遙感大數據時代下的SAR圖像解譯是一個極大的科學應用挑戰。大數據時代的智能方法如計算機視覺技術目前已經取得很大的成功，但是需要發展先進的SAR微波雷達智能信息獲取方法。每天都有海量的數據從太空返回而等待處理，需要強大的解譯和信息獲取方法。
微波視覺的物理基礎在于準實時高逼真的電磁物理模擬平臺，復旦大學電磁波信息科學教育部重點實驗室開發的POLSAR EYES仿真平臺（圖8）采用雙向解析射線追蹤算法，并在通用圖形處理器上大規模并行實現，可實現準實時的大規模地物場景與目標的SAR成像仿真，包括上百平方公里的地形起伏、覆蓋地物如植被等以及人工目標如建筑物、船只等。
（a）射線追蹤仿真引擎（b）大規模地物目標虛擬場景
（c）準實時仿真的極化SAR圖像（d）真實機載極化SAR圖像
圖8 POLSAR EYES準實時大規模地物場景與地物的SAR仿真
Fig. 8 POLSAR EYES: Near-real time SAR simulation platform for large-scale terrain scene and targets
SAR圖像中自動目標識別是一個關鍵應用，也是最適合利用機器學習方法實現的。采用卷積神經網絡（CNN）對10類地面車輛SAR數據集進行分類，取得較好效果（圖9）[16]。針對SAR圖像數據比較少、對觀測條件敏感等特點，直接用SAR數據訓練CNN很容易出現過擬合的問題。因為CNN自由參數太多，但訓練樣本不充足，這就導致了嚴重的過擬合。CNN中絕大部分的可訓練參數都包含在全連接層，通過用卷積層取代全連接層，而不是大量地減少網絡的層數，減少需要訓練的參數。盡管這種改變降低了網絡的表示能力，但是也大大減小了過擬合。在標準測試集（觀測條件、目標配置幾乎不變）上取得99%的分類精度，而在擴展測試集（觀測條件、目標配置發生變化）上分類精度有一定下降但仍比傳統方法具有優勢。由此可以明顯看到現有深度神經網絡過度依賴訓練數據的缺陷。
（a） （b）
圖9 全卷積網絡（a）及其在MSTAR數據集訓練得到的卷積核和特征圖（b）
Fig. 9 (a) AConvNet; (b) Convolutional kernel and feature maps trained on MSTAR dataset
將CNN用于多極化SAR地物分類中，發現可以取得比傳統方法更好的效果[17]。對于地物分類而言，其應用模式與圖像分割非常類似，因此可以按像素選擇局域窗口進行訓練和測試，訓練樣本數量遠大于目標識別的情形，但要求訓練樣本與測試樣本的觀測條件和地物類型保持一致。同時也測試了CNN地表分類器的通用性，圖10顯示了2個不同地點不同時間采集的極化SAR圖像經過同一分類器得到的結果性能一致，說明了CNN地表分類器具有較好的泛化性能。
（a）光學影像
（b）ALOS2圖像
（c）分類結果圖
圖10 用CNN分類的ALOS極化SAR圖像及其分類結果和對比光學影像
Fig. 10 Classification of ALOS POLSAR image with CNN
對于多通道相干的SAR圖像，如極化SAR或干涉SAR，其通道間相干相位差帶有重要信息。因此針對帶相位信息的SAR圖像，將CNN推廣到了復數域，稱為復數卷積網絡（complex-valued-CNN，CV-CNN）[18]。為了區分，實數神經網絡可稱為real-valued CNN（RVCNN）。特別是如極化SAR和干涉SAR，均包含了不同通道之間的相位差，該相位信息不再是完全隨機的，往往隱含了散射地物的位置、形狀、散射機制的信息，這些信息對地物分類和識別至關重要。CV-CNN不僅將復數數據作為輸入，同時對各層傳遞了相位信息，也即每層的神經元信息和權重均由復數表示，神經元操作以及學習算法均推廣至復數域。對比實驗結果表明，在相同未知數規模下，采用復數輸入按復數計算的CV-CNN和將實部虛部作為2個獨立實數輸入的RVCNN相比，CV-CNN 能有效提高網絡性能，對于極化SAR地表分類中，其錯誤率可以降低2/3以上（圖11）[18]。
（a）
（b）
圖11 CV-CNN架構（a）及用于等效對比實驗的CV-CNN和RV-CNN（b）
Fig. 11 CV-CNN architecture (a) and the comparison between CV-CNN and RV-CNN with similar degrees of freedom(b)
采用神經網絡的方法還可以由單極化或雙極化SAR圖像重構全極化SAR圖像（圖12）。采用多尺度卷積網絡提取單極化SAR圖像上的空域特征，通過訓練將其轉化到極化特征，然后重構出對應的多極化SAR圖像，稱為對灰度雷達圖像填上顏色[19]。該方法首先利用預訓練的CNN從單極化灰度雷達圖像中提取多尺度空域特征矢量，然后訓練一個全連接深度網絡將空域特征空間映射到極化域特征空間，由此得到每個像素的極化散射矩陣。
圖12 從單極化SAR圖像中重構全極化散射矩陣的深度網絡架構
Fig. 12 Deep neural networks used to reconstruct full polarimetric scattering matrix from single-pol SAR image
SAR圖像中的相干斑抑制是理解SAR圖像的基本處理步驟。筆者還提出了基于卷積網絡的SAR相干斑濾波網絡[20]。如圖13所示，將SAR圖像鄰域窗口輸入CNN訓練其預測當前像素的真實散射系數的分布，而訓練該網絡所需要的真實散射系數分布的真值標簽難以獲得，因此基于相干斑乘積模型，設計了可以非監督訓練的目標函數，即將預測散射系數的對數分布與理想相干斑的對數分布進行卷積再使其等于輸入SAR圖像塊像素值的對數分布。該網絡架構對于仿真和真實SAR圖像進行測試均得到理想效果。
圖13 用于SAR圖像相干斑抑制的深度卷積網絡架構
Fig. 13 Deep convolutional neural network for SAR speckle reduction