本書主要討論多極化合成孔徑雷達圖像的圖像解譯方法，重點是地物分類和識別方法，書中利用深度學習的先進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。本書引入了作者團隊最新的科研成果，由淺入深地介紹了5個深度學習方法， 包括稀疏濾波和近鄰保持的深度學習方法、 距離度量的深度學習方法、 半監督卷積神經網絡的深度學習方法、 半監督生成對抗網絡的深度學習方法和圖卷積網絡的深度學習方法以及相應的訓練策略和分類方法，解決少樣本的多極化合成孔徑雷達圖像的地物分類問題。介紹方法時均給出了真實的合成孔徑雷達數據集上的實驗結果， 以驗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圖像處理、 識別、數據處理方向的研究生教材，也適合作為相關專業研究人員的參考書。
合成孔徑雷達（SAR）是當下遙感領域最先進的傳感器之一, 它具備了全天候、全天時、多波段、多極化等獨特的成像特質, 能夠提供高分辨率的圖像。通過對多極化合成孔徑雷達圖像進行解譯可以獲取大量有價值的信息, 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內容, 已被廣泛應用于地球資源勘察等軍事系統及民用系統。針對多極化SAR圖像的分類, 所應用的機器學習方法可分為無監督、有監督和半監督3種。無監督分類方法沒有使用任何標記信息, 往往模型簡單, 且正確率較低。有監督分類方法則需要大量帶標記的樣本數據, 而標記樣本的獲取需要耗費大量人力物力。半監督分類方法結合了無監督和有監督分類方法的優點, 僅僅利用少量的標記樣本就能得到良好的分類效果。傳統的半監督分類方法雖然有初步的成效, 但是效率較低, 并不利于實際應用, 并且所需的特征以人工的方式來提取, 其分類結果在很大程度上依賴于所提取特征的質量。作為人工智能的一個重要分支, 深度學習能夠自動地提取目標數據的抽象內在特征, 并且在自然圖像處理中已經得到廣泛的應用和發展, 但現有的深度學習網絡和模型在標記樣本較少的情況下, 模型容易因訓練不足而產生過擬合, 很難得到較好的分類結果。鑒于以上因素, 本書提出了多種半監督的深度學習模型與算法, 用于多極化SAR圖像的地物分類, 多個數據集上的實驗結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個部分。其中第1部分即第1章, 講述多極化合成孔徑雷達圖像解譯問題的研究背景, 以及地物分類的主要方法（即按照機器學習范式可以分為無監督、有監督和半監督分類方法）, 分別闡述每種方法的主要思路和代表算法, 并且適當舉例說明。第2部分是進階部分, 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習方法。第2章是基于稀疏濾波處理和樣本近鄰保持性質的深度學習方法, 第3章是基于距離度量學習的深度學習方法用于地物分類。第3部分是目前用于地物分類的最新的網絡架構, 包括第4章的半監督卷積神經網絡, 第5章的半監督生成對抗網絡和第6章的圖卷積網絡架構。這3部分內容都是作者團隊獨創的最新科研成果, 用基于基本的網絡架構開發的半監督深度學習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記的樣本很少, 比如每類只有幾個樣本）。本書不僅包含深度學習架構的描述、其他機器學習方法的貫穿, 還有針對具體數據的實驗結果和分析、網絡參數設置的討論, 以及應用于其他數據時參數設置的經驗等。
感謝西安電子科技大學人工智能學院焦李成教授、尚凡華教授、王爽教授、楊淑媛教授對本書的大力支持。參加本書編寫的有碩士研究生閔強、王飛祥、王志等同學。感謝西安電子科技大學出版社的劉小莉編輯對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, 由于時間倉促, 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數據的表示形式 2
1.1.2 多極化SAR數據的極化特征 4
1.2 多極化SAR地物分類方法 5
1.2.1 無監督分類方法 5
1.2.2 有監督分類方法 5
1.2.3 半監督分類方法 6
1.3 本章小結 7
第2章 基于稀疏濾波和近鄰保持的深度學習方法 8
2.1 背景與相關工作 8
2.1.1 多極化SAR數據預處理 8
2.1.2 稀疏濾波 8
2.2 方法原理 10
2.2.1 深度稀疏濾波網絡 10
2.2.2 近鄰保持正則項 11
2.2.3 算法步驟 12
2.3 實驗結果與分析 14
2.3.1 仿真數據實驗 16
2.3.2 荷蘭Flevoland地區的AIRSAR數據實驗結果 18
2.3.3 荷蘭Flevoland地區的子圖數據實驗結果 19
2.3.4 美國San Francisco地區的RADARSAT2數據實驗結果 21
2.3.5 丹麥Foloum地區的EMISAR數據實驗結果 23
2.3.6 西安地區的RADARSAT2數據實驗結果 24
2.4 本章小結 26
第3章 基于距離度量學習的深度學習方法
27
3.1 距離度量學習 27
3.2 大邊界近鄰算法 28
3.3 方法原理 30
3.3.1 半監督大邊界近鄰算法 30
3.3.2 空間信息 31
3.3.3 算法步驟 31
3.4 實驗結果與分析 33
3.4.1 仿真數據實驗 34
3.4.2 荷蘭Flevoland地區的 AIRSAR 數據實驗結果 37
3.4.3 荷蘭Flevoland地區的子圖數據實驗結果 39
3.4.4 美國San Francisco地區的RADARSAT2數據實驗結果 40
3.4.5 丹麥Foloum地區的EMISAR數據實驗結果 42
3.4.6 西安地區的RADARSAT2數據實驗結果 43
3.5 本章小結 45
第4章 基于半監督卷積神經網絡的深度學習方法 46
4.1 基于半監督卷積神經網絡的多極化SAR地物分類 46
4.1.1 空間信息 46
4.1.2 非監督預訓練 48
4.1.3 網絡結構與訓練方法 49
4.2 實驗結果與分析 51
4.2.1 仿真數據實驗 51
4.2.2 荷蘭Flevoland地區的 AIRSAR 數據實驗結果 53
4.2.3 荷蘭Flevoland地區的子圖數據實驗結果 54
4.2.4 美國San Francisco地區的RADARSAT2數據實驗結果 56
4.2.5 西安地區的RADARSAT2數據實驗結果 58
4.3 本章小結 60
第5章 基于半監督生成對抗網絡的深度學習方法 61
5.1 生成對抗網絡的結構和原理 61
5.1.1 生成對抗網絡的基本思想及結構 61
5.1.2 生成對抗網絡的基本原理 62
5.1.3 生成對抗網絡的訓練技巧 63
5.2 基于流形正則約束的分類方法 64
5.2.1 半監督生成對抗網絡分類方法 64
5.2.2 生成對抗網絡的流形正則約束 66
5.2.3 網絡模型和分類方法 67
5.3 基于自注意力模型的半監督生成對抗網絡方法 69
5.3.1 自注意力模型 69
5.3.2 生成對抗網絡的譜正則化 70
5.3.3 算法步驟 71
5.4 實驗結果與分析 72
5.4.1 荷蘭Flevoland地區的子圖數據實驗結果 72
5.4.2 荷蘭Flevoland地區的AIRSAR 數據實驗結果 74
5.4.3 美國San Francisco地區的RADARSAT2數據實驗結果 76
5.4.4 德國Oberpfaffenhofen地區的ESAR 數據實驗結果 78
5.5 本章小結 80
第6章 基于圖卷積網絡的深度學習方法 81
6.1 圖神經網絡概述 81
6.1.1 圖網絡模型 81
6.1.2 圖卷積網絡原理 82
6.2 基于圖卷積網絡的分類方法 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絡分類方法 85
6.3 圖卷積網絡的快速分類方法 86
6.3.1 圖卷積網絡的理解 86
6.3.2 直推式學習 87
6.3.3 半監督圖卷積網絡快速實現方法 88
6.3.4 大規模多極化SAR數據上的圖卷積網絡 90
6.4 實驗結果與分析 91
6.4.1 分類結果 92
6.4.2 算法運行時間比較 97
6.5 本章小結 98
參考文獻 99
新書資訊