陈彦桥，张泽勇*，陈金勇，高 峰，柴兴华

(1.中国电子科技集团公司第五十四研究所，河北 石家庄050081;2.中国电子科技集团公司航天信息应用技术重点实验室，河北 石家庄050081)

0 引言

极化合成孔径雷达(Synthetic Aperture Rader, SAR)数据能够获取观测目标的幅度信息以及相位信息[1]，在各个领域都得到了广泛的应用，而极化SAR图像分类又是极化SAR数据处理的关键技术。近些年来，许多极化SAR图像分类算法被提出，上述可以被划分成3类:第1类方法是基于极化分解的分类方法，如Freeman分解[2]、Krogager分解[3]、Cloude分解[4]、Huynen分解[5]和Cameron分解[6]等目标分解方法；第2类方法是基于统计特性的分类方法，极化SAR相关研究学者已证明极化相干矩阵与极化协方差矩阵都服从复Wishart分布[7]，J.S.Lee等人[8]提出了Wishart距离并将其应用于极化SAR图像分类；第3类方法是基于机器学习相关算法的分类方法，例如支持向量机(Support Vector Machine, SVM)[9]、神经网络(Neural Network，NN)[10]、K近邻(K-Nearest Neighbor, KNN)[11]以及随机森林分类器(Random Forest Classifier, RFC)[12]等算法。

近些年来，卷积神经网络(Convolution Neural Network, CNN)[13]在极化SAR图像分类中也得到了广泛应用。在CNN分类框架中，需要将像素点的邻域设置为模型输入从而得到该像素点的分类结果。然而，在图像的类别边界区域，单像素点的邻域区域的像素点的类别并不一定与该像素点的类别一致，因此CNN在图像的类别边界区域分类效果并不好。RFC算法在极化SAR图像任务中表现性能良好，但是在类别非边界区域的分类结果没有CNN好。在本文中，在类别边界区域使用RFC的分类结果，在类别非边界区域使用CNN的分类结果，通过此种集成方式，得到更好的分类结果。……