张腊梅 张思雨 董洪伟 朱 厦

①(哈尔滨工业大学电子与信息工程学院 哈尔滨 150001)

②(北京市遥感信息研究所 北京 100192)

1 引言

合成孔径雷达是非常成熟的一种主动模式微波遥感技术，不依赖于太阳光源，不受云、雾、雨、雪等自然气候影响，具备全天候、全天时的对地观测能力。极化SAR通过发射两个相互正交的电磁波，结合电磁波的极化信息以及合成孔径雷达(Synthetic Aperture Radar， SAR)的优良特性从而更加有效地对地面进行观测，在地物与土地利用[1]、海洋表面遥感、绿色植物覆盖[2]等方面发挥了重要作用。图像分类一直是极化SAR图像解译中的重要部分。对于极化SAR图像而言，限制分类精度的主要因素在于噪声。尽管对极化SAR图像的滤波方法有很多[3，4]，但都无法完全去除噪声的影响，并且在进行极化SAR图像监督分类时，训练样本的标定范围随机性很强，存在重采样问题。

随着机器学习的发展，大量半监督[5]、无监督[6-8]和全监督[9-11]的分类方法被应用于极化SAR图像分类。相比全监督的方法，无监督的图像分类方法省略了人为标注的过程，但由于其分类精度无法令人满意，因此应用水平较低。目前基于深度表示学习的方法展现了更好的数据拟合能力[12]，但训练神经网络所需的海量监督信息是极化SAR图像分类任务中所不具备的。在大量机器学习经典算法中，支持向量机[13]方法因其在小样本情况下表现出很好的学习能力和泛化能力，在极化SAR图像分类中的应用最为广泛[14，15]。但是，原始的C-SVM(Support Vector Machine)通过求……