范艺华，董张玉,3*，杨学志

1. 合肥工业大学计算机与信息学院，合肥 230031； 2. 工业安全与应急技术安徽省重点实验室，合肥 230031；3. 智能互联系统安徽省实验室，合肥 230031； 4. 合肥工业大学软件学院，合肥 230031

0 引 言

合成孔径雷达(synthetic aperture radar，SAR)具有全天时、全天候的特点，在对地观测、土地利用和灾害监测等领域具有独特优势(Moreira等，2013)。因此，SAR图像解译越来越受到重视，包括图像分类、图像分割和目标检测等。而SAR图像分割是后续解译任务的重要步骤，目的是为每个像素点分配语义标签(Ma等，2011)。图像特征的提取是图像分割的关键。最初使用基于阈值、边缘检测的算法进行图像分割，但这些方法大多只获得了图像的灰度特征。之后，提出了许多基于图像纹理分析的方法，包括灰度共生矩阵(gray-level co-occurrence matrix，GLCM)、Gabor小波、树结构小波和差直方图等(Soh和Tsatsoulis，1999)。此外，相继提出了一些基于图模型的算法，以学习相邻像素之间的空间上下文信息。如马尔科夫随机场(Markov random filed，MRF)(Song等，2017)和条件随机场(conditional random fields，CRF)(Wang等，2017)。上述这些传统方法采用人工特征提取的方法获得图像特征，而SAR图像由于斑点噪声等因素干扰，常常难以获取满足鲁棒性与判别性的特征。

近年来，深度学习成为计算机视觉的焦点，在图像分割领域得到了广泛应用。其中，卷积神经网络(convolutional neural networks，CNN)因具有强大的特征提取能力受到广泛关注。Zhou等人(2016)研究了深度CNN在极化SAR图像监督分类中的适用性及潜力。Zhang等人(2017)提出了可利用极化SAR图像中相位信息的网络。但CNN只接受固定的输入尺寸，且一次只能预测每个区域的单类标签，即基于像素块的分类。……