楊鶴猛 ，孟秀軍 ，陳艷芳 ，王 彤 ，黃 勇 ，孫振蓉

(1.天津航天中為數(shù)據(jù)系統(tǒng)科技有限公司 天津市智能遙感信息處理技術(shù)企業(yè)重點實驗室，天津 300301；2.廣東電網(wǎng)有限責任公司電力科學研究院，廣東 廣州 510080)

0 引言

合成孔徑雷達(Synthetic Aperture Radar，SAR)是一種主動式微波成像觀測系統(tǒng),搭載于天基或空基平臺，通過合成孔徑與脈沖壓縮技術(shù)可獲取地球表面的高分辨率、全天時、全天候、富含地物“指紋特征”的遙感圖像。極化SAR 成像的散射回波在目標信息確定度和雜波抑制具有更強的能力，通過解譯其極化特性可以廣泛應(yīng)用于軍情勘察、偽裝目標識別、農(nóng)林作物監(jiān)測與分類、建筑與道路提取、地質(zhì)分析、自然資源普查、地震與洪澇等災(zāi)害監(jiān)視等領(lǐng)域[1-3]。

隨著國家數(shù)字地球戰(zhàn)略的深入推進和商業(yè)遙感等政策放開，國家以及行業(yè)、產(chǎn)業(yè)對精細遙感探測的需求會愈發(fā)迫切，可以預(yù)見：一方面，SAR 硬件資源和應(yīng)用會愈發(fā)廣泛，將朝著新體制、高分辨、低成本、多極化等方向快速演進；另一方面，星載和機載SAR 遙感數(shù)據(jù)資源將極大豐富，共享度越來越高，數(shù)據(jù)量越來越大。然而，極化SAR 影像地物分類方法發(fā)展仍缺乏重大理論創(chuàng)新，尚未擺脫傳統(tǒng)的基于統(tǒng)計機理的局部像素空間相關(guān)性等方法和基于極化散射機理的極化目標分解等理論。

為此，本文總結(jié)分析極化SAR 影像分類的一般技術(shù)流程，并對國內(nèi)外研究現(xiàn)狀與技術(shù)算法特點進行分類對比，進一步結(jié)合當前快速發(fā)展的人工智能理論應(yīng)用于極化SAR 影像地物分類進行探討，為充分挖掘極化SAR圖像的極化特性，提升其分類性能的進一步研究提供參考。

1 極化SAR 影像地物分類技術(shù)流程

基于極化SAR 影像的地物分類技術(shù)全流程如圖1所示，包括前處理、分類處理和后評估三部分。

圖1 極化SAR 影像地物分類方法流程圖

前處理過程主要是獲取的原始極化SAR 數(shù)據(jù)進行標準化處理。后評估主要是對分類處理得到的地物分類結(jié)果精度、速度等性能進行評估，以便指導(dǎo)改進分類處理算法。

分類處理具體步驟為：

(1)輸入SAR 極化復(fù)散射數(shù)據(jù)，通過極化散射矩陣數(shù)據(jù)變換，得到協(xié)方差矩陣和相關(guān)矩陣，以減少斑點噪聲影響。

(2)對其進行極化濾波和極化分解，以減少相干斑影響，有效分離不同目標極化散射特性。

(3)采用傳統(tǒng)的基于像素或區(qū)域的方法、基于特征值分解的方法和基于圖像視覺特征的方法，提取顯性特征；選擇基于人工智能理論的深度學習模型，通過訓(xùn)練，提取顯性或隱性特征；在此步驟或之前，應(yīng)建立數(shù)據(jù)樣本集，并分為訓(xùn)練集和測試集。

(4)根據(jù)應(yīng)用場景明確地物分類的類別與精細度，并結(jié)合先驗知識，針對步驟(3)提取的多特征進行篩選或聯(lián)合，構(gòu)建特征向量。

(5)選取分類器，根據(jù)運行的場景、數(shù)據(jù)、硬件資源等條件，選擇監(jiān)督或非監(jiān)督分類器輸入訓(xùn)練集進行訓(xùn)練，輸入測試集進行預(yù)測分類，得到地物分類結(jié)果，并根據(jù)后評估結(jié)果進行算法優(yōu)化。

2 極化SAR 影像地物分類方法進展

2.1 發(fā)展歷程及技術(shù)特點

對基于極化SAR 影像的地物分類技術(shù)發(fā)展歷程及其技術(shù)特點進行歸納與總結(jié)，如表1 所示。

表1 極化SAR 影像地物分類典型方法

可以發(fā)現(xiàn)，最早的極化SAR 影像地物分類理論與方法均為國外學者提出[4]，近幾年我國學者在該領(lǐng)域研究愈發(fā)活躍，在引入并創(chuàng)新深度學習理論并將其應(yīng)用于本領(lǐng)域研究方面，取得了顯著進步。

2.2 基于特征提取的分類方法進展

自1988 年美國Kong 教授的研究團隊首次提出最大似然分類法對極化SAR 數(shù)據(jù)進行地物分類，不斷有學者提出和改進該研究領(lǐng)域的算法，如Van Zyl 利用先驗知識理解與極化散射機制進行分類；Pottier 引入神經(jīng)網(wǎng)絡(luò)進行分類；Rignot 提出馬爾可夫隨機場分類法；Bruzzone 引入灰度共生矩陣提取紋理特征，可有效區(qū)分相似地物；Lee 提出威希特分布分類法，解決了多視SAR分類問題；Cloude 利用極化特征值分解實現(xiàn)精細分類；Freeman 建立了三分量散射模型用于地物分類；Fukuda提出具有較好普適性的支持向量機分類法；Fu Yusheng和Khan 分別采用模糊集和最大期望理論實現(xiàn)了無監(jiān)督分類，Chu 引入多尺度壓縮感知理論構(gòu)建金字塔分類模型，郎豐鎧將Freeman 散射模型熵和各向異性度結(jié)合進行特定地物的分類[4-6]。

傳統(tǒng)的基于特征提取的分類方法主要是提取極化SAR 影像的顯性特征，根據(jù)設(shè)計的特征域和提取機理不同，可分為3 類：

(1)基于統(tǒng)計機理的局部像素空間相關(guān)性等特征提取方法。通過電壓、功率、相位差、通道相關(guān)系數(shù)等極化測量矩陣及其變換矩陣提取特征，如Lee 提出的威希特分布分類法，即是通過計算協(xié)方差矩陣的復(fù)Wishart 分布，得到極化SAR 各通道極化強度比率和相位差分布。

(2)基于極化散射機理的極化目標分解等特征提取方法。通過將極化測量矩陣分解成代表不同散射機理的若干項之和，用以表征地物目標幾何結(jié)構(gòu)和物理特性，從而構(gòu)建具有明確物理釋義的特征向量，如Cloude、Freeman等分別提出的基于特征值H-α 分解、Freeman 分解等部分相干目標分解經(jīng)典算法，已廣泛應(yīng)用于極化SAR 影像地物分類。

(3)基于圖像視覺機理的特征提取方法。通過提取圖像上下文紋理等特征，注入分類器進行訓(xùn)練，如Bruzzone采用灰度共生矩陣提取紋理特征，可有效區(qū)分相鄰相似地物。

2.3 基于深度學習的智能分類方法進展

不同于傳統(tǒng)基于特征提取的分類方法是構(gòu)建人工理接和可描述的特征向量，基于深度學習的分類方法主要是挖掘數(shù)據(jù)集的數(shù)據(jù)內(nèi)在穩(wěn)定屬性，通過模擬人腦的信息處理分層學習機制構(gòu)建隱性特征空間，用于地物分類，具有更強的進化能力，逐步成為近年研究熱點。根據(jù)深度學習網(wǎng)絡(luò)模型不同，針對極化SAR 影像的地物分類方法主要包括：

(1)基于深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)的分類方法。DBN 由多個受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)堆疊而成，其模型訓(xùn)練過程包括預(yù)訓(xùn)練和全局微調(diào)兩個階段。預(yù)訓(xùn)練階段，由低層到高層逐層單獨訓(xùn)練RBM，以最小化網(wǎng)絡(luò)能量作為收斂標志，無需對SAR 圖像進行標記，屬于無監(jiān)督學習；全局微調(diào)階段，將預(yù)訓(xùn)練輸出的RBM 之間的權(quán)重和偏置作為初值，根據(jù)SAR 圖像分類要求設(shè)置標簽作為網(wǎng)絡(luò)收斂誤差監(jiān)督數(shù)據(jù)，通過后向傳遞逐層計算誤差，實現(xiàn)對權(quán)重和偏置的調(diào)制，屬于有監(jiān)督學習。呂啟采用DBN模型用于分類，將無監(jiān)督學習和有監(jiān)督學習結(jié)合，較好地挖掘了SAR 遙感數(shù)據(jù)時空規(guī)律特征，對RADARSAT-2衛(wèi)星高維極化SAR 圖像進行分類驗證，相比傳統(tǒng)支持向量機和神經(jīng)網(wǎng)絡(luò)，取得更高分類精度同時較好地保留了地物類型的細節(jié)[7]。

(2)基于堆疊自動編碼器(Stacked Auto Encoder，SAE)的分類方法。SAE 由多個自動編碼器(Auto Encoder，AE)堆疊而成，其模型訓(xùn)練過程與DBN 類似，也包括預(yù)訓(xùn)練和全局微調(diào)兩個階段，也只能輸入一維數(shù)據(jù)。但AE 之間堆疊級聯(lián)是非對稱連接，輸出無限逼近輸入的收斂約束也使其適用于分類。HU Y Y 等提出改進的自適應(yīng)非局部堆棧稀疏自編碼器，通過計算全區(qū)域每個像素權(quán)重實現(xiàn)自適應(yīng)提取全局空間信息，從而達到抑制散斑噪聲同時保留圖像細節(jié)的目的，最終提高分類精度[8]。

(3)基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的分類方法。CNN 由卷積層和池化層交叉堆疊而成，通過多層深度化的網(wǎng)絡(luò)前向計算，最終經(jīng)過全連接層到達網(wǎng)絡(luò)輸出層。可直接輸入二維數(shù)據(jù)，并逐層組合抽象/降維生成高層特征，從而充分學習圖像鄰域和局部特征。LIN Z 等提出一種深度卷積高速路單元網(wǎng)絡(luò)分類法，將高速路層融入深度卷積網(wǎng)絡(luò)的訓(xùn)練單元結(jié)構(gòu)，利用學習的深度隱性特征空間進行分類測試，結(jié)果表明對動靜目標均具有良好效果，且將訓(xùn)練樣本集數(shù)量降為30%時仍保持了高達94.97%的地物分類精度[9]。王云艷結(jié)合多層反卷積網(wǎng)絡(luò)提出了一種基于軟概率的池化方法，對極化SAR 劃分子塊后利用多層反卷積網(wǎng)絡(luò)進行特征編碼，最終通過支持向量機實現(xiàn)分類，實現(xiàn)地物高精度的精細分類且魯棒性好[10]。

(4)基于遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)的分類方法。RNN 的網(wǎng)絡(luò)模型技術(shù)特色是考慮了隱層連接之間的樣本關(guān)聯(lián)關(guān)系影響，可以和DBN、SAE 或CNN結(jié)合使用。GENG J 等提出一種深度遞歸編碼神經(jīng)網(wǎng)絡(luò)分類法，利用長短記憶網(wǎng)絡(luò)進行空間相關(guān)性隱性特征提取，并采用AE 使得網(wǎng)絡(luò)訓(xùn)練在特征保持同時有效收斂，采用實際SAR 圖像對比測試表明其分類精度具有優(yōu)越性[11]。

(5)基于生成式對抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)的分類方法。GAN 由生成模型和判別模型構(gòu)成，通過交替迭代和互相競爭博弈達到納什均衡，實現(xiàn)整個網(wǎng)絡(luò)的訓(xùn)練。其技術(shù)特色一是學習真實數(shù)據(jù)樣本的潛在分布特征同時還能生成新的數(shù)據(jù)樣本；二是能對輸入的真實樣本和生成樣本進行判別，判別模型魯棒性優(yōu)良。翟育鵬對半監(jiān)督AC-GAN 進行改造，用較少帶標簽樣本和大量無標簽樣本同時訓(xùn)練，即可得到好的分類結(jié)果，并進一步分別將多尺度CNN 和Wasserstein 距離與AC-GAN 結(jié)合，進一步提升模型的分類性能和訓(xùn)練穩(wěn)定性[12]。

此外，還有學者研究基于遷移學習和多示例學習理論的極化SAR 影像地物分類方法[13-15]，以及小樣本深度學習分類法[16]。

3 極化SAR 影像地物智能分類實踐

2021 年7 月20 日，臺風“查帕卡”登陸廣東省陽江市，調(diào)取某SAR 衛(wèi)星在該區(qū)域臺風登陸后的第一手數(shù)據(jù)，分別采用極化目標分解特征提取方法和改進小樣本深度學習方法進行地物分類并分離水體，實踐結(jié)果如圖2所示。

圖2 廣東省陽江市臺風過后水體分類效果圖

進一步對其進行水體淹沒變化分析，評估其對周邊輸電線路等基礎(chǔ)設(shè)施的淹沒影響程度?，F(xiàn)場驗證結(jié)果表明，基于改進小樣本深度學習的SAR 地物分類方法在水體淹沒變化分析上結(jié)果更加準確，因此，具有對水體等特定地物更高的分類精度和更好的遷移適用性。

針對桿塔等離散分布的小目標，選取其輻射、幾何、極化特征組合，極化目標分解特征提取方法能夠達到更優(yōu)的分類精度，但需要多次嘗試選取最優(yōu)經(jīng)驗閾值?；诟倪M小樣本深度學習的SAR 地物分類方法對桿塔分類處理時效性好，但精度相對差，可結(jié)合桿塔先驗坐標進行誤差校核。

4 結(jié)論

整體來看，基于深度學習的分類方法快速發(fā)展，分類性能更優(yōu)。隨著SAR 極化和高分辨率成像技術(shù)的發(fā)展，圖像中地物信息的極大豐富和數(shù)據(jù)量的海量增長將會對后續(xù)地物分類處理算法性能提出更高要求。深度學習方法用于極化SAR 影像分類處理，可以更好地匹配這些要求。因此，結(jié)合新的人工智能理論的分類方法、多種深度學習模型聯(lián)合的分類方法、融合傳統(tǒng)特征提取與視覺機理和深度學習模型的分類方法、無監(jiān)督或弱監(jiān)督以及對訓(xùn)練樣本數(shù)量依賴度小的分類方法，已成為重要的技術(shù)研究方向。