分析测试百科网 > 行业资讯 > 技术原理

独特视角：从物理智能到微波视觉（四）

2020.10.13

遥感大数据时代下的SAR图像解译是一个极大的科学应用挑战。大数据时代的智能方法如计算机视觉技术目前已经取得很大的成功，但是需要发展先进的SAR微波雷达智能信息获取方法。每天都有海量的数据从太空返回而等待处理，需要强大的解译和信息获取方法。

微波视觉的物理基础在于准实时高逼真的电磁物理模拟平台，复旦大学电磁波信息科学教育部重点实验室开发的POLSAR EYES仿真平台（图8）采用双向解析射线追踪算法，并在通用图形处理器上大规模并行实现，可实现准实时的大规模地物场景与目标的SAR成像仿真，包括上百平方公里的地形起伏、覆盖地物如植被等以及人工目标如建筑物、船只等。

（a）射线追踪仿真引擎（b）大规模地物目标虚拟场景

（c）准实时仿真的极化SAR图像（d）真实机载极化SAR图像

图8 POLSAR EYES准实时大规模地物场景与地物的SAR仿真
Fig. 8 POLSAR EYES: Near-real time SAR simulation platform for large-scale terrain scene and targets

SAR图像中自动目标识别是一个关键应用，也是最适合利用机器学习方法实现的。采用卷积神经网络（CNN）对10类地面车辆SAR数据集进行分类，取得较好效果（图9）^[16]。针对SAR图像数据比较少、对观测条件敏感等特点，直接用SAR数据训练CNN很容易出现过拟合的问题。因为CNN自由参数太多，但训练样本不充足，这就导致了严重的过拟合。CNN中绝大部分的可训练参数都包含在全连接层，通过用卷积层取代全连接层，而不是大量地减少网络的层数，减少需要训练的参数。尽管这种改变降低了网络的表示能力，但是也大大减小了过拟合。在标准测试集（观测条件、目标配置几乎不变）上取得99%的分类精度，而在扩展测试集（观测条件、目标配置发生变化）上分类精度有一定下降但仍比传统方法具有优势。由此可以明显看到现有深度神经网络过度依赖训练数据的缺陷。

（a）（b）

图9 全卷积网络（a）及其在MSTAR数据集训练得到的卷积核和特征图（b）
Fig. 9 (a) AConvNet; (b) Convolutional kernel and feature maps trained on MSTAR dataset

将CNN用于多极化SAR地物分类中，发现可以取得比传统方法更好的效果^[17]。对于地物分类而言，其应用模式与图像分割非常类似，因此可以按像素选择局域窗口进行训练和测试，训练样本数量远大于目标识别的情形，但要求训练样本与测试样本的观测条件和地物类型保持一致。同时也测试了CNN地表分类器的通用性，图10显示了2个不同地点不同时间采集的极化SAR图像经过同一分类器得到的结果性能一致，说明了CNN地表分类器具有较好的泛化性能。

（a）光学影像

（b）ALOS2图像

（c）分类结果图

图10 用CNN分类的ALOS极化SAR图像及其分类结果和对比光学影像
Fig. 10 Classification of ALOS POLSAR image with CNN

对于多通道相干的SAR图像，如极化SAR或干涉SAR，其通道间相干相位差带有重要信息。因此针对带相位信息的SAR图像，将CNN推广到了复数域，称为复数卷积网络（complex-valued-CNN，CV-CNN）^[18]。为了区分，实数神经网络可称为real-valued CNN（RVCNN）。特别是如极化SAR和干涉SAR，均包含了不同通道之间的相位差，该相位信息不再是完全随机的，往往隐含了散射地物的位置、形状、散射机制的信息，这些信息对地物分类和识别至关重要。CV-CNN不仅将复数数据作为输入，同时对各层传递了相位信息，也即每层的神经元信息和权重均由复数表示，神经元操作以及学习算法均推广至复数域。对比实验结果表明，在相同未知数规模下，采用复数输入按复数计算的CV-CNN和将实部虚部作为2个独立实数输入的RVCNN相比，CV-CNN 能有效提高网络性能，对于极化SAR地表分类中，其错误率可以降低2/3以上（图11）^[18]。

（a）

（b）

图11 CV-CNN架构（a）及用于等效对比实验的CV-CNN和RV-CNN（b）

Fig. 11 CV-CNN architecture (a) and the comparison between CV-CNN and RV-CNN with similar degrees of freedom(b)

采用神经网络的方法还可以由单极化或双极化SAR图像重构全极化SAR图像（图12）。采用多尺度卷积网络提取单极化SAR图像上的空域特征，通过训练将其转化到极化特征，然后重构出对应的多极化SAR图像，称为对灰度雷达图像填上颜色^[19]。该方法首先利用预训练的CNN从单极化灰度雷达图像中提取多尺度空域特征矢量，然后训练一个全连接深度网络将空域特征空间映射到极化域特征空间，由此得到每个像素的极化散射矩阵。

图12 从单极化SAR图像中重构全极化散射矩阵的深度网络架构

Fig. 12 Deep neural networks used to reconstruct full polarimetric scattering matrix from single-pol SAR image

SAR图像中的相干斑抑制是理解SAR图像的基本处理步骤。笔者还提出了基于卷积网络的SAR相干斑滤波网络^[20]。如图13所示，将SAR图像邻域窗口输入CNN训练其预测当前像素的真实散射系数的分布，而训练该网络所需要的真实散射系数分布的真值标签难以获得，因此基于相干斑乘积模型，设计了可以非监督训练的目标函数，即将预测散射系数的对数分布与理想相干斑的对数分布进行卷积再使其等于输入SAR图像块像素值的对数分布。该网络架构对于仿真和真实SAR图像进行测试均得到理想效果。