摘要
农作物监测与分类是极化合成孔径雷达（PolSAR）影像的重要应用之一。极化SAR系统是一种主动遥感系统，能获取观测场景高分辨率的遥感信息，包括目标的极化强度和相位。在农作物分类中，一方面由于同一作物在生长过程中表现出不同的外部特征，单一时间的PolSAR图像很难提供足够的信息。随着越来越多的星载SAR系统成功入轨，提供了大量的PolSAR数据，为多时相数据分析和应用提供了可靠基础。另一方面，随着机器视觉领域中深度学习技术的快速发展和突破，遥感解译工作结合深度学习技术也已经取得了极大的成功。结合这两大趋势，本文针对PolSAR数据的作物分类问题进行了深入的探讨。具体从单时相和多时相两方面入手，在针对单时相分类时，构建了轻量高效的Tiny_CNN卷积分类网络。在多时相分类任务中，引入了栈式稀疏自动编码器（S-SAE）来对多种极化分解方法产生的高维极化特征进行降维处理并结合Tiny_CNN完成分类。最后本文定量比较，讨论了栈式自编码网络参数对分类器分类性能的影响。本文的研究内容及结论主要包括： （1）本文结合深度学习技术，在单时相PolSAR作物分类过程中，以经典的卷积神经网络LeNet_5作为基础，基于遥感图像尺度大，训练样本有限的特点，提出了一种轻量，高效的卷积神经网络分类方法Tiny_CNN，通过不同卷积模型在不同数据集上的实验对比，结果表明，在所有对照方法和不同特征输入下，Tiny_CNN网络在分类精度上都为最优，相较于其他CNN网络如LeNet_5网络，分类精度至少提升了5%。 （2）针对单时相PolSAR遥感图像分类问题，利用构建的Tiny_CNN分类网络探讨了不同输入下的分类表现，通过AirSAR标准数据集和IndianHead第六时相数据实验验证发现：在不同分类模型下，极化分解特征相较于原始数据分类精度至少提升了3%，此外，降维处理的极化分解特征相较于非降维特征，在相同的分类方法下，分类精度至少提升了1.5%。 （3）针对多时相数据的分类问题，以单时相分类讨论为基础，提出了基于特征降维的多时相分类方法。首先本文采用了多种经典的PolSAR极化分解法，从多角度出发对多时相PolSAR数据的特征信息进行充分提取，为了避免在直接使用多时相数据时带来的‘维数灾难’问题，分别对比验证了基于时序向量的分类方法和基于特征降维的分类方法的具体表现。实验结果表明：基于主成分分析PCA的多时相降维分类方法，能更高效的利用多时相数据中的分类信息，相较于时序向量的多时相分类方法LSTM，分类精度提升了15%。相较于本文构建的1维1D_TCNN，分类精度提升了近3%左右。 （4）在多时相分类的研究中，本文提出了一种基于栈式稀疏自动编码器S-SAE降维的作物分类方法，通过栈式自编码网络对高维多时相特征进行高效的降维处理来融合多时相特征，从而达到提升分类精度的目的。在分析S-SAE网络参数和网络结构对降维效果影响的基础上，建立了一个包含3隐层的S-SAE网络对获取的高维多时相特征进行高效降维，最后利用不同的降维方法如PCA，局部线性嵌入法LLE和不同的分类方法如复Wishart,卷积神经网络CNN和支持向量机SVM分类方法对本文提出的方法进行对比验证，实验结果表明：在训练率方面，增加无监督训练样本的训练率可以提高S-SAE的性能。但随着预训练样本的增加，分类性能的提升变弱，随着网络的加深，分类的准确率也越来越高，但当达到一定深度时网络降维效果将不再提升。另外，若第一隐层的神经元数目接近输入特征的数目，第二隐层的神经元数目与前、后两层保持一定的差距，则可以获得更好的数据降维性能。此外实验表明稀疏正则化项?，正则化项权值?，稀疏项参数?对S-SAE的性能具有有不确定的影响。若在单层稀疏自编码能适当取值参数，将使分类结果的OA提高5%，甚至高于优化后的S-AE的分类精度。通过实验验证表明，优化参数后的S-SAE+Tiny_CNN方法相较于对照组方法，在三组不同的实验数据上都具有明显的分类精度优势，与传统的降维分类方法比，分类精度至少提升了3.5%。
NETL