基于半监督空间-通道选择性卷积核网络的极化SAR图像地物分类

王睿川 王岩飞

①(中国科学院空天信息创新研究院 北京 100190)

②(中国科学院大学电子电气与通信工程学院 北京 101408)

1 引言

极化合成孔径雷达 (Polarimetric Synthetic Aperture Radar，极化SAR) 是一种主动微波遥感探测技术，能够获得地球表面的多通道后向散射回波信息，具有全天时全天候对地成像能力[1]。极化SAR图像地物分类是极化SAR图像解译任务的基础，在城市规划，海洋、森林环境调查和灾害评估等[2]很多实际应用中都起到了重要作用。

传统的极化SAR图像地物分类技术主要流程可被归纳为首先进行特征提取，再使用分类算法进行类别预测[3]。极化目标分解是本领域中一种重要的特征提取方式。常见的极化目标分解方法有Pauli分解、Cloude-Pottier分解[4]、Freeman[5]分解等。分类算法主要包含各种机器学习算法，如期望-最大化算法[6]、支持向量机[7]、稀疏表征分类器[8]、谱聚类[9]和随机森林[10]等。期望-最大化算法使用概率分布对极化SAR图像数据进行迭代分类。常用概率分布有Wishart分布[11]、K-Wishart分布[12,13]和U分布[14]等。

近年来，随着深度学习技术的快速发展，很多基于深度学习的极化SAR图像地物分类算法被提出，其中主要包含卷积神经网络 (Convolutional Neural Networks,CNN)[15]和全卷积网络 (Fully Convolutional Network,FCN)[16]。

CNN考虑输入数据的空间信息，自动地提取分层的隐含特征，达到良好的分类性能[15]。Zhou等人[17]首先将CNN引入极化SAR图像地物分类任务中，并通过可视化表明CNN能够提取各个地物类别的空间特征。Chen等人[18]的研究表明通过引入均匀极化矩阵旋转理论[19]等专家知识为CNN提取输入特征，能够有效提升CNN的分类性能。

基于CNN的极化SAR图像地物分类算法采用逐像素分类的运行模式，由于在运算中重复提取了邻域中相同的像素，因此具有大量的冗余运算。……