極化SAR 影像地物智能分類技術(shù)進展*

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(zé)任公司電力科學(xué)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(biāo)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(biāo)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(xì)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(biāo)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(dāng)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(biāo)準(zhǔn)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(biāo)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(xué)習(xí)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(xì)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(xué)者提出[4]，近幾年我國學(xué)者在該領(lǐng)域研究愈發(fā)活躍，在引入并創(chuàng)新深度學(xué)習(xí)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(xué)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(xì)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(biāo)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(biāo)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(biāo)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(biāo)志，無需對SAR 圖像進行標(biāo)記，屬于無監(jiān)督學(xué)習(xí)；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(biāo)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(xué)習(xí)。呂啟采用DBN模型用于分類，將無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)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(xì)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(xì)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?？芍苯虞斎攵S數(shù)據(jù)，并逐層組合抽象/降維生成高層特征，從而充分學(xué)習(xí)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(xué)習(xí)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(biāo)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(xì)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(xué)習(xí)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(biāo)簽樣本和大量無標(biāo)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(xué)者研究基于遷移學(xué)習(xí)和多示例學(xué)習(xí)理論的極化SAR 影像地物分類方法[13-15]，以及小樣本深度學(xué)習(xí)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(fēng)“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(fēng)登陸后的第一手?jǐn)?shù)據(jù)，分別采用極化目標(biāo)分解特征提取方法和改進小樣本深度學(xué)習(xí)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(fēng)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(xué)習(xí)的SAR 地物分類方法在水體淹沒變化分析上結(jié)果更加準(zhǔn)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(biāo)，選取其輻射、幾何、極化特征組合，極化目標(biāo)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(xué)習(xí)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(biāo)進行誤差校核。

4 結(jié)論

整體來看，基于深度學(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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。