刘鹏，谢春华，安文韬，李良伟

(1.国家卫星海洋应用中心，北京 100081；2.自然资源部空间海洋遥感与应用研究重点实验室，北京 100081；3.国家海洋环境预报中心，北京 100081)

0 引言

高分三号是我国2016年发射的高分辨率的C频段多极化合成孔径雷达(synthetic aperture radar，SAR)卫星，有12种工作模式，是世界上工作模式最多的合成孔径雷达卫星之一，功率达万瓦级，可以获取高质量的图像，全极化条带成像模式分辨率可达8 m。高分三号卫星已经成为我国海洋行业遥感应用最主要的SAR卫星数据来源，在海洋权益维护、海岛海岸带调查监管、海洋环境监测等业务上得到了广泛应用。全极化SAR测量的是每一个像元的全散射矩阵，比传统单极化SAR更加强大，能同时发射、接收水平及垂直的极化雷达信号，获取更丰富的地物后向散射信息，更有利于地物信息的解译，进一步推动了SAR的应用前景。但传统的SAR图像地物分类大部分都是通过人工提取图像的极化特征或纹理特征，再利用支持向量机[1]或决策树[2]等机器学习方法学习特征进行分类，对于全极化数据来说，不仅费时费力，而且分类效果过于依赖于特征的选取，利用不同的特征会对分类结果造成较大的影响。深度学习是机器学习发展的最新趋势，可以对遥感图像提取更多、更抽象、更深层的特征，且无需人工进行繁杂的特征工程，可以深度挖掘数据之间的深层联系，并可充分利用各种特征，其分类结果表现更加稳定，已经成功应用于图像处理、语音识别和自然语言处理等领域[3]。

1 AlexNet卷积神经网络

AlexNet 卷积神经网络是由Krizhevsky 等[4]在2012年提出的深度学习网络模型，是图像处理领域里程碑式的网络模型，开启了图像分类的新纪元，已广泛应用于遥感图像分类[5]、医学诊断[6]、信号识别[7]、语音识别[8]、目标检测[9]等诸多领域。AlexNet的结构如图1所示，主要有五个卷积层和三个全连接层，与传统卷积神经网络相比具有许多创新之处。例如，AlexNet采用了ReLu激活函数，之前的卷积神经网络大多采用的 Sigmoid 型激活函数，当输入值过大时，神经元的梯度值就会接近0，每次迭代参数的更新值也约为0，梯度消失，导致网络无法学习。ReLu激活函数在输入为正值时，梯度恒为1，很好地解决了梯度消失的问题。AlexNet还采用了局部响应归一化机制，这一机制仿照的是生物学上的侧抑制现象，对局部神经元建立竞争机制，使具有较大响应值的变得相对更大，具有较小响应值的变得相对更小，不仅加快了收敛速度，也提高了泛化能力。AlexNet利用英伟达公司推出的通用并行计算架构(compute unified device architec-ture，CUDA)，使GPU强大的并行计算能力在处理训练时，大量的矩阵运算上得以充分发挥，从而加速AlexNet的训练。为了抑制过拟合现象，AlexNet还引入了DropOut机制，DropOut就是使某个神经元的激活值以一定的概率停止工作，这样每输入一组数据就会激活一组不同的隐层神经元，使网络结构产生明显的变化，同时共享权值，减弱了神经元节点间复杂的联合适应关系，实现对过拟合现象的抑制。

图1 AlexNet 结构示意图

2 改进的AlexNet卷积神经网络

虽然AlexNet在ImageNet大规模视觉识别挑战赛(imagenet large scale visual recognition challenge，ILSVRC)取得了巨大的成功，但海岛地物分类不同于ILSVRC，SAR图像和光学图像也存在明显的差别。ILSVRC需将图像分为1 000类，而海岛地物分类通常将地物分为3～10类，且海岛环境复杂，地物破碎，各类地物纵横交错，不将AlexNet进行改进难以取得良好的分类效果，因此本文需要针对海岛地物分类的特点和SAR图像的特点对AlexNet进行改进，使其在全极化SAR海岛地物分类问题上具有更好的性能和更高的鲁棒性。

图2 改进的AlexNet 结构示意图

3 全极化SAR海岛地物分类实验

为验证针对全极化SAR海岛地物分类改进后的AlexNet的性能，利用高分三号卫星采集的全极化SAR图像进行分类实验，并与AlexNet的分类结果进行比较。

3.1 实验区域与数据源

南日岛又名南日山，位于福建省莆田市东南部兴化湾，是南日群岛的主岛，是继平潭、东山之后，福建省第三大岛，地理位置独特，是扩大对中国台湾地区、对外贸易的窗口，历来也是军事重地，南日水道更是海上交通要冲。南日岛分为东半岛和西半岛(原来南日岛分为两个岛屿，后海湾变浅相接)，如图3(a)所示，地形东西长，南北狭，中间平坦，形如“哑呤”。南日岛气候属亚热带海洋性气候，全年最高气温35 ℃，最低气温2 ℃，年平均气温19.2 ℃，全年无霜，风能资源丰富，南日岛山海兼优，海岸线总长66.4 km，天然避风港有25处，土地利用类型多种多样，全岛辖17个行政村，总人口5.7万，耕地面积1 129 hm2，主要农作物有番薯、花生、大豆等。林地面积近千公顷，以沿海防护林和农田网林构成。浅海面积3 933.33 hm2，围垦面积820 hm2，养殖鲍鱼、石斑鱼等100多种水产品，出产南日鲍鱼，为我国鲍鱼主产区之一。

实验采用高分三号卫星的全极化SAR数据，包含了高分三号自发射以来所有观测南日岛的全极化数据，经切片处理后有1 700多万个可用于训练或测试的样本，为实验提供充足的数据量。数据分辨率可达8 m，入射角为20°～41°。

3.2 全极化SAR数据的极化分解

全极化 SAR 能全面地获取地物在观测方向上对电磁波的散射特性，这其中蕴含着形状、方向、粗糙度、介电常数等丰富的信息。本文通过对相干矩阵进行Pauli分解[11]，得到面散射功率值PS、二次散射功率值PD等极化信息。极化分解后合成的伪彩色图像如图3(b)所示。

3.3 全极化SAR数据的相干斑抑制

由于SAR的成像机制，相干斑的产生是不可避免的。相干斑的存在严重降低了SAR图像的质量，也会降低分类的精度。国内外学者做了大量的研究来抑制相干斑噪声，总结起来主要有基于空间域的滤波和基于频率域的滤波两大类。经典的基于空间域的滤波主要有Lee滤波[12]、Frost滤波[13]、Sigma滤波[14]、Kuan滤波[15]以及它们的变种，这些滤波方法虽然能抑制相干斑噪声，但是破坏了原图像，而且滤波结果与选择的窗口大小有关，在实际应用中不易操作，有的结果还会出现色块；经典的基于频率域的滤波方法主要有傅里叶变换、小波变换[16]等方法，这些方法也能较好地处理SAR图像中的相干斑噪声，但这种方法计算量大，且没有充分利用SAR图像的统计特性，限制了其在SAR数据处理中的应用。2011年，Chen等[17]提出的非局部均值滤波可以有效地抑制相干斑，非局部均值滤波以邻域为单位，进行去噪时与该邻域相似的邻域的中心像素权重大，反之则权重小。非局部均值滤波不仅考虑了单一像素间像素值的相似度，也考虑到了两个像素邻域的相似度，较传统的邻域滤波方法更加稳定有效。滤波后的图像如图3(c)所示。

图3 实验区域与数据预处理

3.4 网络模型训练

卷积神经网络模型训练对于分类结果有着关键作用，在网络模型训练时，应选择最优参数，使网络模型的性能得以充分发挥。

本文将标记好的各类样本输入到网络模型中训练，80%作为训练集，20%作为验证集，调整学习率、epoch和批尺寸等参数，用交叉熵代价函数计算损失，用GPU加速训练，观察损失和训练精度即可得出网络模型的训练效果。

为了得到较高的训练精度，本文需要把学习率设置在适当的范围内。学习率决定了损失下降到最小值的步伐大小，如果学习率过大，很可能会越过最优解；反之如果学习率过小，训练的效率可能过低，网络模型长时间无法收敛，所以，学习率对于网络模型的训练至关重要。选择五个不同的学习率(0.1、0.01、0.001、0.000 1、0.000 01)进行实验，训练精度如表1所示。结果显示，学习率为0.001时得到最高的训练精度，因此，将学习率设置为 0.001。

表1 不同学习率的训练精度 %

所有样本数据被计算一次就是1个epoch，如果epoch设得太小，权重更新迭代不足会导致网络模型欠拟合，epoch设得太大不仅会增加训练时间，还有可能陷入过拟合。选择五个不同的epoch(20、40、60、80、100)进行实验，训练精度如表2所示。结果显示，epoch为60时已经得到不错的训练精度，为了提高训练效率，将epoch设置为60。

表2 不同epoch的训练精度 %

卷积神经网络中的批尺寸决定损失函数的下降方向和网络的收敛性。选择五个不同的批尺寸(4、16、64、128、256)进行实验，其总分类准确率如表3所示。结果显示，批尺寸对训练精度的影响并不明显，因此，将批尺寸设为16，既可以取得不错的训练精度，又减轻了GPU和内存的负担。

表3 不同批尺寸的训练精度 %

将学习率设为0.001，epoch设为60，批尺寸设为16，利用极化相干矩阵T以及面散射功率值PS、二次散射功率值PD、体散射功率值PV等特征，按海洋、建筑、耕地、林地、养殖池、养殖浮筏六类分类分别用AlexNet和本文方法训练，训练精度和训练时间如表4所示。二者训练精度相当，但AlexNet的训练时间比本文方法增加约35%。

表4 训练精度与训练时间

3.5 实验结果与分析

将测试集分别输入到两个保存好的网络模型中分类，结果如图4所示。

通过对照如图4(a)所示的真值图观察两种分类结果，可以看出两种方法的分类结果对六类地物的分类基本一致，但从细节上观察，图4(b)中岛屿东南部的林地存在误分为耕地的情况，某些陆地目标被误分为养殖浮筏，养殖浮筏周围的海洋也存在误分的情况，与图4(c)所示的本文方法相比，也更容易受噪声影响。比较结果如表5至表7所示。对于上述六类地物本文方法的结果都优于AlexNet的分类结果，且生产者精度大部分都在90%以上，只有建筑的准确率低于90%，为84.82%，也远高于AlexNet的66.06%；用户精度大部分都在85%以上，只有养殖池的用户精度由于浅海某些区域与其后向散射特性相似导致偏低，为53.42%，也略高于AlexNet的50.86%；总体精度较AlexNet提升5.56%。这充分证明了本文方法在全极化SAR遥感海岛地物分类中的有效性。

图4 实验结果

表5 本文方法六类地物混淆矩阵 %

表6 AlexNet六类地物混淆矩阵 %

表7 分类精度比较

4 结束语

深度学习的发展为提高SAR海岛地物分类的精度提供了可能，但经典卷积神经网络应对海岛复杂的地物环境情况的能力有限，因此，对经典卷积神经网络作出针对性的改进是十分必要的。本文通过对AlexNet的结构进行改进，使网络能更好地捕捉局部特征，减小计算量，提高泛化能力与鲁棒性，整体性能也有所提升。实验结果表明，对于所选取的研究区域，本文方法总体精度比AlexNet高5.56%，验证了该方法的有效性，可作为海域监测、海岛海岸带地物信息提取等业务的参考。