5.2 養殖浮筏信息提取
近些年，極化SAR圖像的識別分類得到了廣泛地研究，主要可以分為非監督和有監督兩大類方法[27]。非監督方法僅僅根據遙感數據自身特性，無需人工輔助實現最終聚類，更適合于大范圍目標識別[28,29]。有監督分類方法不需要任何假設條件，針對精細化分類，可以獲得較高的精度[30]。
5.2.1 非監督浮筏養殖監測
非監督算法對遙感圖像聚類多引入空間域特征分布的方法，假設鄰近區域屬于同一類的概率較高，可解決孤島效應和噪聲干擾[31]。Wu等[32]采用Wishart 分布描述數據的協方差矩陣，實現基于區域的全極化SAR圖像聚類。Yu等[33]采用帶有邊界懲罰項的區域增長方法進行SAR圖像分割。上述兩種方法屬于空間域的圖像分類方法。范劍超等[34]利用部分先驗知識，提出單點逼近型初始聚類中心選擇方法，得到不同屬性的權重，解決同譜異物的問題，進而提出兩階段模糊聚類[35]，提高SAR圖像處理效率。相對陸地SAR圖像，海洋SAR遙感圖像因為存在海面大量不規則波浪等不同海況，單一特征嚴重受到相干斑噪聲的影響，因此，需要考慮引入更多圖像特征用于目標識別。紋理特征[36]、灰度共生矩陣[37]、Gabor變換特征和小波變換特征[38]廣泛應用于SAR圖像目標識別的特征提取過程中，可以獲得較好的尺度和方向性的后向散射特征。Cunha等[39]提出一種非下采樣輪廓波變換(NonSubsampled Contourlet Transform, NSCT)具有平移不變性的特點，能夠很好地提取圖像的邊緣輪廓信息。焦李成等[40]根據SAR數據的上下文空間統計信息進行非監督分層迭代聚類，將特征域和空間域方法結合，獲得了較好的效果。徐新等[41]對SAR圖像進行過分割，再進行圖像區域級和像素級的特征提取，得到用于表示圖像的特征向量，再采用隱馬爾科夫模型聚類。如上所述，多源特征集成提高SAR圖像目標提取精度已經成為目前研究的熱點，然而多集中于特征選擇階段或同類型特征合成，如何將不同類型的特征有效融入統一的框架下進行學習卻鮮有報道。此外，傳統聚類方法僅對球狀分布的目標樣本數據具有較好的聚類效果，然而在實際SAR圖像處理過程中通常無法提前獲知浮筏養殖分布類型。近些年，Chen等[42]在此基礎上提出多核框架，將不同統計分布的數據在一個分類器中進行計算，取得較好的結果。Huang等[43]將多核函數與經典帶有空間約束或目標函數帶有懲罰項的核方法進行比較，發現經典聚類方式是多核框架的一種特殊形式。
選用GF-3全極化模式數據，選取5個研究區域，將L1A級產品轉換為L2級，進行圖像水平鏡像，幾何校正和圖像濾波等相應預處理。并根據浮筏分布情況建立數據切片，GF-3影像和數據切片情況如圖12所示。針對區域1和區域2進行無監督模糊聚類，將單極化特征、Yamaguchi極化特征和H/A/Alpha極化特征進行聚類分析，結果分別如圖13和圖14所示，聚類結果整體精度如表3所示，Yamaguchi極化特征相對單極化數據可以獲得更好的聚類結果，而H/A/Alpha極化特征結果較差，因此獲得更適合海水養殖目標提取極化特征十分重要。
 | 圖 12 GF-3遙感影像數據切片情況Fig.12 Imagery of GF-3 slices |
 | 圖 13 GF-3數據切片1結果圖Fig.13 Result based on GF-3 data slice 1 |
 | 圖 14 GF-3數據切片2結果圖Fig.14 Result based on GF-3 data slice 2 |
 | 表 3 精度評價結果Tab.3 The results of precision assessment |
5.2.2 有監督深度學習網絡浮筏養殖監測
深度學習在人工智能研究中表現出優異的效果，其具有在大規模數據上有效的特征提取與表達能力，在遙感圖像分類識別任務中有很大的潛力。深度學習是一種特征學習方法，通過學習輸入數據本身的結構來初始化網絡參數，從而解決反向傳播神經網絡無法加深的問題，并獲得更高層次的、更加抽象的數據表達[44–46]。對于遙感分類識別任務，高層次的語義表達能夠提升輸入數據的區分能力，并且削弱不相關因素的影響[47]。目前，國內外學者開展了基于深度學習算法的SAR圖像分類及識別等研究，經典的深度網絡結構如深度置信網絡[48]、卷積神經網絡[49]和堆疊自動編碼器[47]都應用于SAR圖像分類識別問題中。何楚等[50]提出一種基于軟概率的池化方法，結合多層反卷積網絡，學習目標的高層結構特征，并將其用于SAR圖像分類。陳渤等[51]提出一種相似性約束的受限玻爾茲曼機模型，提高了SAR圖像目標識別的精度。Jiao等[52]提出Wishart深度堆疊網絡進行極化SAR圖像分類，將Wishart距離用于隱含層映射中，加快了計算速度并提高了分類精度。Gong等[53]采用受限玻爾茲曼機對多時相SAR圖像訓練學習，實現變化檢測。Qin等[54]提出基于受限玻爾茲曼機的集成分類模型，適合于樣本有效條件下的分類。Jiao等[55]提出判別式深度置信網絡，學習SAR圖像高層次信息，取得優異的分類效果。本課題組也開展了基于深度學習神經網絡的單極化SAR圖像分類的研究，提出了一種深度卷積編碼網絡[56]進行SAR圖像特征提取并分類，所提模型具有特征自主學習的能力并能抑制相干斑噪聲干擾，取得了優異的分類結果；提出了一種基于監督收縮編碼器的深度網絡[57]，對SAR圖像初始特征進行優化，通過加入對編碼函數懲罰的收縮項來增強局部不變性，通過加入樣本標簽的監督項來引入高層語義信息，進一步提高了SAR圖像分類精度。同時，本課題組提出了一種深度協同稀疏編碼網絡進行養殖浮筏目標識別[58]，將超像素分割后的SAR圖像像素點對應的特征輸入到所提模型進行聯合優化，使得同個超像素塊的像素特征更趨于相似并平滑掉相干斑噪聲，取得了較好的養殖浮筏識別效果。
針對上述討論和提高識別率的考慮，結合對深度學習網絡的討論，提出利用深度學習作為核心的有監督浮筏養殖信息提取算法。該算法將超像素分割后的SAR圖像像素點對應的特征輸入到所提及模型進行聯合優化，使得同個超像素模塊的像素特征更趨于相似并平滑掉相干斑噪聲，根據SAR遙感影像的自身特點，通過訓練樣本進行學習，實現不同類型目標的分類，結果如圖15–圖17所示。
 | 圖 15 數據切片3處理結果Fig.15 Result of data slice 3 experiment |
 | 圖 16 數據切片4處理結果Fig.16 Result of data slice 4 experiment |
 | 圖 17 數據切片5處理結果Fig.17 Result of data slice 5 experiment |
為了對比分析非監督算法和有監督算法的優缺點，采用8 m空間分辨率全極化模式和5 m空間分辨率超精細條帶模式GF-3 SAR數據進行整圖處理，分別如圖18和圖19所示。無監督算法僅根據數據特性進行識別，不需要人工選取學習樣本，對于圖18和圖19，可以實現分鐘級識別效率，而對于深度學習網絡需要小時數量級處理，但是識別精度受海況影響較大，如HH極化右下區域，浮筏養殖目標信息和海水背景混雜，識別精度會受到影響。而有監督深度學習方法對不同養殖分布狀態、都具有更好的識別效果。針對GF-3長序列數據，可以提供不同海況下浮筏養殖目標的后向散射狀態，增加深度學習網絡訓練樣本的豐富性，從而對于海洋背景變化較大的情況下，均可以獲得較好監測精度。
 | 圖 18 極化浮筏養殖識別結果(全極化模式Ⅰ)Fig.18 Floating raft recognition result under full polarmetric mode Ⅰ |
 | 圖 19 UFS浮筏養殖識別結果(超精細條帶模式)Fig.19 Identification result of UFS floating raft |
6 結論和展望
隨著SAR衛星的不斷發射，覆蓋頻率大幅提高，GF-3 號SAR數據將在國家海域使用動態監測中發揮重大作用。本文對國家海域使用遙感動態監測和高分三號監測模式進行論述，重點對海岸線圍填海變化監測、海水浮筏養殖極化散射機理、非監督/有監督信息提取算法進行了詳細討論，不同類型信息提取算法可根據實際需求發揮各自優勢，從部分研究結果可以發現GF-3不同模式數據均可以實現海域使用信息的有效提取。
綜合當前國內外技術發展和應用水平，可以開展GF-3號 SAR遙感影像在圍填海用地類型分類方面的應用，包括養殖區、鹽地、岸灘等。進而開展GF-3號全極化SAR數據分析研究，利用不同極化特征對圍填海不同用地類型進行識別分類，實現GF-3號多時相圍填海變化監測，自動提取圍填海信息。
此外，針對GF-3號可以提供長序列監測數據的優勢，可以有效獲取不同海況下海上目標的后向散射特征，使得對于需要海量多樣的學習樣本進行訓練的復雜分類器，例如深度學習網絡、遷移學習等，得到有效的學習，充分提升網絡泛化能力，實現不同海域不同海況海上目標的精確監測，具有廣泛的科學應用價值。
參考文獻
| [1] | 潘德爐, 林明森, 毛志華. 海洋微波遙感與應用[M]. 北京: 海洋出版社, 2014. Pan De-lu, Lin Ming-sen, and Mao Zhi-hua. Application on Ocean Microwave Remote Sensing[M]. Beijing: China Ocean Press, 2014. (  1) |
| [2] | 何宜軍, 孟雷, 李海艷, 等. 全極化合成孔徑雷達海浪遙感方法[J]. 遙感技術與應用, 2007, 22(2): 177-182. He Yi-jun, Meng Lei, Li Hai-yan, et al.. Ocean wave measured by fully polarimetric synthetic aperture radar[J].Remote Sensing Technology and Application, 2007, 22(2): 177-182. DOI:10.11873/j.issn.1004-0323.2007.2.177 ( 1) |
| [3] | 韓富偉, 苗豐民, 趙建華, 等. 3S技術在海域使用動態監測中的應用[J]. 海洋環境科學, 2008, 27(S2): 85-89. Han Fu-wei, Miao Feng-min, Zhao Jian-hua, et al.. Application of 3S technique in dynamic monitoring in sea usage[J]. Marine Environmental Science, 2008, 27(S2): 85-89. ( 1) |
| [4] | 王厚軍, 丁寧, 趙建華, 等. 海域動態監視監測業務分析研究[J]. 海洋開發與管理, 2017, 34(1): 39-41. Wang Hou-jun, Ding Ning, Zhao Jian-hua, et al.. Operational analysis of dynamic surveillance monitoring of sea area[J]. Ocean Development and Management, 2017, 34(1): 39-41. ( 1) |
| [5] | 吳良斌. SAR圖像處理與目標識別[M]. 北京: 航空工業出版社, 2013. Wu Liang-bin. SAR Image Processing and Target Recognition[M]. Beijing: Aviation Industry Press, 2013. ( 1) |
| [6] | 丁赤飚, 劉佳音, 雷斌, 等. 高分三號SAR衛星系統級幾何定位精度初探[J]. 雷達學報, 2017, 6(1): 11-16. Ding Chi-biao, Liu Jia-yin, Lei Bin, et al.. Preliminary exploration of systematic geolocation accuracy of GF-3 SAR satellite system[J]. Journal of Radars, 2017, 6(1): 11-16. DOI:10.12000/JR17024 ( 1) |
| [7] | 楊虎, 郭華東, 王長林. TM-SAR數據融合在黃河口沙咀動態監測中的應用研究[J]. 地理學與國土研究, 2001, 17(4): 15-19. Yang Hu, Guo Hua-dong and Wang Chang-lin. Coast line dynamic inspect and land cover classification at Yellow River Mouth using TM-SAR data fusion method[J]. Geography and Territorial Research, 2001, 17(4): 15-19. ( 1) |
| [8] | 陸立明, 王潤生, 李武皋. 基于合成孔徑雷達回波數據的海岸線提取方法[J]. 軟件學報, 2004, 15(4): 531-536. Lu Li-ming, Wang Run-sheng and Li Wu-gao. A method of coastline extraction from synthetic aperture radar raw-data[J]. Journal of Software, 2004, 15(4): 531-536. ( 1) |
| [9] | 林維詩. 基于主動輪廓模型和水平集方法的圖像分割[D]. [碩士論文], 西安電子科技大學, 2010. Lin Wei-shi. Image segmentation based on active contour model and level set method[D]. [Master dissertation], Xidian University, 2010. ( 1) |
| [10] | 趙偉舟. 基于模糊理論的SAR圖像分割算法研究與實現[J]. 電腦知識與技術, 2008, 3(4): 768-769, 779. Zhao Wei-zhou. Research and realization of an algorithm in SAR image segmentation based on fuzzy theory[J]. Computer Knowledge and Technology, 2008, 3(4): 768-769, 779. ( 1) |