本书主要讨论多极化合成孔径雷达图像的图像解译方法，重点是地物分类和识别方法，书中利用深度学习的先进模型和方法解决少样本的地物分类问题，获得较高的分类精确度。本书引入了作者团队最新的科研成果，由浅入深地介绍了5个深度学习方法， 包括稀疏滤波和近邻保持的深度学习方法、 距离度量的深度学习方法、 半监督卷积神经网络的深度学习方法、 半监督生成对抗网络的深度学习方法和图卷积网络的深度学习方法以及相应的训练策略和分类方法，解决少样本的多极化合成孔径雷达图像的地物分类问题。介绍方法时均给出了真实的合成孔径雷达数据集上的实验结果， 以验证所述方法能提升地物分类的正确率和效率。
本书适合作为合成孔径雷达图像处理、 识别、数据处理方向的研究生教材，也适合作为相关专业研究人员的参考书。
合成孔径雷达（SAR）是当下遥感领域最先进的传感器之一, 它具备了全天候、全天时、多波段、多极化等独特的成像特质, 能够提供高分辨率的图像。通过对多极化合成孔径雷达图像进行解译可以获取大量有价值的信息, 尤其是多极化SAR图像的地物分类, 作为SAR图像解译的重要研究内容, 已被广泛应用于地球资源勘察等军事系统及民用系统。针对多极化SAR图像的分类, 所应用的机器学习方法可分为无监督、有监督和半监督3种。无监督分类方法没有使用任何标记信息, 往往模型简单, 且正确率较低。有监督分类方法则需要大量带标记的样本数据, 而标记样本的获取需要耗费大量人力物力。半监督分类方法结合了无监督和有监督分类方法的优点, 仅仅利用少量的标记样本就能得到良好的分类效果。传统的半监督分类方法虽然有初步的成效, 但是效率较低, 并不利于实际应用, 并且所需的特征以人工的方式来提取, 其分类结果在很大程度上依赖于所提取特征的质量。作为人工智能的一个重要分支, 深度学习能够自动地提取目标数据的抽象内在特征, 并且在自然图像处理中已经得到广泛的应用和发展, 但现有的深度学习网络和模型在标记样本较少的情况下, 模型容易因训练不足而产生过拟合, 很难得到较好的分类结果。鉴于以上因素, 本书提出了多种半监督的深度学习模型与算法, 用于多极化SAR图像的地物分类, 多个数据集上的实验结果表明所提算法能显著提升地物分类的效率和正确率。
本书共6章, 分3个部分。其中第1部分即第1章, 讲述多极化合成孔径雷达图像解译问题的研究背景, 以及地物分类的主要方法（即按照机器学习范式可以分为无监督、有监督和半监督分类方法）, 分别阐述每种方法的主要思路和代表算法, 并且适当举例说明。第2部分是进阶部分, 包括第2章和第3章, 主要阐述两种基本的以全连接为代表的深度学习方法。第2章是基于稀疏滤波处理和样本近邻保持性质的深度学习方法, 第3章是基于距离度量学习的深度学习方法用于地物分类。第3部分是目前用于地物分类的最新的网络架构, 包括第4章的半监督卷积神经网络, 第5章的半监督生成对抗网络和第6章的图卷积网络架构。这3部分内容都是作者团队独创的最新科研成果, 用基于基本的网络架构开发的半监督深度学习模型和算法来解决地物分类中的小样本问题（所谓小样本, 即样本或者像素中标记的样本很少, 比如每类只有几个样本）。本书不仅包含深度学习架构的描述、其他机器学习方法的贯穿, 还有针对具体数据的实验结果和分析、网络参数设置的讨论, 以及应用于其他数据时参数设置的经验等。
感谢西安电子科技大学人工智能学院焦李成教授、尚凡华教授、王爽教授、杨淑媛教授对本书的大力支持。参加本书编写的有硕士研究生闵强、王飞祥、王志等同学。感谢西安电子科技大学出版社的刘小莉编辑对本书提出有益的修改建议。
本书来源于作者的最新科研成果, 由于时间仓促, 书中难免有不足之处, 欢迎广大读者提出宝贵意见。作者邮箱：hyliu2009@foxmail.com。
刘红英
2022年10月28日
于西安
第1章 概论 1
1.1 研究背景 1
1.1.1 多极化SAR数据的表示形式 2
1.1.2 多极化SAR数据的极化特征 4
1.2 多极化SAR地物分类方法 5
1.2.1 无监督分类方法 5
1.2.2 有监督分类方法 5
1.2.3 半监督分类方法 6
1.3 本章小结 7
第2章 基于稀疏滤波和近邻保持的深度学习方法 8
2.1 背景与相关工作 8
2.1.1 多极化SAR数据预处理 8
2.1.2 稀疏滤波 8
2.2 方法原理 10
2.2.1 深度稀疏滤波网络 10
2.2.2 近邻保持正则项 11
2.2.3 算法步骤 12
2.3 实验结果与分析 14
2.3.1 仿真数据实验 16
2.3.2 荷兰Flevoland地区的AIRSAR数据实验结果 18
2.3.3 荷兰Flevoland地区的子图数据实验结果 19
2.3.4 美国San Francisco地区的RADARSAT2数据实验结果 21
2.3.5 丹麦Foloum地区的EMISAR数据实验结果 23
2.3.6 西安地区的RADARSAT2数据实验结果 24
2.4 本章小结 26
第3章 基于距离度量学习的深度学习方法
27
3.1 距离度量学习 27
3.2 大边界近邻算法 28
3.3 方法原理 30
3.3.1 半监督大边界近邻算法 30
3.3.2 空间信息 31
3.3.3 算法步骤 31
3.4 实验结果与分析 33
3.4.1 仿真数据实验 34
3.4.2 荷兰Flevoland地区的 AIRSAR 数据实验结果 37
3.4.3 荷兰Flevoland地区的子图数据实验结果 39
3.4.4 美国San Francisco地区的RADARSAT2数据实验结果 40
3.4.5 丹麦Foloum地区的EMISAR数据实验结果 42
3.4.6 西安地区的RADARSAT2数据实验结果 43
3.5 本章小结 45
第4章 基于半监督卷积神经网络的深度学习方法 46
4.1 基于半监督卷积神经网络的多极化SAR地物分类 46
4.1.1 空间信息 46
4.1.2 非监督预训练 48
4.1.3 网络结构与训练方法 49
4.2 实验结果与分析 51
4.2.1 仿真数据实验 51
4.2.2 荷兰Flevoland地区的 AIRSAR 数据实验结果 53
4.2.3 荷兰Flevoland地区的子图数据实验结果 54
4.2.4 美国San Francisco地区的RADARSAT2数据实验结果 56
4.2.5 西安地区的RADARSAT2数据实验结果 58
4.3 本章小结 60
第5章 基于半监督生成对抗网络的深度学习方法 61
5.1 生成对抗网络的结构和原理 61
5.1.1 生成对抗网络的基本思想及结构 61
5.1.2 生成对抗网络的基本原理 62
5.1.3 生成对抗网络的训练技巧 63
5.2 基于流形正则约束的分类方法 64
5.2.1 半监督生成对抗网络分类方法 64
5.2.2 生成对抗网络的流形正则约束 66
5.2.3 网络模型和分类方法 67
5.3 基于自注意力模型的半监督生成对抗网络方法 69
5.3.1 自注意力模型 69
5.3.2 生成对抗网络的谱正则化 70
5.3.3 算法步骤 71
5.4 实验结果与分析 72
5.4.1 荷兰Flevoland地区的子图数据实验结果 72
5.4.2 荷兰Flevoland地区的AIRSAR 数据实验结果 74
5.4.3 美国San Francisco地区的RADARSAT2数据实验结果 76
5.4.4 德国Oberpfaffenhofen地区的ESAR 数据实验结果 78
5.5 本章小结 80
第6章 基于图卷积网络的深度学习方法 81
6.1 图神经网络概述 81
6.1.1 图网络模型 81
6.1.2 图卷积网络原理 82
6.2 基于图卷积网络的分类方法 84
6.2.1 空间信息的利用 84
6.2.2 融合空间信息的图卷积网络分类方法 85
6.3 图卷积网络的快速分类方法 86
6.3.1 图卷积网络的理解 86
6.3.2 直推式学习 87
6.3.3 半监督图卷积网络快速实现方法 88
6.3.4 大规模多极化SAR数据上的图卷积网络 90
6.4 实验结果与分析 91
6.4.1 分类结果 92
6.4.2 算法运行时间比较 97
6.5 本章小结 98
参考文献 99
书单推荐
