16、基于紧凑卷积神经网络的合成孔径雷达图像分类

基于紧凑卷积神经网络的合成孔径雷达图像分类

1. 相关工作

在合成孔径雷达（SAR）和全极化合成孔径雷达（PolSAR）图像分类领域，已有众多研究成果。下面将分别介绍部分极化SAR数据分类和PolSAR数据分类的相关工作。

1.1 部分极化SAR数据分类

在分类框架中，虽然可以直接使用后向散射元素，但部分SAR数据可能是单极化或双极化的，这会导致观测目标的信息有限，从而降低分类性能。为了提高部分极化数据的分类性能，传统的基于机器学习（ML）的方法往往会使用大量特征。

其中一项研究提出将不同的电磁（EM）特征与纹理和颜色特征相结合。以往的方法大多仅使用像素级信息进行分类，忽略了小邻域内的相关性，而该方法还采用了基于区域的特征提取过程，仅使用不到0.1%的SAR数据进行训练，就获得了较高的分类准确率。

该方法收集的特征包括S矩阵的元素以及以下图像处理特征：
- 纹理特征 ：边缘直方图描述符（EHD）、局部二值模式（LBP）、灰度共生矩阵（GLCM）和Gabor小波。
- 颜色特征 ：MPEG - 7颜色结构描述符（CSD）、MPEG - 7主颜色描述符（DCD）和色相 - 饱和度 - 值颜色直方图。

为了计算这些特征，需要对单极化和双极化SAR数据进行处理，以获得伪彩色RGB和灰度图像。对于双极化SAR数据，通过分配后向散射元素的幅度来生成两个RGB图像；对于单极化数据，则通过将强度值分配给预先确定的色相、饱和度和强度（HSI）值来生成伪彩色图像。然后，在灰度图像上提取纹理特征，并构建传统分类器的集成来进行分类。