10、极化合成孔径雷达（PolSAR）图像分类的Wishart Deeplab网络

极化合成孔径雷达（PolSAR）图像分类的Wishart Deeplab网络

1. 引言

极化合成孔径雷达（PolSAR）是一种通过雷达成像的微波遥感探测技术，能够获取地球表面的多通道后向散射回波信息，具备全天候、全天时成像能力。PolSAR图像分类方法在农业发展、军事监测等领域得到了广泛应用。

早期的研究主要采用浅层方法进行图像分类，如基于人工神经网络的遥感数据分析、基于支持向量机的分类算法以及基于神经网络的Wishart分类算法等。后来，深度学习模型在PolSAR图像分类中得到了广泛应用，尤其是卷积神经网络（CNN）。与传统方法不同，深度学习无需手动选择图像特征，能够自动提取图像的深层特征。典型的深度学习模型包括深度玻尔兹曼机、堆叠自动编码器（SAE）、深度信念网络（DBN）和卷积神经网络（CNN）等。

然而，尽管在PolSAR图像分类方面取得了许多研究成果，但在光学图像中表现良好的深度学习方法，由于PolSAR图像独特的成像机制和特点，仍然存在很大的局限性。一方面，它无法学习一些固有的极化信息和PolSAR数据；另一方面，欧几里得空间中的传统卷积层没有考虑特征通道之间的关系。因此，现有的基于深度学习的方法仍然存在一些问题，如特征表示能力不足和边缘分割不精确等。

为了克服上述问题，本文提出了一种用于PolSAR图像分类的Wishart Deeplab网络。该模型使用Wishart卷积网络学习PolSAR数据的统计信息，提高了PolSAR数据的特征表示能力。然后，利用DeeplabV3 +网络学习网络中的上下文关系和多尺度特征。融合Wishart卷积和DeeplabV3 +网络后，增强了极化信息并学习了语义特征，从而提高了分类性能。与传统的分类算法相比，该模