劉鵬，謝春華，安文韜，李良偉

(1.國(guó)家衛(wèi)星海洋應(yīng)用中心，北京 100081；2.自然資源部空間海洋遙感與應(yīng)用研究重點(diǎn)實(shí)驗(yàn)室，北京 100081；3.國(guó)家海洋環(huán)境預(yù)報(bào)中心，北京 100081)

0 引言

高分三號(hào)是我國(guó)2016年發(fā)射的高分辨率的C頻段多極化合成孔徑雷達(dá)(synthetic aperture radar，SAR)衛(wèi)星，有12種工作模式，是世界上工作模式最多的合成孔徑雷達(dá)衛(wèi)星之一，功率達(dá)萬(wàn)瓦級(jí)，可以獲取高質(zhì)量的圖像，全極化條帶成像模式分辨率可達(dá)8 m。高分三號(hào)衛(wèi)星已經(jīng)成為我國(guó)海洋行業(yè)遙感應(yīng)用最主要的SAR衛(wèi)星數(shù)據(jù)來(lái)源，在海洋權(quán)益維護(hù)、海島海岸帶調(diào)查監(jiān)管、海洋環(huán)境監(jiān)測(cè)等業(yè)務(wù)上得到了廣泛應(yīng)用。全極化SAR測(cè)量的是每一個(gè)像元的全散射矩陣，比傳統(tǒng)單極化SAR更加強(qiáng)大，能同時(shí)發(fā)射、接收水平及垂直的極化雷達(dá)信號(hào)，獲取更豐富的地物后向散射信息，更有利于地物信息的解譯，進(jìn)一步推動(dòng)了SAR的應(yīng)用前景。但傳統(tǒng)的SAR圖像地物分類大部分都是通過(guò)人工提取圖像的極化特征或紋理特征，再利用支持向量機(jī)[1]或決策樹(shù)[2]等機(jī)器學(xué)習(xí)方法學(xué)習(xí)特征進(jìn)行分類，對(duì)于全極化數(shù)據(jù)來(lái)說(shuō)，不僅費(fèi)時(shí)費(fèi)力，而且分類效果過(guò)于依賴于特征的選取，利用不同的特征會(huì)對(duì)分類結(jié)果造成較大的影響。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)發(fā)展的最新趨勢(shì)，可以對(duì)遙感圖像提取更多、更抽象、更深層的特征，且無(wú)需人工進(jìn)行繁雜的特征工程，可以深度挖掘數(shù)據(jù)之間的深層聯(lián)系，并可充分利用各種特征，其分類結(jié)果表現(xiàn)更加穩(wěn)定，已經(jīng)成功應(yīng)用于圖像處理、語(yǔ)音識(shí)別和自然語(yǔ)言處理等領(lǐng)域[3]。

1 AlexNet卷積神經(jīng)網(wǎng)絡(luò)

AlexNet 卷積神經(jīng)網(wǎng)絡(luò)是由Krizhevsky 等[4]在2012年提出的深度學(xué)習(xí)網(wǎng)絡(luò)模型，是圖像處理領(lǐng)域里程碑式的網(wǎng)絡(luò)模型，開(kāi)啟了圖像分類的新紀(jì)元，已廣泛應(yīng)用于遙感圖像分類[5]、醫(yī)學(xué)診斷[6]、信號(hào)識(shí)別[7]、語(yǔ)音識(shí)別[8]、目標(biāo)檢測(cè)[9]等諸多領(lǐng)域。AlexNet的結(jié)構(gòu)如圖1所示，主要有五個(gè)卷積層和三個(gè)全連接層，與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比具有許多創(chuàng)新之處。例如，AlexNet采用了ReLu激活函數(shù)，之前的卷積神經(jīng)網(wǎng)絡(luò)大多采用的 Sigmoid 型激活函數(shù)，當(dāng)輸入值過(guò)大時(shí)，神經(jīng)元的梯度值就會(huì)接近0，每次迭代參數(shù)的更新值也約為0，梯度消失，導(dǎo)致網(wǎng)絡(luò)無(wú)法學(xué)習(xí)。ReLu激活函數(shù)在輸入為正值時(shí)，梯度恒為1，很好地解決了梯度消失的問(wèn)題。AlexNet還采用了局部響應(yīng)歸一化機(jī)制，這一機(jī)制仿照的是生物學(xué)上的側(cè)抑制現(xiàn)象，對(duì)局部神經(jīng)元建立競(jìng)爭(zhēng)機(jī)制，使具有較大響應(yīng)值的變得相對(duì)更大，具有較小響應(yīng)值的變得相對(duì)更小，不僅加快了收斂速度，也提高了泛化能力。AlexNet利用英偉達(dá)公司推出的通用并行計(jì)算架構(gòu)(compute unified device architec-ture，CUDA)，使GPU強(qiáng)大的并行計(jì)算能力在處理訓(xùn)練時(shí)，大量的矩陣運(yùn)算上得以充分發(fā)揮，從而加速AlexNet的訓(xùn)練。為了抑制過(guò)擬合現(xiàn)象，AlexNet還引入了DropOut機(jī)制，DropOut就是使某個(gè)神經(jīng)元的激活值以一定的概率停止工作，這樣每輸入一組數(shù)據(jù)就會(huì)激活一組不同的隱層神經(jīng)元，使網(wǎng)絡(luò)結(jié)構(gòu)產(chǎn)生明顯的變化，同時(shí)共享權(quán)值，減弱了神經(jīng)元節(jié)點(diǎn)間復(fù)雜的聯(lián)合適應(yīng)關(guān)系，實(shí)現(xiàn)對(duì)過(guò)擬合現(xiàn)象的抑制。

圖1 AlexNet 結(jié)構(gòu)示意圖

2 改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)

雖然AlexNet在ImageNet大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽(imagenet large scale visual recognition challenge，ILSVRC)取得了巨大的成功，但海島地物分類不同于ILSVRC，SAR圖像和光學(xué)圖像也存在明顯的差別。ILSVRC需將圖像分為1 000類，而海島地物分類通常將地物分為3～10類，且海島環(huán)境復(fù)雜，地物破碎，各類地物縱橫交錯(cuò)，不將AlexNet進(jìn)行改進(jìn)難以取得良好的分類效果，因此本文需要針對(duì)海島地物分類的特點(diǎn)和SAR圖像的特點(diǎn)對(duì)AlexNet進(jìn)行改進(jìn)，使其在全極化SAR海島地物分類問(wèn)題上具有更好的性能和更高的魯棒性。

圖2 改進(jìn)的AlexNet 結(jié)構(gòu)示意圖

3 全極化SAR海島地物分類實(shí)驗(yàn)

為驗(yàn)證針對(duì)全極化SAR海島地物分類改進(jìn)后的AlexNet的性能，利用高分三號(hào)衛(wèi)星采集的全極化SAR圖像進(jìn)行分類實(shí)驗(yàn)，并與AlexNet的分類結(jié)果進(jìn)行比較。

3.1 實(shí)驗(yàn)區(qū)域與數(shù)據(jù)源

南日島又名南日山，位于福建省莆田市東南部興化灣，是南日群島的主島，是繼平潭、東山之后，福建省第三大島，地理位置獨(dú)特，是擴(kuò)大對(duì)中國(guó)臺(tái)灣地區(qū)、對(duì)外貿(mào)易的窗口，歷來(lái)也是軍事重地，南日水道更是海上交通要沖。南日島分為東半島和西半島(原來(lái)南日島分為兩個(gè)島嶼，后海灣變淺相接)，如圖3(a)所示，地形東西長(zhǎng)，南北狹，中間平坦，形如“啞呤”。南日島氣候?qū)賮啛釒ШＱ笮詺夂颍曜罡邭鉁?5 ℃，最低氣溫2 ℃，年平均氣溫19.2 ℃，全年無(wú)霜，風(fēng)能資源豐富，南日島山海兼優(yōu)，海岸線總長(zhǎng)66.4 km，天然避風(fēng)港有25處，土地利用類型多種多樣，全島轄17個(gè)行政村，總?cè)丝?.7萬(wàn)，耕地面積1 129 hm2，主要農(nóng)作物有番薯、花生、大豆等。林地面積近千公頃，以沿海防護(hù)林和農(nóng)田網(wǎng)林構(gòu)成。淺海面積3 933.33 hm2，圍墾面積820 hm2，養(yǎng)殖鮑魚、石斑魚等100多種水產(chǎn)品，出產(chǎn)南日鮑魚，為我國(guó)鮑魚主產(chǎn)區(qū)之一。

實(shí)驗(yàn)采用高分三號(hào)衛(wèi)星的全極化SAR數(shù)據(jù)，包含了高分三號(hào)自發(fā)射以來(lái)所有觀測(cè)南日島的全極化數(shù)據(jù)，經(jīng)切片處理后有1 700多萬(wàn)個(gè)可用于訓(xùn)練或測(cè)試的樣本，為實(shí)驗(yàn)提供充足的數(shù)據(jù)量。數(shù)據(jù)分辨率可達(dá)8 m，入射角為20°～41°。

3.2 全極化SAR數(shù)據(jù)的極化分解

全極化 SAR 能全面地獲取地物在觀測(cè)方向上對(duì)電磁波的散射特性，這其中蘊(yùn)含著形狀、方向、粗糙度、介電常數(shù)等豐富的信息。本文通過(guò)對(duì)相干矩陣進(jìn)行Pauli分解[11]，得到面散射功率值PS、二次散射功率值PD等極化信息。極化分解后合成的偽彩色圖像如圖3(b)所示。

3.3 全極化SAR數(shù)據(jù)的相干斑抑制

由于SAR的成像機(jī)制，相干斑的產(chǎn)生是不可避免的。相干斑的存在嚴(yán)重降低了SAR圖像的質(zhì)量，也會(huì)降低分類的精度。國(guó)內(nèi)外學(xué)者做了大量的研究來(lái)抑制相干斑噪聲，總結(jié)起來(lái)主要有基于空間域的濾波和基于頻率域的濾波兩大類。經(jīng)典的基于空間域的濾波主要有Lee濾波[12]、Frost濾波[13]、Sigma濾波[14]、Kuan濾波[15]以及它們的變種，這些濾波方法雖然能抑制相干斑噪聲，但是破壞了原圖像，而且濾波結(jié)果與選擇的窗口大小有關(guān)，在實(shí)際應(yīng)用中不易操作，有的結(jié)果還會(huì)出現(xiàn)色塊；經(jīng)典的基于頻率域的濾波方法主要有傅里葉變換、小波變換[16]等方法，這些方法也能較好地處理SAR圖像中的相干斑噪聲，但這種方法計(jì)算量大，且沒(méi)有充分利用SAR圖像的統(tǒng)計(jì)特性，限制了其在SAR數(shù)據(jù)處理中的應(yīng)用。2011年，Chen等[17]提出的非局部均值濾波可以有效地抑制相干斑，非局部均值濾波以鄰域?yàn)閱挝?，進(jìn)行去噪時(shí)與該鄰域相似的鄰域的中心像素權(quán)重大，反之則權(quán)重小。非局部均值濾波不僅考慮了單一像素間像素值的相似度，也考慮到了兩個(gè)像素鄰域的相似度，較傳統(tǒng)的鄰域?yàn)V波方法更加穩(wěn)定有效。濾波后的圖像如圖3(c)所示。

圖3 實(shí)驗(yàn)區(qū)域與數(shù)據(jù)預(yù)處理

3.4 網(wǎng)絡(luò)模型訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練對(duì)于分類結(jié)果有著關(guān)鍵作用，在網(wǎng)絡(luò)模型訓(xùn)練時(shí)，應(yīng)選擇最優(yōu)參數(shù)，使網(wǎng)絡(luò)模型的性能得以充分發(fā)揮。

本文將標(biāo)記好的各類樣本輸入到網(wǎng)絡(luò)模型中訓(xùn)練，80%作為訓(xùn)練集，20%作為驗(yàn)證集，調(diào)整學(xué)習(xí)率、epoch和批尺寸等參數(shù)，用交叉熵代價(jià)函數(shù)計(jì)算損失，用GPU加速訓(xùn)練，觀察損失和訓(xùn)練精度即可得出網(wǎng)絡(luò)模型的訓(xùn)練效果。

為了得到較高的訓(xùn)練精度，本文需要把學(xué)習(xí)率設(shè)置在適當(dāng)?shù)姆秶鷥?nèi)。學(xué)習(xí)率決定了損失下降到最小值的步伐大小，如果學(xué)習(xí)率過(guò)大，很可能會(huì)越過(guò)最優(yōu)解；反之如果學(xué)習(xí)率過(guò)小，訓(xùn)練的效率可能過(guò)低，網(wǎng)絡(luò)模型長(zhǎng)時(shí)間無(wú)法收斂，所以，學(xué)習(xí)率對(duì)于網(wǎng)絡(luò)模型的訓(xùn)練至關(guān)重要。選擇五個(gè)不同的學(xué)習(xí)率(0.1、0.01、0.001、0.000 1、0.000 01)進(jìn)行實(shí)驗(yàn)，訓(xùn)練精度如表1所示。結(jié)果顯示，學(xué)習(xí)率為0.001時(shí)得到最高的訓(xùn)練精度，因此，將學(xué)習(xí)率設(shè)置為 0.001。

表1 不同學(xué)習(xí)率的訓(xùn)練精度 %

所有樣本數(shù)據(jù)被計(jì)算一次就是1個(gè)epoch，如果epoch設(shè)得太小，權(quán)重更新迭代不足會(huì)導(dǎo)致網(wǎng)絡(luò)模型欠擬合，epoch設(shè)得太大不僅會(huì)增加訓(xùn)練時(shí)間，還有可能陷入過(guò)擬合。選擇五個(gè)不同的epoch(20、40、60、80、100)進(jìn)行實(shí)驗(yàn)，訓(xùn)練精度如表2所示。結(jié)果顯示，epoch為60時(shí)已經(jīng)得到不錯(cuò)的訓(xùn)練精度，為了提高訓(xùn)練效率，將epoch設(shè)置為60。

表2 不同epoch的訓(xùn)練精度 %

卷積神經(jīng)網(wǎng)絡(luò)中的批尺寸決定損失函數(shù)的下降方向和網(wǎng)絡(luò)的收斂性。選擇五個(gè)不同的批尺寸(4、16、64、128、256)進(jìn)行實(shí)驗(yàn)，其總分類準(zhǔn)確率如表3所示。結(jié)果顯示，批尺寸對(duì)訓(xùn)練精度的影響并不明顯，因此，將批尺寸設(shè)為16，既可以取得不錯(cuò)的訓(xùn)練精度，又減輕了GPU和內(nèi)存的負(fù)擔(dān)。

表3 不同批尺寸的訓(xùn)練精度 %

將學(xué)習(xí)率設(shè)為0.001，epoch設(shè)為60，批尺寸設(shè)為16，利用極化相干矩陣T以及面散射功率值PS、二次散射功率值PD、體散射功率值PV等特征，按海洋、建筑、耕地、林地、養(yǎng)殖池、養(yǎng)殖浮筏六類分類分別用AlexNet和本文方法訓(xùn)練，訓(xùn)練精度和訓(xùn)練時(shí)間如表4所示。二者訓(xùn)練精度相當(dāng)，但AlexNet的訓(xùn)練時(shí)間比本文方法增加約35%。

表4 訓(xùn)練精度與訓(xùn)練時(shí)間

3.5 實(shí)驗(yàn)結(jié)果與分析

將測(cè)試集分別輸入到兩個(gè)保存好的網(wǎng)絡(luò)模型中分類，結(jié)果如圖4所示。

通過(guò)對(duì)照如圖4(a)所示的真值圖觀察兩種分類結(jié)果，可以看出兩種方法的分類結(jié)果對(duì)六類地物的分類基本一致，但從細(xì)節(jié)上觀察，圖4(b)中島嶼東南部的林地存在誤分為耕地的情況，某些陸地目標(biāo)被誤分為養(yǎng)殖浮筏，養(yǎng)殖浮筏周圍的海洋也存在誤分的情況，與圖4(c)所示的本文方法相比，也更容易受噪聲影響。比較結(jié)果如表5至表7所示。對(duì)于上述六類地物本文方法的結(jié)果都優(yōu)于AlexNet的分類結(jié)果，且生產(chǎn)者精度大部分都在90%以上，只有建筑的準(zhǔn)確率低于90%，為84.82%，也遠(yuǎn)高于AlexNet的66.06%；用戶精度大部分都在85%以上，只有養(yǎng)殖池的用戶精度由于淺海某些區(qū)域與其后向散射特性相似導(dǎo)致偏低，為53.42%，也略高于AlexNet的50.86%；總體精度較AlexNet提升5.56%。這充分證明了本文方法在全極化SAR遙感海島地物分類中的有效性。

圖4 實(shí)驗(yàn)結(jié)果

表5 本文方法六類地物混淆矩陣 %

表6 AlexNet六類地物混淆矩陣 %

表7 分類精度比較

4 結(jié)束語(yǔ)

深度學(xué)習(xí)的發(fā)展為提高SAR海島地物分類的精度提供了可能，但經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)應(yīng)對(duì)海島復(fù)雜的地物環(huán)境情況的能力有限，因此，對(duì)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)作出針對(duì)性的改進(jìn)是十分必要的。本文通過(guò)對(duì)AlexNet的結(jié)構(gòu)進(jìn)行改進(jìn)，使網(wǎng)絡(luò)能更好地捕捉局部特征，減小計(jì)算量，提高泛化能力與魯棒性，整體性能也有所提升。實(shí)驗(yàn)結(jié)果表明，對(duì)于所選取的研究區(qū)域，本文方法總體精度比AlexNet高5.56%，驗(yàn)證了該方法的有效性，可作為海域監(jiān)測(cè)、海島海岸帶地物信息提取等業(yè)務(wù)的參考。