本機(jī)載L 波段PiSAR數(shù)據(jù)驗(yàn)證了該算法具有較高的分類精度和較好的視覺效果.圖5是FCM 分類結(jié)果,其中圖5(a)為Niigata 地區(qū)的極化合成圖,A 區(qū)為森林,B 區(qū)為人工建筑,C 區(qū)為河流,D 區(qū)和E 區(qū)都是耕地.圖5(b)是FCM 分類結(jié)果.

圖4 FCM 流程圖

圖5 基于FCM 的分類結(jié)果[39]

1.3.2 基于最近鄰的分類

最近鄰分類的原理是通過確定分類類別,選擇正確的不同類別樣本,計(jì)算測(cè)試樣本與所有樣本之間的距離,并將距離轉(zhuǎn)換為0-1 之間隸屬度,如果隸屬度大于設(shè)定的隸屬度閾值,則測(cè)試樣本屬于與它距離最近的樣本所屬的類別.

2018年,陸翔等采用極化目標(biāo)分解得到的極化散射特性和用灰度共生矩陣提取的紋理信息作為特征,應(yīng)用模糊分類方法下的最近鄰分類器對(duì)TerraSARX 在X 波段采集的云南西雙版納勐臘縣極化SAR 圖像進(jìn)行地物分類,圖6為分類結(jié)果[40].其中圖6(a)是勐臘縣光學(xué)影像,圖6(b)為地物分類結(jié)果圖,圖6(c)為不同地物的顏色表示.

圖6 基于最近鄰的分類結(jié)果[40]

1.4 基于支持向量機(jī)的分類

支持向量機(jī)(Support Vector Machines,SVM)是一種性能很強(qiáng)的分類器,它的基本思想為:建立一個(gè)分類超平面作為決策曲面,使得不同樣本的隔離邊緣最大.如圖7所示,圓圈和正方形分別代表了兩種類型的樣本,H 為分類超平面,H1 與H2 為通過各類樣本中最邊緣的點(diǎn),且與H 相互平行、距離相等的平面,它們之間的距離是分類間隔.最優(yōu)分類超平面就是以最大間隔將兩類樣本分開的超平面.1999年,Vapnik 團(tuán)隊(duì)第一次將SVM 用到圖像的分類當(dāng)中[41].經(jīng)過多年的發(fā)展,SVM 也廣泛用于極化SAR 圖像的分類中[42-47].

2019年,張臘梅提出了一種改進(jìn)的SVM 算法,該算法結(jié)合了Pinball 損失函數(shù),并將多成分目標(biāo)分解,H/A/ α分解以及灰度共生矩陣方法分別提取到的12 種極化特征和紋理特征作為SVM 的訓(xùn)練樣本[42].這里的12 種特征分別是奇次散射功率Ps、偶次散射功率Pd 和體散射功率Pv、極化散射熵H、極化各向異性度A、平均散射角 α、能量ENY、熵ENT、對(duì)比度CON、反差矩IDM、相關(guān)度COR 及和平均SAV.并對(duì)EMISAR 在Foulum 地區(qū)獲取的L 波段極化SAR數(shù)據(jù)進(jìn)行分類處理,把地物分為建筑物、森林、裸地、細(xì)徑作物、闊葉作物5 種類型.圖8為分類結(jié)果,其中圖8(a)為Pauli 圖像,圖8(b)為改進(jìn)SVM 分類圖像,圖8(c)為不同地物的顏色表示.

圖7 最優(yōu)分類超平面示意圖

圖8 基于SVM 的分類結(jié)果[42]

1.5 基于神經(jīng)網(wǎng)絡(luò)的分類

傳統(tǒng)分類算法在進(jìn)行極化SAR 圖像地物分類時(shí),需要人工提取分類特征,而神經(jīng)網(wǎng)絡(luò)是一種以人腦為模型的機(jī)器學(xué)習(xí)算法,可以自動(dòng)的提取分類特征,在特征學(xué)習(xí)時(shí)不需要過多的人工干預(yù),通過對(duì)大量樣本進(jìn)行內(nèi)部特征分析,可以得到更好的分類效果.1991年,Pottier 等第一次利用人工多層感知神經(jīng)網(wǎng)絡(luò)對(duì)極化SAR 圖像進(jìn)行了分類研究.經(jīng)過多年的發(fā)展,神經(jīng)網(wǎng)絡(luò)算法已經(jīng)廣泛用于極化SAR 圖像的分類當(dāng)中[48-59].

2018年,張臘梅等將傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)為三維卷積神經(jīng)網(wǎng)絡(luò)(3D CNN)[57].并對(duì)UAVSAR 系統(tǒng)采集的美國舊金山海灣某港口極化SAR 圖像進(jìn)行地物分類,該地區(qū)地物種類豐富,共有11 種地物類型,包括淺海、海洋、森林、人造目標(biāo)、道路、植被、平坦裸地、粗糙裸地及3 種農(nóng)田地區(qū),分類結(jié)果如圖9所示,其中圖9(a)是Pauli 圖像,圖9(b)是三維卷積神經(jīng)網(wǎng)絡(luò)分類圖像.

圖9 基于3D CNN 的分類結(jié)果[57]

2019年,劉旭等提出了采用極化卷積神經(jīng)網(wǎng)絡(luò)(Polarimetric Convolutional Network,PCN) 對(duì)極化SAR 圖像進(jìn)行地物分類的方法[58].該方法采用極化散射編碼方式來處理極化散射矩陣,該編碼模式可以完全保持散射矩陣的極化信息,避免了將矩陣分解成一維向量,并獲得一個(gè)二維矩陣.針對(duì)這種編碼模式,劉旭等人設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的算法,并將其命名為PCN,用于對(duì)極化SAR 圖像進(jìn)行分類處理.圖10展示了RadarSat-2 在C 波段獲取的荷蘭弗萊福蘭極化SAR 圖像進(jìn)行分類處理的結(jié)果.其中圖10(a)是荷蘭弗萊福蘭Pauli 分解圖像,圖10(b)是PCN 分類結(jié)果,圖10(c)為不同地物的顏色表示.結(jié)果表明該方法取得了較好的分類效果,具有巨大的極化SAR 數(shù)據(jù)分類潛力.

1.6 基于融合算法的分類

上述各種算法都有其固有的特點(diǎn),在極化SAR 圖像地物分類中也都取得了有效的研究成果,推動(dòng)了極化SAR 圖像地物分類的發(fā)展,基于上述分類方法的不同特點(diǎn),研究者們提出將兩種或多種算法進(jìn)行融合,以提高分類精度[60-66].

圖10 基于PCN 的分類結(jié)果[58]

2018年,Xie 等提出了一種新的極化SAR 圖像分類模型,該模型首先結(jié)合Wishart 分布與自動(dòng)編碼器(Auto-Encoder,AE)神經(jīng)網(wǎng)絡(luò)提出了WAE (Wishart-Auto-Encoder)分類模型,之后又結(jié)合K-means 聚類算法提出了Clustering-WAE 分類模型以提高分類能力[62].并對(duì)RadarSat-2 采集的西安地區(qū)極化SAR 圖像進(jìn)行地物分類處理,結(jié)果如圖11所示.其中圖11(a)是西安地區(qū)Pauli 分解圖,圖11(b)～圖11(e)分別是K-means算法、Wishart 算法、AE 算法、WAE 算法分類結(jié)果,圖11(f)是Clustering-WAE 融合算法分類結(jié)果,圖11(g)為不同地物的顏色表示.分類結(jié)果表示,Clustering-WAE 融合算法分類效果要優(yōu)于其他算法.

2018年,Guo 等將模糊理論應(yīng)用到超像素提取中,采用FCM 算法并對(duì)ESAR 獲取的德國奧伯菲芬-霍芬地區(qū)極化SAR 圖像進(jìn)行模糊超像素提取,之后采用SVM 對(duì)圖像進(jìn)行地物分類[63],結(jié)果如圖12所示.其中圖12(a)是Pauli 圖像;圖12(b)是地面真實(shí)圖;圖12(c)超像素提取結(jié)果圖;圖12(d)為分類結(jié)果與地面真實(shí)地物比較圖,圖中黑色部分表示分類結(jié)果與地面真實(shí)地物不一致;圖12(e)是不同地物的顏色表示.

1.7 各方法優(yōu)缺點(diǎn)

上述各方法在極化SAR 圖像地物分類中都有其優(yōu)缺點(diǎn),具體如表3所示.

圖11 西安地區(qū)地物分類圖[62]

這些方法中,主動(dòng)輪廓模型因考慮了輪廓內(nèi)外部信息,可以獲得較為平滑的分割輪廓,但是其計(jì)算量大,且易受噪聲影響,該方法適用于較均勻,場(chǎng)景較小的圖像.MRF 模型在圖像分類時(shí)考慮了像素點(diǎn)的空間上下文信息,所以其抗噪聲能力強(qiáng),但是計(jì)算量較大,也只適用于場(chǎng)景較小的圖像.模糊理論可以解決圖像中的模糊像素問題,但只適用于分辨率較低的圖像.神經(jīng)網(wǎng)絡(luò)整體分類精度高,對(duì)噪聲有很強(qiáng)的魯棒性,但是需要大量樣本集進(jìn)行訓(xùn)練,所以適用于有大量樣本集的場(chǎng)景.相比于神經(jīng)網(wǎng)絡(luò),支持向量機(jī)適用于小樣本集的場(chǎng)景,但是該方法中的一些參數(shù)需要憑實(shí)驗(yàn)和經(jīng)驗(yàn)來進(jìn)行設(shè)置.融合算法可以綜合多種算法的優(yōu)點(diǎn),但是其算法復(fù)雜度較高,根據(jù)其算法的不同,不同的融合算法也適用于不同的場(chǎng)景.

圖12 奧伯菲芬-霍芬地區(qū)地物分類圖[63]

表3 分類方法優(yōu)缺點(diǎn)

2 極化SAR 圖像地物分類發(fā)展趨勢(shì)

在極化SAR 圖像分類中,基于SVM、MRF 模型、模糊理論、神經(jīng)網(wǎng)絡(luò)等的分類方法仍是主流方法,也取得了不錯(cuò)的分類效果,但是仍然存在一些困難,如計(jì)算量大、分類特征不多、不適用于復(fù)雜環(huán)境等.而且在進(jìn)行分類時(shí),分類的效果會(huì)與相干斑噪聲、雷達(dá)的工作波段以及地物的類型等因素有關(guān).隨著極化SAR圖像地物分類技術(shù)的發(fā)展,更多研究人員將深度學(xué)習(xí)技術(shù),多波段融合技術(shù)引入到極化SAR 圖像地物分類當(dāng)中,并著力于發(fā)現(xiàn)新的分類特征.這些不斷涌現(xiàn)的新思路、新方法指示著未來極化SAR 圖像地物分類的發(fā)展趨勢(shì),大致可以歸為以下幾點(diǎn).

2.1 新的分類特征

在極化SAR 圖像地物分類中,特征提取是其中重要的步驟,常用的分類特征有紋理特征和極化特征.基于這些特征,研究者們結(jié)合著分類器對(duì)極化SAR 圖像進(jìn)行地物分類,近年來,一些新的分類特征不斷涌現(xiàn),以提高分類性能.

2014年,Uhlmann 等利用偽彩圖提取強(qiáng)大的顏色特征,并首次將其用于極化SAR 圖像地物分類,結(jié)果表明,顏色特征具有較好的魯棒性,受圖像的噪聲等因素的影響非常小[67].之后,研究者們也逐漸將顏色特征引入到極化SAR 圖像的分類當(dāng)中.如沈璐等于2017年提取顏色特征和極化特征組成特征向量,采用SVM 分類器對(duì)極化SAR 圖像進(jìn)行分類[68].除顏色特征外,Liu 等于2019年利用極化散射編碼提取稀疏散射編碼特征,這種特征可以保持?jǐn)?shù)據(jù)的空間結(jié)構(gòu)[58].

以上研究者們所提出的新的分類特征在實(shí)際應(yīng)用中都取得了非常顯著的分類效果,所以新的分類特征的發(fā)現(xiàn)與引入將是極化SAR 圖像地物分類中的主要發(fā)展趨勢(shì).

2.2 深度學(xué)習(xí)

采用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)對(duì)極化SAR 圖像進(jìn)行地物分類雖然能提取出分類特征,但是沒有考慮到圖像本身的二維空間信息,而深度學(xué)習(xí)使用多層神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行特征學(xué)習(xí),可以提取出更高級(jí)的特征,充分挖掘數(shù)據(jù)信息,很大程度上提高了分類精度,分類結(jié)果也表現(xiàn)更加穩(wěn)定.深度學(xué)習(xí)也是目前極化SAR 圖像地物分類中,最常用和分類效果最好的方法.

目前,有大量研究者們采用深度學(xué)習(xí)方法對(duì)極化SAR 圖像進(jìn)行地物分類.如2016年,Liu 等采用深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)對(duì)西安地區(qū)極化SAR 圖像進(jìn)行地物分類[69].2016年,Jiao 等結(jié)合深度堆疊網(wǎng)絡(luò)(Deep Stacking Network,DSN)和Wishart距離提出了W-DSN 模型,并對(duì)荷蘭弗萊福蘭極化SAR圖像進(jìn)行分類[60].2019年,Liu 等采用生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)對(duì)西安地區(qū)極化SAR 圖像進(jìn)行地物分類[70].這些深度學(xué)習(xí)方法在極化SAR 圖像地物分類過程中都取得了非常精確的分類效果.

由上述可知,深度學(xué)習(xí)方法已經(jīng)成為目前極化SAR 圖像地物分類的主流方法.可是深度學(xué)習(xí)依靠大量樣本的學(xué)習(xí),目前公開的極化SAR 圖像地物樣本數(shù)據(jù)集少之又少,研究者們應(yīng)首先考慮如何做出一個(gè)具有代表性的極化SAR 圖像地物樣本數(shù)據(jù)集.

2.3 多波段融合

極化SAR 圖像成像信息不僅與地物類型有關(guān),還與雷達(dá)發(fā)射波的波長(zhǎng)有關(guān),不同波段的極化SAR 其傳輸特性、目標(biāo)回波的后向散射特性等不同,相同的物體也有可能呈現(xiàn)不同的表現(xiàn)形式[71].在地物分類方面,不同波段的極化SAR 數(shù)據(jù),在實(shí)際測(cè)量中有著不同的優(yōu)勢(shì),如高頻波段極化SAR 圖像對(duì)地物的紋理描述清晰,有利于區(qū)分紋理差異較大的地物,如城區(qū)和裸地等.低頻波段極化SAR 圖像對(duì)地物濕度和植被情況比較敏感,有利于區(qū)分具有不同含水量的地物,如旱地和沼澤地等.

綜上所述,不同波段的極化SAR 系統(tǒng)在實(shí)際測(cè)量中都有其特點(diǎn)和優(yōu)勢(shì),因此研究者們利用信息融合技術(shù)將多波段極化SAR 圖像進(jìn)行波段融合,獲取更豐富的目標(biāo)信息以獲得更好的地物分類效果.如2014年,楊健團(tuán)隊(duì)將C 波段、L 波段和P 波段極化SAR 圖像進(jìn)行融合,之后采用水平集方法對(duì)地物進(jìn)行分類,結(jié)果表明相比于單波段極化SAR 數(shù)據(jù),采用組合多波段數(shù)據(jù)進(jìn)行地物分類的效果更好[30].因此,將同一地區(qū)多波段數(shù)據(jù)進(jìn)行融合也是未來極化SAR 圖像地物分類中的重要發(fā)展方向.

但是,由于目前絕大多數(shù)星載極化SAR 系統(tǒng)的工作波段只有一個(gè),所以獲取同一地區(qū)的星載極化SAR多波段數(shù)據(jù)就變得尤為困難,就極化SAR 系統(tǒng)的發(fā)展趨勢(shì)而言,多波段星載極化SAR 系統(tǒng)是未來的主要發(fā)展趨勢(shì).

3 結(jié)束語

本文首先介紹了采用極化SAR 圖像進(jìn)行地物分類的好處和重要性,總結(jié)了近年來在國內(nèi)外公開發(fā)表的基于極化SAR 圖像進(jìn)行地物分類的研究成果,并對(duì)其研究成果進(jìn)行了簡(jiǎn)要概述.基于這些方法的大量研究,許多創(chuàng)新方法也在不斷涌現(xiàn),如引入新的分類特征;將深度學(xué)習(xí)技術(shù)引入到分類當(dāng)中;利用信息融合技術(shù)將多波段數(shù)據(jù)進(jìn)行波段融合,這些方法都極大推動(dòng)了極化SAR 圖像分類的發(fā)展.

縱觀極化SAR 圖像地物分類史,新的研究成果在不斷增加地物分類的準(zhǔn)確度,也在不斷增強(qiáng)著地物分類的實(shí)用性.但是仍然存在一些問題,如怎樣選取最適合的分類特征、同一地區(qū)多波段數(shù)據(jù)不多、如何更好地去除相干斑噪聲等,因此要加強(qiáng)對(duì)極化SAR 技術(shù)的研究,獲取更深層次的成果.相信在不久的將來,極化SAR 圖像分類方法研究會(huì)越來越完善,分類效果越來越精確.