19、合成孔径雷达图像分类与作物类型分类研究

合成孔径雷达图像分类与作物类型分类研究

1. 合成孔径雷达图像分类

合成孔径雷达（SAR）图像分类在诸多领域具有重要应用价值。然而，若采用相同拓扑结构的二维卷积神经网络（2D - CNN）进行多频段（如L和C波段）的分类，虽看似可行，但计算复杂度会大幅提高。

近年来，张量化框架被用于数据融合。例如，有研究提出将多频极化SAR数据进行张量化，以用于分类。在实验中，目前仅使用实值电磁通道进行分类，而实际获取的SAR数据中，观测目标是用复数值表示的，这一问题有待进一步研究。

在SAR图像分类相关研究中，有众多不同的方法和技术，以下为部分常见方法：
|方法|描述|
| ---- | ---- |
|基于卷积神经网络（CNN）的分类|如使用紧凑卷积神经网络对双极化和单极化SAR图像进行分类，以及多频极化SAR图像分类等。CNN能够自动学习图像特征，提高分类准确性。|
|目标分解极化参数分类|通过生成全极化SAR数据的目标分解极化参数，获取作物物理性质的额外信息，结合单个后向散射系数及其比值，能更好地表征不同作物。|
|机器学习分类器|包括神经网络分类器、最大似然分类器、Wishart分类、支持向量机（SVM）、决策树分类器等。这些分类器在不同场景下各有优劣。|

下面是一个简单的SAR图像分类流程的mermaid流程图：

graph TD;
    A[SAR图像数据] --> B[特征提取];
    B --> C[选择分类器];
    C --> D[训练分类器];
    D --> E[图像分类];