极化SAR 影像地物智能分类技术进展*

杨鹤猛 ，孟秀军 ，陈艳芳 ，王 彤 ，黄 勇 ，孙振蓉

(1.天津航天中为数据系统科技有限公司 天津市智能遥感信息处理技术企业重点实验室，天津 300301；2.广东电网有限责任公司电力科学研究院，广东 广州 510080)

0 引言

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式微波成像观测系统,搭载于天基或空基平台，通过合成孔径与脉冲压缩技术可获取地球表面的高分辨率、全天时、全天候、富含地物“指纹特征”的遥感图像。极化SAR 成像的散射回波在目标信息确定度和杂波抑制具有更强的能力，通过解译其极化特性可以广泛应用于军情勘察、伪装目标识别、农林作物监测与分类、建筑与道路提取、地质分析、自然资源普查、地震与洪涝等灾害监视等领域[1-3]。

随着国家数字地球战略的深入推进和商业遥感等政策放开，国家以及行业、产业对精细遥感探测的需求会愈发迫切，可以预见：一方面，SAR 硬件资源和应用会愈发广泛，将朝着新体制、高分辨、低成本、多极化等方向快速演进；另一方面，星载和机载SAR 遥感数据资源将极大丰富，共享度越来越高，数据量越来越大。然而，极化SAR 影像地物分类方法发展仍缺乏重大理论创新，尚未摆脱传统的基于统计机理的局部像素空间相关性等方法和基于极化散射机理的极化目标分解等理论。

为此，本文总结分析极化SAR 影像分类的一般技术流程，并对国内外研究现状与技术算法特点进行分类对比，进一步结合当前快速发展的人工智能理论应用于极化SAR 影像地物分类进行探讨，为充分挖掘极化SAR图像的极化特性，提升其分类性能的进一步研究提供参考。

1 极化SAR 影像地物分类技术流程

基于极化SAR 影像的地物分类技术全流程如图1所示，包括前处理、分类处理和后评估三部分。

图1 极化SAR 影像地物分类方法流程图

前处理过程主要是获取的原始极化SAR 数据进行标准化处理。后评估主要是对分类处理得到的地物分类结果精度、速度等性能进行评估，以便指导改进分类处理算法。

分类处理具体步骤为：

(1)输入SAR 极化复散射数据，通过极化散射矩阵数据变换，得到协方差矩阵和相关矩阵，以减少斑点噪声影响。

(2)对其进行极化滤波和极化分解，以减少相干斑影响，有效分离不同目标极化散射特性。

(3)采用传统的基于像素或区域的方法、基于特征值分解的方法和基于图像视觉特征的方法，提取显性特征；选择基于人工智能理论的深度学习模型，通过训练，提取显性或隐性特征；在此步骤或之前，应建立数据样本集，并分为训练集和测试集。

(4)根据应用场景明确地物分类的类别与精细度，并结合先验知识，针对步骤(3)提取的多特征进行筛选或联合，构建特征向量。

(5)选取分类器，根据运行的场景、数据、硬件资源等条件，选择监督或非监督分类器输入训练集进行训练，输入测试集进行预测分类，得到地物分类结果，并根据后评估结果进行算法优化。

2 极化SAR 影像地物分类方法进展

2.1 发展历程及技术特点

对基于极化SAR 影像的地物分类技术发展历程及其技术特点进行归纳与总结，如表1 所示。

表1 极化SAR 影像地物分类典型方法

可以发现，最早的极化SAR 影像地物分类理论与方法均为国外学者提出[4]，近几年我国学者在该领域研究愈发活跃，在引入并创新深度学习理论并将其应用于本领域研究方面，取得了显著进步。

2.2 基于特征提取的分类方法进展

自1988 年美国Kong 教授的研究团队首次提出最大似然分类法对极化SAR 数据进行地物分类，不断有学者提出和改进该研究领域的算法，如Van Zyl 利用先验知识理解与极化散射机制进行分类；Pottier 引入神经网络进行分类；Rignot 提出马尔可夫随机场分类法；Bruzzone 引入灰度共生矩阵提取纹理特征，可有效区分相似地物；Lee 提出威希特分布分类法，解决了多视SAR分类问题；Cloude 利用极化特征值分解实现精细分类；Freeman 建立了三分量散射模型用于地物分类；Fukuda提出具有较好普适性的支持向量机分类法；Fu Yusheng和Khan 分别采用模糊集和最大期望理论实现了无监督分类，Chu 引入多尺度压缩感知理论构建金字塔分类模型，郎丰铠将Freeman 散射模型熵和各向异性度结合进行特定地物的分类[4-6]。

传统的基于特征提取的分类方法主要是提取极化SAR 影像的显性特征，根据设计的特征域和提取机理不同，可分为3 类：

(1)基于统计机理的局部像素空间相关性等特征提取方法。通过电压、功率、相位差、通道相关系数等极化测量矩阵及其变换矩阵提取特征，如Lee 提出的威希特分布分类法，即是通过计算协方差矩阵的复Wishart 分布，得到极化SAR 各通道极化强度比率和相位差分布。

(2)基于极化散射机理的极化目标分解等特征提取方法。通过将极化测量矩阵分解成代表不同散射机理的若干项之和，用以表征地物目标几何结构和物理特性，从而构建具有明确物理释义的特征向量，如Cloude、Freeman等分别提出的基于特征值H-α 分解、Freeman 分解等部分相干目标分解经典算法，已广泛应用于极化SAR 影像地物分类。

(3)基于图像视觉机理的特征提取方法。通过提取图像上下文纹理等特征，注入分类器进行训练，如Bruzzone采用灰度共生矩阵提取纹理特征，可有效区分相邻相似地物。

2.3 基于深度学习的智能分类方法进展

不同于传统基于特征提取的分类方法是构建人工理接和可描述的特征向量，基于深度学习的分类方法主要是挖掘数据集的数据内在稳定属性，通过模拟人脑的信息处理分层学习机制构建隐性特征空间，用于地物分类，具有更强的进化能力，逐步成为近年研究热点。根据深度学习网络模型不同，针对极化SAR 影像的地物分类方法主要包括：

(1)基于深度信念网络(Deep Belief Network，DBN)的分类方法。DBN 由多个受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)堆叠而成，其模型训练过程包括预训练和全局微调两个阶段。预训练阶段，由低层到高层逐层单独训练RBM，以最小化网络能量作为收敛标志，无需对SAR 图像进行标记，属于无监督学习；全局微调阶段，将预训练输出的RBM 之间的权重和偏置作为初值，根据SAR 图像分类要求设置标签作为网络收敛误差监督数据，通过后向传递逐层计算误差，实现对权重和偏置的调制，属于有监督学习。吕启采用DBN模型用于分类，将无监督学习和有监督学习结合，较好地挖掘了SAR 遥感数据时空规律特征，对RADARSAT-2卫星高维极化SAR 图像进行分类验证，相比传统支持向量机和神经网络，取得更高分类精度同时较好地保留了地物类型的细节[7]。

(2)基于堆叠自动编码器(Stacked Auto Encoder，SAE)的分类方法。SAE 由多个自动编码器(Auto Encoder，AE)堆叠而成，其模型训练过程与DBN 类似，也包括预训练和全局微调两个阶段，也只能输入一维数据。但AE 之间堆叠级联是非对称连接，输出无限逼近输入的收敛约束也使其适用于分类。HU Y Y 等提出改进的自适应非局部堆栈稀疏自编码器，通过计算全区域每个像素权重实现自适应提取全局空间信息，从而达到抑制散斑噪声同时保留图像细节的目的，最终提高分类精度[8]。

(3)基于卷积神经网络(Convolutional Neural Network，CNN)的分类方法。CNN 由卷积层和池化层交叉堆叠而成，通过多层深度化的网络前向计算，最终经过全连接层到达网络输出层。可直接输入二维数据，并逐层组合抽象/降维生成高层特征，从而充分学习图像邻域和局部特征。LIN Z 等提出一种深度卷积高速路单元网络分类法，将高速路层融入深度卷积网络的训练单元结构，利用学习的深度隐性特征空间进行分类测试，结果表明对动静目标均具有良好效果，且将训练样本集数量降为30%时仍保持了高达94.97%的地物分类精度[9]。王云艳结合多层反卷积网络提出了一种基于软概率的池化方法，对极化SAR 划分子块后利用多层反卷积网络进行特征编码，最终通过支持向量机实现分类，实现地物高精度的精细分类且鲁棒性好[10]。

(4)基于递归神经网络(Recurrent Neural Network，RNN)的分类方法。RNN 的网络模型技术特色是考虑了隐层连接之间的样本关联关系影响，可以和DBN、SAE 或CNN结合使用。GENG J 等提出一种深度递归编码神经网络分类法，利用长短记忆网络进行空间相关性隐性特征提取，并采用AE 使得网络训练在特征保持同时有效收敛，采用实际SAR 图像对比测试表明其分类精度具有优越性[11]。

(5)基于生成式对抗网络(Generative Adversarial Network，GAN)的分类方法。GAN 由生成模型和判别模型构成，通过交替迭代和互相竞争博弈达到纳什均衡，实现整个网络的训练。其技术特色一是学习真实数据样本的潜在分布特征同时还能生成新的数据样本；二是能对输入的真实样本和生成样本进行判别，判别模型鲁棒性优良。翟育鹏对半监督AC-GAN 进行改造，用较少带标签样本和大量无标签样本同时训练，即可得到好的分类结果，并进一步分别将多尺度CNN 和Wasserstein 距离与AC-GAN 结合，进一步提升模型的分类性能和训练稳定性[12]。

此外，还有学者研究基于迁移学习和多示例学习理论的极化SAR 影像地物分类方法[13-15]，以及小样本深度学习分类法[16]。

3 极化SAR 影像地物智能分类实践

2021 年7 月20 日，台风“查帕卡”登陆广东省阳江市，调取某SAR 卫星在该区域台风登陆后的第一手数据，分别采用极化目标分解特征提取方法和改进小样本深度学习方法进行地物分类并分离水体，实践结果如图2所示。

图2 广东省阳江市台风过后水体分类效果图

进一步对其进行水体淹没变化分析，评估其对周边输电线路等基础设施的淹没影响程度。现场验证结果表明，基于改进小样本深度学习的SAR 地物分类方法在水体淹没变化分析上结果更加准确，因此，具有对水体等特定地物更高的分类精度和更好的迁移适用性。

针对杆塔等离散分布的小目标，选取其辐射、几何、极化特征组合，极化目标分解特征提取方法能够达到更优的分类精度，但需要多次尝试选取最优经验阈值。基于改进小样本深度学习的SAR 地物分类方法对杆塔分类处理时效性好，但精度相对差，可结合杆塔先验坐标进行误差校核。

4 结论

整体来看，基于深度学习的分类方法快速发展，分类性能更优。随着SAR 极化和高分辨率成像技术的发展，图像中地物信息的极大丰富和数据量的海量增长将会对后续地物分类处理算法性能提出更高要求。深度学习方法用于极化SAR 影像分类处理，可以更好地匹配这些要求。因此，结合新的人工智能理论的分类方法、多种深度学习模型联合的分类方法、融合传统特征提取与视觉机理和深度学习模型的分类方法、无监督或弱监督以及对训练样本数量依赖度小的分类方法，已成为重要的技术研究方向。