本書主要討論多極化合成孔徑雷達(dá)圖像的圖像解譯方法，重點(diǎn)是地物分類和識(shí)別方法，書中利用深度學(xué)習(xí)的先進(jìn)模型和方法解決少樣本的地物分類問題，獲得較高的分類精確度。本書引入了作者團(tuán)隊(duì)最新的科研成果，由淺入深地介紹了5個(gè)深度學(xué)習(xí)方法， 包括稀疏濾波和近鄰保持的深度學(xué)習(xí)方法、 距離度量的深度學(xué)習(xí)方法、 半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法、 半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)的深度學(xué)習(xí)方法和圖卷積網(wǎng)絡(luò)的深度學(xué)習(xí)方法以及相應(yīng)的訓(xùn)練策略和分類方法，解決少樣本的多極化合成孔徑雷達(dá)圖像的地物分類問題。介紹方法時(shí)均給出了真實(shí)的合成孔徑雷達(dá)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果， 以驗(yàn)證所述方法能提升地物分類的正確率和效率。
本書適合作為合成孔徑雷達(dá)圖像處理、 識(shí)別、數(shù)據(jù)處理方向的研究生教材，也適合作為相關(guān)專業(yè)研究人員的參考書。
合成孔徑雷達(dá)（SAR）是當(dāng)下遙感領(lǐng)域最先進(jìn)的傳感器之一, 它具備了全天候、全天時(shí)、多波段、多極化等獨(dú)特的成像特質(zhì), 能夠提供高分辨率的圖像。通過對(duì)多極化合成孔徑雷達(dá)圖像進(jìn)行解譯可以獲取大量有價(jià)值的信息, 尤其是多極化SAR圖像的地物分類, 作為SAR圖像解譯的重要研究?jī)?nèi)容, 已被廣泛應(yīng)用于地球資源勘察等軍事系統(tǒng)及民用系統(tǒng)。針對(duì)多極化SAR圖像的分類, 所應(yīng)用的機(jī)器學(xué)習(xí)方法可分為無監(jiān)督、有監(jiān)督和半監(jiān)督3種。無監(jiān)督分類方法沒有使用任何標(biāo)記信息, 往往模型簡(jiǎn)單, 且正確率較低。有監(jiān)督分類方法則需要大量帶標(biāo)記的樣本數(shù)據(jù), 而標(biāo)記樣本的獲取需要耗費(fèi)大量人力物力。半監(jiān)督分類方法結(jié)合了無監(jiān)督和有監(jiān)督分類方法的優(yōu)點(diǎn), 僅僅利用少量的標(biāo)記樣本就能得到良好的分類效果。傳統(tǒng)的半監(jiān)督分類方法雖然有初步的成效, 但是效率較低, 并不利于實(shí)際應(yīng)用, 并且所需的特征以人工的方式來提取, 其分類結(jié)果在很大程度上依賴于所提取特征的質(zhì)量。作為人工智能的一個(gè)重要分支, 深度學(xué)習(xí)能夠自動(dòng)地提取目標(biāo)數(shù)據(jù)的抽象內(nèi)在特征, 并且在自然圖像處理中已經(jīng)得到廣泛的應(yīng)用和發(fā)展, 但現(xiàn)有的深度學(xué)習(xí)網(wǎng)絡(luò)和模型在標(biāo)記樣本較少的情況下, 模型容易因訓(xùn)練不足而產(chǎn)生過擬合, 很難得到較好的分類結(jié)果。鑒于以上因素, 本書提出了多種半監(jiān)督的深度學(xué)習(xí)模型與算法, 用于多極化SAR圖像的地物分類, 多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明所提算法能顯著提升地物分類的效率和正確率。
本書共6章, 分3個(gè)部分。其中第1部分即第1章, 講述多極化合成孔徑雷達(dá)圖像解譯問題的研究背景, 以及地物分類的主要方法（即按照機(jī)器學(xué)習(xí)范式可以分為無監(jiān)督、有監(jiān)督和半監(jiān)督分類方法）, 分別闡述每種方法的主要思路和代表算法, 并且適當(dāng)舉例說明。第2部分是進(jìn)階部分, 包括第2章和第3章, 主要闡述兩種基本的以全連接為代表的深度學(xué)習(xí)方法。第2章是基于稀疏濾波處理和樣本近鄰保持性質(zhì)的深度學(xué)習(xí)方法, 第3章是基于距離度量學(xué)習(xí)的深度學(xué)習(xí)方法用于地物分類。第3部分是目前用于地物分類的最新的網(wǎng)絡(luò)架構(gòu), 包括第4章的半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò), 第5章的半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)和第6章的圖卷積網(wǎng)絡(luò)架構(gòu)。這3部分內(nèi)容都是作者團(tuán)隊(duì)獨(dú)創(chuàng)的最新科研成果, 用基于基本的網(wǎng)絡(luò)架構(gòu)開發(fā)的半監(jiān)督深度學(xué)習(xí)模型和算法來解決地物分類中的小樣本問題（所謂小樣本, 即樣本或者像素中標(biāo)記的樣本很少, 比如每類只有幾個(gè)樣本）。本書不僅包含深度學(xué)習(xí)架構(gòu)的描述、其他機(jī)器學(xué)習(xí)方法的貫穿, 還有針對(duì)具體數(shù)據(jù)的實(shí)驗(yàn)結(jié)果和分析、網(wǎng)絡(luò)參數(shù)設(shè)置的討論, 以及應(yīng)用于其他數(shù)據(jù)時(shí)參數(shù)設(shè)置的經(jīng)驗(yàn)等。
感謝西安電子科技大學(xué)人工智能學(xué)院焦李成教授、尚凡華教授、王爽教授、楊淑媛教授對(duì)本書的大力支持。參加本書編寫的有碩士研究生閔強(qiáng)、王飛祥、王志等同學(xué)。感謝西安電子科技大學(xué)出版社的劉小莉編輯對(duì)本書提出有益的修改建議。
本書來源于作者的最新科研成果, 由于時(shí)間倉(cāng)促, 書中難免有不足之處, 歡迎廣大讀者提出寶貴意見。作者郵箱：hyliu2009@foxmail.com。
劉紅英
2022年10月28日
于西安
第1章 概論 1
1.1 研究背景 1
1.1.1 多極化SAR數(shù)據(jù)的表示形式 2
1.1.2 多極化SAR數(shù)據(jù)的極化特征 4
1.2 多極化SAR地物分類方法 5
1.2.1 無監(jiān)督分類方法 5
1.2.2 有監(jiān)督分類方法 5
1.2.3 半監(jiān)督分類方法 6
1.3 本章小結(jié) 7
第2章 基于稀疏濾波和近鄰保持的深度學(xué)習(xí)方法 8
2.1 背景與相關(guān)工作 8
2.1.1 多極化SAR數(shù)據(jù)預(yù)處理 8
2.1.2 稀疏濾波 8
2.2 方法原理 10
2.2.1 深度稀疏濾波網(wǎng)絡(luò) 10
2.2.2 近鄰保持正則項(xiàng) 11
2.2.3 算法步驟 12
2.3 實(shí)驗(yàn)結(jié)果與分析 14
2.3.1 仿真數(shù)據(jù)實(shí)驗(yàn) 16
2.3.2 荷蘭Flevoland地區(qū)的AIRSAR數(shù)據(jù)實(shí)驗(yàn)結(jié)果 18
2.3.3 荷蘭Flevoland地區(qū)的子圖數(shù)據(jù)實(shí)驗(yàn)結(jié)果 19
2.3.4 美國(guó)San Francisco地區(qū)的RADARSAT2數(shù)據(jù)實(shí)驗(yàn)結(jié)果 21
2.3.5 丹麥Foloum地區(qū)的EMISAR數(shù)據(jù)實(shí)驗(yàn)結(jié)果 23
2.3.6 西安地區(qū)的RADARSAT2數(shù)據(jù)實(shí)驗(yàn)結(jié)果 24
2.4 本章小結(jié) 26
第3章 基于距離度量學(xué)習(xí)的深度學(xué)習(xí)方法
27
3.1 距離度量學(xué)習(xí) 27
3.2 大邊界近鄰算法 28
3.3 方法原理 30
3.3.1 半監(jiān)督大邊界近鄰算法 30
3.3.2 空間信息 31
3.3.3 算法步驟 31
3.4 實(shí)驗(yàn)結(jié)果與分析 33
3.4.1 仿真數(shù)據(jù)實(shí)驗(yàn) 34
3.4.2 荷蘭Flevoland地區(qū)的 AIRSAR 數(shù)據(jù)實(shí)驗(yàn)結(jié)果 37
3.4.3 荷蘭Flevoland地區(qū)的子圖數(shù)據(jù)實(shí)驗(yàn)結(jié)果 39
3.4.4 美國(guó)San Francisco地區(qū)的RADARSAT2數(shù)據(jù)實(shí)驗(yàn)結(jié)果 40
3.4.5 丹麥Foloum地區(qū)的EMISAR數(shù)據(jù)實(shí)驗(yàn)結(jié)果 42
3.4.6 西安地區(qū)的RADARSAT2數(shù)據(jù)實(shí)驗(yàn)結(jié)果 43
3.5 本章小結(jié) 45
第4章 基于半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法 46
4.1 基于半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)的多極化SAR地物分類 46
4.1.1 空間信息 46
4.1.2 非監(jiān)督預(yù)訓(xùn)練 48
4.1.3 網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練方法 49
4.2 實(shí)驗(yàn)結(jié)果與分析 51
4.2.1 仿真數(shù)據(jù)實(shí)驗(yàn) 51
4.2.2 荷蘭Flevoland地區(qū)的 AIRSAR 數(shù)據(jù)實(shí)驗(yàn)結(jié)果 53
4.2.3 荷蘭Flevoland地區(qū)的子圖數(shù)據(jù)實(shí)驗(yàn)結(jié)果 54
4.2.4 美國(guó)San Francisco地區(qū)的RADARSAT2數(shù)據(jù)實(shí)驗(yàn)結(jié)果 56
4.2.5 西安地區(qū)的RADARSAT2數(shù)據(jù)實(shí)驗(yàn)結(jié)果 58
4.3 本章小結(jié) 60
第5章 基于半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)的深度學(xué)習(xí)方法 61
5.1 生成對(duì)抗網(wǎng)絡(luò)的結(jié)構(gòu)和原理 61
5.1.1 生成對(duì)抗網(wǎng)絡(luò)的基本思想及結(jié)構(gòu) 61
5.1.2 生成對(duì)抗網(wǎng)絡(luò)的基本原理 62
5.1.3 生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練技巧 63
5.2 基于流形正則約束的分類方法 64
5.2.1 半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)分類方法 64
5.2.2 生成對(duì)抗網(wǎng)絡(luò)的流形正則約束 66
5.2.3 網(wǎng)絡(luò)模型和分類方法 67
5.3 基于自注意力模型的半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)方法 69
5.3.1 自注意力模型 69
5.3.2 生成對(duì)抗網(wǎng)絡(luò)的譜正則化 70
5.3.3 算法步驟 71
5.4 實(shí)驗(yàn)結(jié)果與分析 72
5.4.1 荷蘭Flevoland地區(qū)的子圖數(shù)據(jù)實(shí)驗(yàn)結(jié)果 72
5.4.2 荷蘭Flevoland地區(qū)的AIRSAR 數(shù)據(jù)實(shí)驗(yàn)結(jié)果 74
5.4.3 美國(guó)San Francisco地區(qū)的RADARSAT2數(shù)據(jù)實(shí)驗(yàn)結(jié)果 76
5.4.4 德國(guó)Oberpfaffenhofen地區(qū)的ESAR 數(shù)據(jù)實(shí)驗(yàn)結(jié)果 78
5.5 本章小結(jié) 80
第6章 基于圖卷積網(wǎng)絡(luò)的深度學(xué)習(xí)方法 81
6.1 圖神經(jīng)網(wǎng)絡(luò)概述 81
6.1.1 圖網(wǎng)絡(luò)模型 81
6.1.2 圖卷積網(wǎng)絡(luò)原理 82
6.2 基于圖卷積網(wǎng)絡(luò)的分類方法 84
6.2.1 空間信息的利用 84
6.2.2 融合空間信息的圖卷積網(wǎng)絡(luò)分類方法 85
6.3 圖卷積網(wǎng)絡(luò)的快速分類方法 86
6.3.1 圖卷積網(wǎng)絡(luò)的理解 86
6.3.2 直推式學(xué)習(xí) 87
6.3.3 半監(jiān)督圖卷積網(wǎng)絡(luò)快速實(shí)現(xiàn)方法 88
6.3.4 大規(guī)模多極化SAR數(shù)據(jù)上的圖卷積網(wǎng)絡(luò) 90
6.4 實(shí)驗(yàn)結(jié)果與分析 91
6.4.1 分類結(jié)果 92
6.4.2 算法運(yùn)行時(shí)間比較 97
6.5 本章小結(jié) 98
參考文獻(xiàn) 99
書單推薦
