基于深度学习的高分辨率PolSAR图像城区地物分类研究

High-resolution PolSAR image can provide abundant information for the fine classification of ground objects, which can describe the ground object in four polarization states at the same time. Because of the complexity of Urban terrain environment, the existing methods for improving the POLSAR image urban terrain classification still face such problems: the artificial experiential features lack description ability to depict the complex urban scene; meanwhile, the rich ground objects information of high resolution POLSAR doesn't be fully mined, for example, the shape attribute and semantic environment of the urban object do not been fully utilized. In view of the above problems, this project intends to promote deep learning application in the field of high-resolution POLSAR image classification under the theoretical support of representation learning. The main line of our research is from the construction of statistical distribution modeling to discover high-level intrinsic features, and finally to transfer learning of high-level features. In Particular, the three aspects of our main ideas are as follows: (1) based on the statistical distribution theory of high resolution PolSAR, a high dimensional statistical parameter feature set is constructed; (2) the high-level intrinsic feature is mined in a data-driven fashion by unsupervised deep learning methods; (3) the transfer learning model of the high-level feature is constructed to solve the problem of insufficient training data, and realize the fine classification of urban terrain. The development of this project is expected to provide key technologies and methods for SAR image interpretation and urban target monitoring.

高分辨率PolSAR图像能同时对地物进行4种极化状态的描述，可以对地物精细化分类提供丰富的信息。但城区地物环境复杂，现有方法在改善PolSAR图像城区地物分类方面仍然面临着人工经验特征描述能力不足的问题，难以适应城区复杂场景；同时，高分辨率PolSAR数据蕴含的丰富地物信息没有得到充分挖掘，如城区地物的形状属性、环境语义等没有得到充分利用。针对上述问题，本项目拟在表达学习理论框架下，以“统计分布建模-特征深度挖掘-高层特征迁移学习”为研究主线，推进深度学习在高分辨率PolSAR图像地物分类领域中的应用。其主要思路为：从高分辨率PolSAR数据统计分布理论出发，构建高维度统计参数特征集；以数据驱动的方式非监督地深度挖掘其蕴含的高层本征特征；构建高层特征迁移学习模型，解决目标训练数据不足的问题，实现对城区地物的精细分类。本项目的开展有望为SAR图像解译和城区目标监测提供关键技术和方法。

本项目拟将传统的深度学习模型引入到高分辨率PolSAR图像地物分类中去，以充分的利用高分辨率PolSAR图像丰富的地物信息和深度学习模型的信息挖掘能力，从而进一步提高PolSAR图像地物的分类精度。在项目的执行过程中，项目组主要做了如下工作：（1）研究了PolSAR图像各种底层特征的提取及分类效果，发现每种底层特征在单独分类的时候都有着某种局限性，融合多种特征进行分类后，高分辨率PolSAR图像的分类效果明显提升,因此本项目为了提高PolSAR图像的分类精度，提取了多种类型的底层特征以利于后期高层特征挖掘；（2）研究了PolSAR图像的成像特点，从而对传统的深度反卷积模型进行了改进，构建了一个面向PolSAR图像的深度反卷积网络模型，以使其更适宜PolSAR图像的分类，项目组还研究了该深度反卷积网络模型的训练算法，以数据驱动的方式无监督训练学习PolSAR图像的高区分度的高层特征；（3）考虑到能够用于训练深度反卷积网络模型的训练数据较少，不足以充分的训练深度学习模型的参数，本项目研究了将迁移学习的思想引入，先收集类似的SAR数据对深度网络模型进行训练得到高层特征，然后再将需要分类的PolSAR训练数据对该高层特征进行迁移学习，得到更利于目标数据的新的高层特征。项目组所有的研究实验都是在公开发布的数据上进行，实验结果表现较好，在一定程度上提升了高分辨率PolSAR图像的分类准确率。