肖东凌 刘 畅
(中国科学院电子学研究所 北京 100190)
(中国科学院大学 北京 100049)
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)凭借全天时、全天候和高分辨率成像的能力以及丰富的地物目标散射信息和通道相位信息,被广泛运用于地物分类、目标检测和相干变化检测等领域。在地物分类研究中,表面平滑的地物纹理特征区分度不高,而PolSAR丰富的通道相位信息则能有效地区分纹理差异不大的地物,因此PolSAR数据在该领域受到了极大的关注。
传统的PolSAR图像处理算法按照特征提取、训练分类器两个基本步骤独立展开[1-4],特征和分类器之间的交互较弱,模型连贯性较差。相较于传统的图像算法,卷积神经网络(Convolution Neural Network, CNN)能根据具体的任务来自适应地捕获特征,并联合特征网络训练分类器,具有更好的灵活性和连贯性,因此能够得到更加准确的分类结果。目前,CNN已被广泛运用到PolSAR图像处理领域,例如Zhang等人[5]用复元素CNN来实现PolSAR地物分类;Xu等人[6]利用CNN实现PolSAR图像相干变化的检测;Bi等人[7]用基于图的CNN以及Chen等人[8,9]采用极化特征驱动的CNN算法实现精确的PolSAR地物分类。
在基于PolSAR数据的地物分类研究中,深度分类网络的训练数据一般是后向散射矩阵S以及由S变换得到的协方差矩阵C和相干矩阵T[10-13],而非实数CNN模型输入的3通道RGB图像。C矩阵和T矩阵的非对角元素都是复数,且S,C和T矩阵都包含能有效区分不同地物的通道相位信息。其中PolSAR的后向散射矩阵S如式(1)所示。

其中,SHH和SVV项包含同极化通道回波功率,而SHV和SVH项则包含交叉极化通道回波功率。……