符婷，陳思偉

國(guó)防科技大學(xué) 電子科學(xué)學(xué)院 電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國(guó)家重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410073

1 引言

合成孔徑雷達(dá)SAR（Synthetic Aperture Radar ）是一種高分辨率二維成像雷達(dá)，具有獨(dú)特的全天時(shí)全天候的工作能力，是重要的遙感對(duì)地觀測(cè)手段。隨著傳感器分辨率逐步提高，SAR 圖像能夠展現(xiàn)越來(lái)越豐富的地物細(xì)節(jié)，為其判讀與解譯奠定了基礎(chǔ)。地物分類是SAR 應(yīng)用的重要研究方向，在地圖制圖、環(huán)境監(jiān)測(cè)以及軍事偵察等領(lǐng)域有著廣闊應(yīng)用需求。盡管當(dāng)前許多傳感器具備了多極化、多波段的測(cè)量模式，但在實(shí)際工作中，由于其大幅寬、低成本等優(yōu)勢(shì)，單極化、單波段的SAR 圖像依然應(yīng)用廣泛，并且有大量過(guò)往積累的數(shù)據(jù)待發(fā)掘利用。如何更好地發(fā)揮此類單通道SAR數(shù)據(jù)的應(yīng)用價(jià)值，是值得研究的課題。

地物分類是遙感領(lǐng)域重要的基礎(chǔ)性應(yīng)用。然而，單通道SAR 圖像有限的信息量限制了其分類性能。本文將以此為背景，探究單通道SAR 圖像的信息維度拓展，以提升其應(yīng)用潛能。傳統(tǒng)的單通道SAR 圖像分類大致可分為兩種途徑：基于像元散射信息及其統(tǒng)計(jì)分布的方法和基于圖像空間紋理信息的方法（Guan等，2019）。統(tǒng)計(jì)建模方法的關(guān)鍵在于找到一種適用于各類SAR 場(chǎng)景的分布模型（Guan等，2019），常用分布模型有多元復(fù)高斯分布（Kong等，1988）、復(fù)Wishart分布（Lee等，1994a）、Weibull分布（Oliver，1993）、K分布（Lee等，1994b）和G0分布（Freitas等，2005）。此類方法在中低分辨率圖像上得到了廣泛應(yīng)用（Gao，2010）。提取紋理信息是改善單通道SAR 圖像分類精度的另一種思路，通過(guò)挖掘目標(biāo)像元局部的空間信息來(lái)增加信息量，進(jìn)一步提升可分性。SAR圖像處理中常用的紋理特征有灰度共生矩陣GLCM（Gray-Level Co-occurrence Matrix）（Haralick等，1973）、分形模型（Pentland，1984）、馬爾可夫隨機(jī) 場(chǎng)MRF（Markov Random Field）（Chellappa 和Chatterjee，1985）、Gabor濾波器（Jain和Farrokhnia，1991；Lee，1996）等。Ulaby 等（1986）將GLCM的一、二階統(tǒng)計(jì)量用于SAR 強(qiáng)度圖像分類，此后基于GLCM 的方法在SAR 圖像分析中得到了廣泛應(yīng)用（程雪姣等，2014；Liu等，2015；李強(qiáng)等，2018）。Clausi（2001）對(duì)比了GLCM、Gabor 濾波和MRF 這3 種紋理特征用于SAR 圖像海冰分類的效果，指出GLCM 結(jié)合MRF 能夠進(jìn)一步提高分類精度。Dekker（2003）則分析了直方圖測(cè)度、小波能量、分形維度、間隙度和半變異函數(shù)等紋理特征在城市區(qū)域的分類能力。局部二值模式LBP（Local Binary Pattern）（Ojala等，1996，2002）及其改進(jìn)方法成為了21 世紀(jì)初期主要的局部紋理描述子之一（Liu等，2017）。在其基礎(chǔ)上針對(duì)SAR圖像提出的方法有多級(jí)局部模式直方圖MLPH（Multilevel Local Pattern Histogram）（Dai等，2011）和多尺度局部Fisher 模式MLFP（Multiscale Local Fisher Pattern ）（Zhao等，2021）。近年來(lái)，基于紋理的SAR圖像分類研究多是將上述常用紋理特征進(jìn)行結(jié)合或改進(jìn)（Dai等，2011；Aytekin等，2013；Cheng等，2015；王璐等，2015；Guan等，2019）。此外，還有一些基于稀疏表征（Bi等，2022）、屬性剖面（Attribute Profiles）（He等，2017；Tombak等，2019）等的新方法。

除了傳統(tǒng)分類方法，近年來(lái)基于深度學(xué)習(xí)的SAR 圖像分類方法不斷涌現(xiàn)，并展現(xiàn)出優(yōu)異的性能。Geng 等（2015）將深度卷積自編碼器用于SAR 圖像特征提取與分類。Zhao 等（2017）聯(lián)合集成學(xué)習(xí)方法與深度置信網(wǎng)絡(luò)從圖像中提取高層次特征并用于地物分類。Zhang 等（2017）針對(duì)SAR 圖像的復(fù)數(shù)特性提出了復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Network），并通過(guò)實(shí)驗(yàn)證明其相對(duì)實(shí)數(shù)網(wǎng)絡(luò)性能更好。Wu 等（2021）將注意力機(jī)制加入CNN 以獲得更加魯棒的上下文特征。深度學(xué)習(xí)類方法一般需要大量標(biāo)記樣本用以訓(xùn)練網(wǎng)絡(luò)，然而SAR 數(shù)據(jù)的標(biāo)記樣本往往相對(duì)有限。對(duì)此，一些學(xué)者積極探索小樣本下的深度學(xué)習(xí)方法。Qin 等（2017）使用玻爾茲曼機(jī)來(lái)解決分類中的小樣本問題。Wu 等（2018）提出了一種遷移學(xué)習(xí)框架將預(yù)訓(xùn)練模型用于SAR 圖像分類。此外，深度學(xué)習(xí)作為一種端到端的方法，有時(shí)缺乏可解釋性，為光學(xué)圖像提出的模型也未必適合SAR 圖像。因此，發(fā)展結(jié)合機(jī)理的深度學(xué)習(xí)方法也是一種改進(jìn)思路。Jiao 和Liu（2016）根據(jù)極化協(xié)方差矩陣和相干矩陣的Wishart 分布特性，將Wishart 距離引入深度堆疊網(wǎng)絡(luò)并取得了較好的分類結(jié)果。Geng 等（2017）先提取了GLCM、Gabor和梯度直方圖等特征，再輸入一個(gè)深度收縮神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和分類。Chen和Tao（2018）通過(guò)提取極化特征提升了CNN 的分類精度。上述工作說(shuō)明，結(jié)合專家知識(shí)或手工提取特征的深度學(xué)習(xí)方法有助于進(jìn)一步提升SAR圖像分類性能。

單通道SAR 圖像每個(gè)像元只包含一個(gè)復(fù)散射值，信息量較為有限，也無(wú)法通過(guò)通道間運(yùn)算提取特征。因此，利用鄰近地物的空間相關(guān)性，從圖像上提取紋理信息，是擴(kuò)充像元信息量、增強(qiáng)地物辨識(shí)性能的重要途徑?，F(xiàn)有的紋理特征已經(jīng)在SAR 圖像分類中取得了廣泛應(yīng)用，但同時(shí)也還面臨著一些挑戰(zhàn)。一方面，SAR 圖像的動(dòng)態(tài)范圍通常較大，一些提取流程中包含量化操作的特征，如GLCM，可能受到局部強(qiáng)散射點(diǎn)的影響而丟失暗部紋理細(xì)節(jié)。另一方面，以Gabor濾波器組為代表的一些方法，設(shè)置參數(shù)較多、特征維度較高。為了尋找最優(yōu)的參數(shù)組合，手工調(diào)參的工作量較大。而且高維度的特征容易使分類器陷入“維數(shù)災(zāi)難”。基于上述背景，尋找一種更適合SAR 圖像特性、能夠高效提取SAR 圖像空間信息的紋理特征，是進(jìn)一步提升SAR圖像解譯水平的關(guān)鍵。

近來(lái)，Chen（2020）提出了上下文協(xié)方差矩陣CCM（Context Covariant Matrix ）。CCM 能夠較好地提取利用SAR 圖像上下文信息。結(jié)合矩陣相似性檢驗(yàn)，CCM 在SAR 圖像相干斑濾波中取得了成功應(yīng)用。在該工作的啟發(fā)下，本文提出了一種SAR圖像空間紋理表征方法——方向性上下文協(xié)方差矩陣DCCM（Directional Context Covariant Matrix），并在此基礎(chǔ)上發(fā)展出了基于DCCM 紋理特征的SAR 圖像分類方法。本文分別結(jié)合傳統(tǒng)分類器和CNN，在AIRSAR 數(shù)據(jù)和UAVSAR 數(shù)據(jù)上開展了地物分類實(shí)驗(yàn)，驗(yàn)證了所提方法的有效性。

2 方向性上下文協(xié)方差矩陣（DCCM）

對(duì)于高分辨率SAR 圖像而言，面狀地物內(nèi)部會(huì)呈現(xiàn)出更多的異質(zhì)細(xì)節(jié)（如農(nóng)田的田壟、水面的波紋），而不是某種均質(zhì)特性。這一方面給從統(tǒng)計(jì)特性識(shí)別地物帶來(lái)困難，一方面又提供了新的信息——空間紋理。紋理是一種重要的視覺特征，通常指圖像中反復(fù)出現(xiàn)的局部模式及其排列規(guī)則（Tuceryan 和Jain，1993），也可以理解為鄰近像元間的空間相關(guān)性。基于該思路，DCCM 在原有的散射信息上拓展利用了空間紋理信息，實(shí)現(xiàn)了單通道SAR圖像像元信息增廣。

以目標(biāo)像元為中心取一個(gè)大小為(2n+1) ×(2n+1)的矩形鄰域(n=1，2，……)，可以將鄰域像元按照其相對(duì)于目標(biāo)像元的方向?qū)ΨQ地劃分為若干個(gè)區(qū)域。以四方向劃分為例，如圖1 所示，綠色、藍(lán)色、黃色和橙色方塊分別代表4 個(gè)方向（0°、45°、90°和135°）的鄰域像元。在各區(qū)域內(nèi)計(jì)算該方向上的平均紋理特性，將所有方向上的平均紋理特性組合即得到該目標(biāo)像元的完整紋理特征。這種區(qū)域內(nèi)部平均有利于得到更穩(wěn)定的特征，然而過(guò)度平均將損失細(xì)節(jié)從而對(duì)紋理沒有足夠的分辨力，因此需要考慮劃分方向的數(shù)目。兼顧穩(wěn)定性和鑒別力，通常將方向數(shù)目設(shè)為4。

圖1 四方向DCCM示意圖Fig.1 Illustration of four-directional DCCM

構(gòu)造DCCM 的第一步是提取上下文散射矢量。上下文散射矢量是由目標(biāo)像元及關(guān)于其對(duì)稱的兩個(gè)鄰域像元組成的向量。以3×3 鄰域?yàn)槔?，如圖2所示，紅色的目標(biāo)像元及其8個(gè)鄰域像元一共可以構(gòu)成如下4個(gè)上下文散射矢量。

圖2 上下文散射矢量構(gòu)建示意圖Fig.2 Construction of context scattering vectors

式中，sn，m表示位于圖像第n行、第m列的像元復(fù)散射值，上標(biāo)“T”表示轉(zhuǎn)置。類似地，對(duì)于大小為(2n+1) ×(2n+1) 的鄰域，一共可以得到-1個(gè)上下文散射矢量。

根據(jù)構(gòu)建上下文散射矢量的鄰域像元相對(duì)中心像元的方向，可以將其分為不同方向的上下文散射矢量（d=0°，45°，90°，135°）。例如圖1中，由綠色鄰域像元構(gòu)成的即為0°方向的上下文散射矢量，它們反映了該方向上的地物后向散射變化。利用d方向的上下文散射矢量，可以得到d方向的DCCM

式中，Nd表示d方向上下文散射矢量的數(shù)目，如圖1中鄰域大小為7×7時(shí)，Nd=7。

四方向DCCM 可將目標(biāo)像元從單個(gè)復(fù)數(shù)值拓展成為了C0°、C45°、C90°和C135°等4個(gè)矩陣，每個(gè)矩陣包含了該方向上的紋理特性。DCCM 的方向數(shù)目可以根據(jù)實(shí)際需要進(jìn)行調(diào)整。從理論上講，劃分的方向越多，能夠捕獲的紋理細(xì)節(jié)就越豐富。不難發(fā)現(xiàn)，CCM（Chen，2020）相當(dāng)于一方向的DCCM，所以它能夠表征的上下文信息較為有限。一方面，DCCM 將像元在鄰域中所處的位置劃分地更為細(xì)致，相對(duì)于原始CCM 加入了更多的方向信息，有利于表征更復(fù)雜的空間紋理；另一方面，這種劃分方式只區(qū)分鄰域像元相對(duì)于中心像元的方向，而不區(qū)分鄰域像元相對(duì)中心像元的距離遠(yuǎn)近，所以具有一定的尺度不變性。

3 基于DCCM 紋理特征的SAR 圖像地物分類方法

3.1 DCCM紋理特征提取

在DCCM 表征中，每個(gè)協(xié)方差矩陣Cd都是Hermite 矩陣，其中元素關(guān)于主對(duì)角線呈共軛對(duì)稱關(guān)系，所以這里只考慮矩陣上三角的元素。Cd中包含兩類值：對(duì)應(yīng)散射強(qiáng)度的主對(duì)角線元素以及對(duì)應(yīng)像素間相關(guān)的非對(duì)角元素。其中，非對(duì)角元素的相關(guān)值事實(shí)上是由鄰域內(nèi)像元的強(qiáng)度值相乘后取平均得到的，受到強(qiáng)度值大小的影響，無(wú)法直觀反映像素間的相關(guān)性。因此，對(duì)相關(guān)值進(jìn)行歸一化：

對(duì)于直接從SAR 數(shù)據(jù)計(jì)算得到的DCCM，存在一些極端值使得整體動(dòng)態(tài)范圍較大，而大部分值集中在一個(gè)相對(duì)較小的區(qū)間內(nèi)，造成長(zhǎng)拖尾的分布形態(tài)。這種分布下的圖像主體部分對(duì)比度不足，不利于紋理提取。分析發(fā)現(xiàn)，DCCM 中的強(qiáng)度值元素取值集中在0附近，而歸一化相關(guān)值集中在1附近。為了增大圖像主體部分對(duì)比度，使得被壓縮的紋理細(xì)節(jié)得以展現(xiàn)，考慮對(duì)大部分元素值所在的區(qū)間進(jìn)行展寬。利用對(duì)數(shù)函數(shù)的性質(zhì)，進(jìn)行如下變換

式中，cintensity代表強(qiáng)度值元素（c11，c22，c33），代表歸一 化相關(guān)值元素（，，）。經(jīng)過(guò)對(duì)數(shù)變換，DCCM 中的極端值將被壓縮，圖像主體部分對(duì)比度得到增強(qiáng)，使原先處于暗處的紋理細(xì)節(jié)凸顯出來(lái)。

經(jīng)過(guò)歸一化處理和對(duì)數(shù)變換后，將DCCM 中4 個(gè)協(xié)方差矩陣的上三角元素取出，構(gòu)成1 個(gè)特征向量。注意到，每個(gè)Cd中的c22都是一樣的，為中心像元的強(qiáng)度。因此，去除3 個(gè)重復(fù)的c22后，可以得到21 維的DCCM 紋理特征，特征各維度的含義如表1所示。

表1 DCCM紋理特征元素Table 1 Elements of DCCM texture feature

提取DCCM 紋理特征的總體流程如圖3 所示。類似地，采用不同大小的鄰域窗口，可以構(gòu)建各種尺度的DCCM，以適用于不同粗細(xì)的空間紋理和不同大小的地物。DCCM 窗口通常應(yīng)該大于等于5，具體要根據(jù)圖像分辨率和圖上地物的尺度，結(jié)合實(shí)驗(yàn)選取。與Gabor 濾波、LBP 等需要手動(dòng)選擇多個(gè)參數(shù)的方法相比，計(jì)算DCCM 紋理特征只需事先確定好鄰域窗口大小，沒有復(fù)雜的調(diào)參處理，在實(shí)際應(yīng)用中具有一定優(yōu)勢(shì)。

圖3 DCCM紋理特征提取方法Fig.3 Framework of DCCM texture feature extraction

3.2 SAR圖像地物分類方法構(gòu)建

基于DCCM 紋理特征，本文提出了一種SAR圖像地物分類方法。該方法通過(guò)結(jié)合強(qiáng)度信息和紋理信息，拓展單個(gè)像素信息容量，進(jìn)而提升SAR 圖像分類性能。首先，對(duì)輸入的SAR 圖像進(jìn)行相干斑濾波，以減少相干斑噪聲對(duì)紋理提取的影響。其次，依據(jù)圖像分辨率以及地物形態(tài)和尺度選擇鄰域窗口大小，并遍歷全圖計(jì)算DCCM。對(duì)于地物內(nèi)部相對(duì)均勻、成片狀分布的農(nóng)作物、水體等場(chǎng)景通?？蛇x擇較大的窗口，而包含獨(dú)立建筑物和道路等細(xì)碎或狹長(zhǎng)地物的城市場(chǎng)景則需要較小的窗口，以避免窗口內(nèi)混入過(guò)多不同類別像素。然后，對(duì)得到的DCCM 進(jìn)行相關(guān)值歸一化處理以及對(duì)數(shù)變換。前者能夠減少各維度特征之間的冗余信息，后者能提升圖像主體部分的對(duì)比度，讓紋理細(xì)節(jié)更好地展現(xiàn)出來(lái)?；谧儞Q后的DCCM，提取21維的DCCM紋理特征向量，選取一定比例的標(biāo)記樣本作為訓(xùn)練集，輸入分類器中進(jìn)行訓(xùn)練。最后用訓(xùn)練好的分類器對(duì)圖像進(jìn)行分類，得到分類結(jié)果。所提方法的總體流程如圖4所示。

圖4 SAR圖像分類流程Fig.4 SAR image classification scheme

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)置

本節(jié)選擇基于GLCM、Gabor 濾波、MLPH 以及CCM 紋理特征的分類方法（下文分別簡(jiǎn)稱GLCM 方法、Gabor方法、MLPH 方法和CCM 方法）作為對(duì)比方法開展地物分類實(shí)驗(yàn)。其中，GLCM 和Gabor 濾波是常用的紋理特征，在光學(xué)和SAR 圖像處理領(lǐng)域都取得了廣泛的應(yīng)用。而MLPH是近年來(lái)基于LBP 方法針對(duì)高分辨率SAR 圖像提出的紋理特征，并且在文獻(xiàn)（Dai等，2011）中表現(xiàn)出優(yōu)于前面二者的性能。GLCM 采用量化為32 個(gè)灰度級(jí)的SAR 幅度圖像計(jì)算，設(shè)置4 個(gè)方向、兩種步長(zhǎng)。從GLCM 中提取對(duì)比度、相關(guān)、能量和同質(zhì)性這4種不相關(guān)的統(tǒng)計(jì)量（Ulaby等，1986），構(gòu)成32維的特征向量。Gabor 濾波器采用了5 種尺度、8 個(gè)方向，得到40 維的特征向量，其參數(shù)設(shè)置和實(shí)現(xiàn)參考李建萍等（2010）和Haghighat 等（2013）所著的文獻(xiàn)。MLPH 參照原始文獻(xiàn)（Dai等，2011）提供的方法及參數(shù)實(shí)現(xiàn)，其特征向量為75 維。另外，CCM 方法也在實(shí)驗(yàn)中作為對(duì)比方法，以驗(yàn)證加入方位信息是對(duì)像元信息容量的進(jìn)一步增廣，能夠改善SAR圖像分類性能。

在分類器選擇方面，本節(jié)采用兩種經(jīng)典的機(jī)器學(xué)習(xí)分類器：決策樹DT（Decision Tree）和支持向量機(jī)SVM（Support Vector Machine）。其中，SVM 采用徑向基核函數(shù)，其超參數(shù)采用網(wǎng)格尋優(yōu)方法確定。在預(yù)處理階段采用SimiTest濾波（Chen等，2012）對(duì)SAR 圖像進(jìn)行相干斑抑制。實(shí)驗(yàn)中，取已知樣本的10%作為訓(xùn)練集，其余樣本作為測(cè)試集，用總體精度OA（Overall Accuracy）和Kappa系數(shù)來(lái)定量評(píng)估實(shí)驗(yàn)結(jié)果。為了排除不同訓(xùn)練樣本的干擾，每組實(shí)驗(yàn)隨機(jī)選取訓(xùn)練集，重復(fù)五次，取五次實(shí)驗(yàn)的平均分類精度和Kappa 系數(shù)。此外，鄰域窗口大小均設(shè)置為25×25。

4.2 AIRSAR數(shù)據(jù)集地物分類實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)一是來(lái)自NASA/JPL AIRSAR于1989年獲得的荷蘭Flevoland 地區(qū)L 波段數(shù)據(jù)，大小為750×1024。該區(qū)域的主要地物為農(nóng)作物，共分為15類，包括莖豆、豌豆、森林、苜蓿、小麥1、甜菜、土豆、裸地、草地、油菜籽、大麥、小麥2、小麥3、水域和建筑物。利用數(shù)據(jù)的HH極化和VV極化分別開展對(duì)比實(shí)驗(yàn)。AIRSAR 數(shù)據(jù)如圖5 所示，其真值如圖6所示。

圖5 AIRSAR數(shù)據(jù)圖像Fig.5 SAR images of AIRSAR dataset

圖6 AIRSAR數(shù)據(jù)真值Fig.6 Ground truth of AIRSAR dataset

在10%的訓(xùn)練率下，對(duì)HH極化數(shù)據(jù)的地物分類精度和Kappa 系數(shù)如表2 所示，分類結(jié)果如圖7所示。從總體分類精度上看，基于DCCM 紋理特征的分類方法（下文簡(jiǎn)稱DCCM 方法）取得了最高的總體分類精度和Kappa系數(shù)，并顯著高于其他方法。對(duì)DT 分類器，DCCM 方法取得了77.69%的總體精度?；贑CM 紋理特征的分類方法和基于Gabor 濾波特征的分類方法（下文分別簡(jiǎn)稱為CCM方法和Gabor 方法）總體精度分別為69.45%和65.13%。而基于GLCM 紋理特征的分類方法和基于MLPH 紋理特征的分類方法（下文分別簡(jiǎn)稱為GLCM 方法和MLPH 方法）分類精度均不足60%。對(duì)SVM 分類器，5 種方法的分類精度都有所提升。其中，DCCM 方法的總體分類精度達(dá)到了96.51%，而其他方法的總體精度都不到85%?？梢钥闯觯啾绕渌椒?，DCCM 方法顯著提升了該數(shù)據(jù)的分類性能。這反映出DCCM 紋理特征能夠有效結(jié)合SAR 圖像的強(qiáng)度和紋理信息，進(jìn)而增強(qiáng)了地物的可分性。相比于CCM 方法，DCCM 方法的分類精度有明顯提高，證實(shí)了加入方向性能夠更精細(xì)地提取SAR 圖像紋理，有利于地物的辨識(shí)。此外，在DT 分類器上，Gabor 方法對(duì)建筑物的分類精度（98.29%）略高于DCCM 方法（97.71%）。結(jié)合分類結(jié)果圖分析，該差異主要來(lái)源于夾在大麥和小麥3之間的一小塊建筑物，可能是由于窗口相對(duì)較大使DCCM方法受到了鄰近地物的干擾。

表2 AIRSAR數(shù)據(jù)HH極化地物分類精度和Kappa系數(shù)Table 2 Classification accuracy and Kappa coefficient of HH polarization in AIRSAR dataset/%

圖7 AIRSAR數(shù)據(jù)HH極化分類結(jié)果圖Fig.7 Classification results of HH polarization in AIRSAR dataset

從分類結(jié)果圖上看，DT 分類器的分類結(jié)果普遍不太理想。MLPH 方法和GLCM 方法的結(jié)果圖上遍布著細(xì)碎的誤分像素點(diǎn)，整體正確率較低。Gabor 方法、CCM 方法和DCCM 方法的結(jié)果稍好一些。SVM 分類器的分類結(jié)果整體有所改善。其中，DCCM 方法的對(duì)大部分地物的分類效果都很好，只對(duì)油菜籽、草地和水域等地物出現(xiàn)了零星的錯(cuò)誤。值得注意的是，GLCM 方法雖然總體精度還不錯(cuò)，但其錯(cuò)誤分類的像素散布在各個(gè)地物塊中，從視覺上看并不太理想。這可能表明GLCM方法對(duì)圖像的空間信息利用不足。相比之下，Gabor 方法和DCCM 方法更傾向于在地物交界處出現(xiàn)錯(cuò)誤，而地物塊內(nèi)部相對(duì)完整?？梢园l(fā)現(xiàn)，CCM 方法在油菜籽等地物中出現(xiàn)了大面積的誤分，而這一情況在DCCM 方法中得到了明顯改善，說(shuō)明加入方向性信息能夠提升地物辨識(shí)能力?？偟膩?lái)說(shuō)，DCCM 方法正確率更高，并且得到了更加平滑完整的結(jié)果圖，證實(shí)了DCCM 紋理特征能夠有效結(jié)合像素強(qiáng)度和空間紋理信息，實(shí)現(xiàn)地物分類性能的提升。

對(duì)VV 極化數(shù)據(jù)的地物分類精度和Kappa 系數(shù)如表3 所示，對(duì)應(yīng)的分類結(jié)果如圖8 所示。VV 極化數(shù)據(jù)的總體分類精度普遍低于HH 極化。DCCM方法依然取得了最高的總體精度和Kappa系數(shù)，在DT和SVM 分類器上的分類精度分別達(dá)到了73.97%和95.22%，超出其他4 種方法10%以上。在DT 分類器上，MLPH 方法和GLCM 方法的總體精度均不足50%，而Gabor方法和CCM方法的精度分別達(dá)到61.33%和63.48%。在SVM 分類器上，GLCM 方法的分類精度有大幅提升，達(dá)到了82.65%。Gabor方法的總體精度也達(dá)到了81.65%，而另外兩種方法精度均不足80%。值得注意的是，CCM 方法在VV極化上的分類精度相比HH 極化大幅降低，而DCCM 方法依舊保持了較好的性能。可見方向性信息的加入提升了DCCM 紋理特征的鑒別力，增強(qiáng)了特征的魯棒性，從而在不同極化的數(shù)據(jù)上能取得相對(duì)穩(wěn)定的分類性能。

表3 AIRSAR數(shù)據(jù)VV極化地物分類精度和Kappa系數(shù)Table 3 Classification accuracy and Kappa coefficient of VV polarization in AIRSAR dataset/%

圖8 AIRSAR數(shù)據(jù)VV極化分類結(jié)果圖Fig.8 Classification results of VV polarization in AIRSAR dataset

從VV 極化數(shù)據(jù)的分類結(jié)果圖上看，可以得到與HH 極化類似的結(jié)論?？梢钥吹?，GLCM 方法的分類結(jié)果圖容易存在噪聲的現(xiàn)象在此處更加顯著。在SVM 分類器上，GLCM 方法沒有出現(xiàn)大面積錯(cuò)誤，但幾乎每塊地物上都散布著零星的誤分像素，該現(xiàn)象在小麥3上尤為明顯。相比之下，總體精度更低的Gabor 方法和MLPH 方法則更多是在地物邊緣出現(xiàn)錯(cuò)誤，分類結(jié)果的完整性更好。這可能反映了GLCM 紋理特征有時(shí)并不適應(yīng)SAR 圖像特性，因此沒能很好地提取圖上空間信息。對(duì)比其他方法，DCCM 方法取得了很好的分類結(jié)果，分類錯(cuò)誤較少，并且地物完整性得到了較大提升。

4.3 UAVSAR數(shù)據(jù)集地物分類實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)二是機(jī)載L 波段雷達(dá)UAVSAR 于2012年獲取的加拿大Manitoba 地區(qū)數(shù)據(jù)，大小為1011×1325。該區(qū)域有7 類農(nóng)作物，包括燕麥、油菜籽、小麥、玉米、大豆、草料作物和闊葉林。該數(shù)據(jù)的HH 和VV 極化圖像分別如圖9（a）（b）所示，真值如圖10所示。

圖9 UAVSAR數(shù)據(jù)圖像Fig.9 SAR images of UARSAR dataset

圖10 UAVSAR數(shù)據(jù)真值Fig.10 Ground truth of UAVSAR dataset

對(duì)HH 極化數(shù)據(jù)的地物分類精度和Kappa 系數(shù)如表4 所示，對(duì)應(yīng)的分類結(jié)果如圖11 所示。在DT分類器上，DCCM 方法的總體分類精度達(dá)到了84.92%，CCM 方法達(dá)到了77.66%，而其他方法均不到70%。在SVM 分類器上，DCCM 方法的總體分類精度（96.95%），高出其他方法7%以上。GLCM 方法（89.56%）和CCM 方法（85.23%）也取得了不錯(cuò)的分類精度。而在AIRSAR 數(shù)據(jù)上表現(xiàn)較好的Gabor 方法在此表現(xiàn)不佳，總體精度僅為79.96%。此外，MLPH方法在兩個(gè)分類器上分類效果都比較差，總體精度均不到60%。幾種方法的Kappa 系數(shù)高低與總體分類精度呈現(xiàn)出對(duì)應(yīng)的關(guān)系。不難看出，在對(duì)比方法性能出現(xiàn)波動(dòng)的情況下，DCCM 方法依舊獲得了較好的分類結(jié)果，反映了DCCM 紋理特征在這兩景數(shù)據(jù)上均能有效挖掘圖像上下文信息，具有更好的穩(wěn)健性。

表4 UAVSAR數(shù)據(jù)HH極化地物分類精度和Kappa系數(shù)Table 4 Classification accuracy and Kappa coefficient of HH polarization in UAVSAR dataset/%

圖11 UAVSAR數(shù)據(jù)HH極化分類結(jié)果圖Fig.11 Classification results of HH polarization in UAVSAR dataset

結(jié)合分類結(jié)果圖進(jìn)行分析，首先注意到MLPH方法大面積混淆了小麥、大豆和燕麥等地物，因此其總體分類精度較低。與AIRSAR 數(shù)據(jù)類似，GLCM 方法在SVM 分類器上取得了較高的分類精度，其分類結(jié)果圖上沒有大面積的誤分類，但存在明顯的、無(wú)關(guān)地物類別的噪聲，地物完整性較差。這對(duì)于基于圖像分類的后續(xù)應(yīng)用，如地圖制圖、變化分析等都是不利的。在SVM 分類器上，Gabor 方法對(duì)玉米和油菜籽、小麥和燕麥等地物存在較多混淆，可能是由于這幾種農(nóng)作物的紋理和散射強(qiáng)度都比較相似。然而可以發(fā)現(xiàn)，DCCM 方法雖然也對(duì)這幾類地物出現(xiàn)了錯(cuò)誤分類，但相比Gabor 方法有了明顯改善，反映了DCCM 在提取SAR 圖像上的細(xì)微紋理差異時(shí)更具優(yōu)勢(shì)?？偟膩?lái)說(shuō)，DCCM 方法取得了最佳的分類結(jié)果，其分類正確率更高，得到的地物完整性更好。

對(duì)VV 極化數(shù)據(jù)的地物分類精度和Kappa 系數(shù)如表5 所示，分類結(jié)果如圖12 所示，從中可以得到的結(jié)論與HH 極化基本一致。DCCM 方法在DT和SVM 分類器上的總體分類精度分別達(dá)到了87.33%和97.40%，展現(xiàn)出優(yōu)異的性能。相比其他方法，DCCM 方法對(duì)總體精度提升達(dá)到7%以上。注意到，GLCM 方法在SVM 分類器上的總體精度已經(jīng)達(dá)到了90%以上，但是其結(jié)果圖上的噪聲依舊顯著（圖12（h））。推測(cè)是GLCM 紋理特征沒能很好地利用SAR 圖像上像素之間的空間相關(guān)性，從而導(dǎo)致了較多噪聲的出現(xiàn)。另外，相比CCM 方法，DCCM 方法對(duì)燕麥、小麥和油菜籽等地物的分類效果明顯改善，再次證明了方向性信息對(duì)于更精細(xì)地刻畫紋理、提升地物可分性的必要性。

表5 UAVSAR數(shù)據(jù)VV極化地物分類精度Table 5 Classification accuracy and Kappa coefficient of VV polarization in UAVSAR dataset/%

圖12 UAVSAR 數(shù)據(jù)VV極化分類結(jié)果圖Fig.12 Classification results of VV polarization in UAVSAR dataset

結(jié)合AIRSAR 數(shù)據(jù)和UAVSAR 數(shù)據(jù)的實(shí)驗(yàn)結(jié)果，可以認(rèn)為DCCM 紋理特征能夠較好地提取SAR 圖像上下文信息，提升地物的可辨識(shí)性?；贒CCM 紋理特征的分類方法在兩景數(shù)據(jù)上均取得了最好的分類結(jié)果。該方法能夠更好地適應(yīng)SAR 圖像特性，顯著減少了地物之間的混淆，提升了SAR 圖像地物分類性能。此外，相比其他方法，DCCM 方法得到的分類結(jié)果圖更加完整、平滑，對(duì)于后續(xù)應(yīng)用更加有利。

4.4 基于卷積神經(jīng)網(wǎng)絡(luò)的地物分類實(shí)驗(yàn)

近年來(lái)，越來(lái)越多的深度學(xué)習(xí)方法被引入SAR 圖像處理并得到成功應(yīng)用。由于端到端的深度學(xué)習(xí)方法缺乏可解釋性和可控性，有時(shí)未必能適應(yīng)SAR 圖像特性，因此發(fā)展結(jié)合專家知識(shí)和機(jī)理的深度學(xué)習(xí)方法是提升其應(yīng)用性能的一個(gè)重要途徑。本節(jié)將所提方法結(jié)合CNN 開展實(shí)驗(yàn)，以驗(yàn)證DCCM紋理特征與深度學(xué)習(xí)方法結(jié)合的可行性。

本節(jié)采用了1個(gè)基本的3層CNN（Chen和Tao，2018）進(jìn)行地物分類實(shí)驗(yàn)，網(wǎng)絡(luò)結(jié)構(gòu)如圖13所示。該網(wǎng)絡(luò)包含3 個(gè)卷積層、兩個(gè)最大池化層和1 個(gè)全連接層。網(wǎng)絡(luò)輸入為15×15×m的特征圖像，其中m是特征維度。對(duì)于DCCM 紋理特征而言，m=21。3 個(gè)卷積層中，分別采用了30、60、120 個(gè)大小為2×2 的卷積核，卷積步長(zhǎng)為1。每?jī)蓚€(gè)卷積層之間設(shè)置了一個(gè)2×2 的最大池化層，其步長(zhǎng)為2。最后，對(duì)全連接層應(yīng)用了Dropout 正則化方法，然后通過(guò)Softmax函數(shù)輸出網(wǎng)絡(luò)預(yù)測(cè)的類別標(biāo)簽。

圖13 CNN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.13 CNN architecture

實(shí)驗(yàn)對(duì)比了基于原始數(shù)據(jù)的CNN 以及基于紋理特征的CNN，前者屬于端到端的深度學(xué)習(xí)方法，而后者是結(jié)合手工提取特征的深度學(xué)習(xí)方法。在基于紋理特征的CNN中，采用了5 種紋理特征分別與CNN 結(jié)合以對(duì)比不同紋理特征的性能，包括GLCM、Gabor 濾波、CCM 和DCCM 紋理特征。為了與上一節(jié)實(shí)驗(yàn)中25×25的鄰域窗口保持一致，這里先從紋理特征圖上取出25×25×m的圖像塊，然后縮放成15×15×m作為網(wǎng)絡(luò)輸入。由于結(jié)合紋理特征的CNN 在10%訓(xùn)練率下分類精度均可達(dá)到99%，性能差距不明顯，所以本節(jié)將訓(xùn)練率設(shè)置為5%，以便對(duì)比不同特征的分類性能。此外，這里將結(jié)合SVM 分類器的DCCM 分類方法也加入對(duì)比，以比較傳統(tǒng)方法和深度學(xué)習(xí)方法的性能差異。實(shí)驗(yàn)中采用全圖分類精度和Kappa系數(shù)作為評(píng)價(jià)指標(biāo)。

AIRSAR 數(shù)據(jù)的分類精度和Kappa 系數(shù)如表6所示。相比基于原始數(shù)據(jù)的CNN（以下簡(jiǎn)稱原始CNN），基于紋理特征的CNN 在分類精度和Kappa系數(shù)上均有顯著提升。其中，MLPH-CNN 取得了最佳的分類精度（98.92%和98.78%），略高于DCCM-CNN（98.91%和98.62%）。這可能是由于MLPH 是一種多尺度的特征，對(duì)于不同尺度的地物或地物邊緣能夠更好地貼合。但這也導(dǎo)致了MLPH特征維度較高（75維），需要更強(qiáng)大的分類器才能擬合，因而沒能在4.2 節(jié)的傳統(tǒng)分類器實(shí)驗(yàn)中取得很好的結(jié)果。相比之下，DCCM 特征維度（21 維）不及MLPH特征的三分之一，但取得了與之相近的精度，說(shuō)明DCCM 特征是簡(jiǎn)潔而高效的。GLCMCNN和CCM-CNN 的分類精度比上述兩種特征低了1%左右。而在傳統(tǒng)分類器上表現(xiàn)較好的Gabor 濾波紋理特征結(jié)合CNN 后則表現(xiàn)沒那么好，在基于紋理的CNN 中精度最低。此外注意到，傳統(tǒng)方法DCCM-SVM 的分類精度（92.78%和90.78%）高于原始CNN（89.96%和87.26%），說(shuō)明SAR 數(shù)據(jù)直接結(jié)合CNN 未必能取得超越傳統(tǒng)方法的效果。因此，結(jié)合手工提取特征是提升深度學(xué)習(xí)方法分類性能的有效途徑。

表6 AIRSAR數(shù)據(jù)分類精度和Kappa系數(shù)Table 6 Classification accuracy and Kappa coefficient in AIRSAR dataset/%

UAVSAR 數(shù)據(jù)的分類精度和Kappa 系數(shù)如表7所示。由于MLPH-CNN 在網(wǎng)絡(luò)訓(xùn)練中無(wú)法收斂，因此沒有展示在表格中。結(jié)合4.3 節(jié)中基于MLPH特征方法混淆了多類地物的情況，可以推測(cè)是MLPH 特征在該數(shù)據(jù)上無(wú)法提取出具有區(qū)分度的紋理信息。該數(shù)據(jù)上，DCCM-CNN 取得了最佳的分類精度（99.43%和99.57%）和Kappa系數(shù)，相比原始CNN 提升了10%以上。GLCM-CNN 也取得了較好的精度（99%和98.83%），略高于CCM-CNN（98.03%和98.30%）。與AIRSAR數(shù)據(jù)類似，DCCMSVM也取得了比原始CNN 更好的分類效果，再次驗(yàn)證了結(jié)合知識(shí)和機(jī)理的重要性。

表7 UAVSAR數(shù)據(jù)分類精度和Kappa系數(shù)Table 7 Classification accuracy and Kappa coefficient in UAVSAR dataset/%

綜上所述，結(jié)合DCCM 紋理特征的CNN 能夠有效提升SAR 圖像地物分類性能，取得優(yōu)異的分類結(jié)果。相比于傳統(tǒng)分類器，CNN 固然性能更加強(qiáng)大，但直接將原始數(shù)據(jù)輸入CNN 卻未必是最好的選擇。本節(jié)實(shí)驗(yàn)驗(yàn)證了結(jié)合手工提取的紋理特征可以進(jìn)一步提升CNN 的分類性能。在結(jié)合紋理特征的方法中，雖然MLPH-CNN 在AIRSAR 數(shù)據(jù)上分類精度略高于DCCM-CNN，但DCCM 方法整體表現(xiàn)更加穩(wěn)健，能在兩景數(shù)據(jù)、3 種分類器上均取得較好的結(jié)果。MLPH 特征雖然能夠提取多尺度紋理，但由于特征維度過(guò)高等原因，需要更強(qiáng)大的分類器才能發(fā)揮作用。并且MLPH 方法在UAVSAR 數(shù)據(jù)上表現(xiàn)不夠穩(wěn)健。而結(jié)合其他紋理特征的方法在分類精度和Kappa系數(shù)上都沒能超越DCCM 方法。尤其是在性能相對(duì)較弱的傳統(tǒng)分類器上，DCCM 方法的優(yōu)勢(shì)更加顯著，說(shuō)明DCCM 特征是一種高效、穩(wěn)健的SAR圖像紋理特征。

5 分析與討論

5.1 算法耗時(shí)分析

本文傳統(tǒng)分類器實(shí)驗(yàn)在MATLAB R2018b 上運(yùn)行，平臺(tái)配置為Intel Core i7-10750H CPU@2.60 GHz，內(nèi)存16.0 GB。CNN實(shí)驗(yàn)在python3.6+Tensorflow1.13上運(yùn)行，CPU 配置為Intel Xeon CPU E5-2699 v4@2.2 GHz，GPU 配置為NVIDIA Quadro RTX5000。上文所用幾種方法在特征提取和分類階段的運(yùn)算時(shí)間如表8、表9所示。由于幾種方法的DT分類時(shí)間都很短（1 s以內(nèi)），所以此處不作詳細(xì)討論。

表8 AIRSAR數(shù)據(jù)上的運(yùn)算時(shí)間Table 8 Computing time on AIRSAR dataset/s

表9 UAVSAR數(shù)據(jù)上的運(yùn)算時(shí)間Table 9 Computing time on UAVSAR dataset/s

結(jié)合兩表分析可以發(fā)現(xiàn)，在特征提取階段，Gabor 方法用時(shí)最短（小于5 s）。其次，速度較快的是CCM 方法（177 s 和312 s）。由于加入了方向信息，DCCM 方法的運(yùn)算耗時(shí)（250 s 和460 s）相對(duì)CCM有所增加。MLPH方法和GLCM方法耗時(shí)最長(zhǎng)，MLPH 方法耗時(shí)約為DCCM 方法的1.5 到2倍，而GLCM 方法耗時(shí)達(dá)到了將近3 倍。分類階段的運(yùn)算時(shí)間主要與特征向量維度和分類器有關(guān)，表中給出的分類時(shí)間為分類器訓(xùn)練與分類的時(shí)間總和。在SVM 分類器上，CCM 方法和DCCM 方法是耗時(shí)最短的。GLCM 方法和Gabor 方法分類耗時(shí)約為DCCM 方法的1.5倍，而MLPH 方法由于特征維度最高而耗時(shí)最長(zhǎng)。CNN 上的運(yùn)算時(shí)間由于受服務(wù)器狀態(tài)影響較大，沒有呈現(xiàn)出特別明確的規(guī)律。但仍然可以發(fā)現(xiàn)，MLPH 方法由于特征維度顯著高于其他方法，所需的訓(xùn)練和分類時(shí)間更長(zhǎng)。

結(jié)合前面的分類結(jié)果，可以看出Gabor 方法特征提取速度很快，但得到的紋理特征有時(shí)候缺乏足夠的鑒別力，分類性能一般。GLCM 方法在UAVSAR 數(shù)據(jù)上分類精度較高，但特征提取和分類都較為耗時(shí)。DCCM 方法在運(yùn)算耗時(shí)上相比MLPH 方法和GLCM 方法有一定的優(yōu)勢(shì)，并且在兩景數(shù)據(jù)上均取得了較好的分類精度。由此可見，DCCM方法較好地平衡了運(yùn)算效率和分類性能。

5.2 SAR圖像量化對(duì)紋理提取的影響

相比普通光學(xué)圖像，SAR 圖像通常呈現(xiàn)出更大的動(dòng)態(tài)范圍。有時(shí)候這種動(dòng)態(tài)范圍主要來(lái)源于二面角等結(jié)構(gòu)或金屬材質(zhì)的物體，它們?cè)诔上駡?chǎng)景中占比很小卻強(qiáng)度很大，造成圖像上大部分區(qū)域都顯得很暗且對(duì)比度不足。這對(duì)于面狀地物的紋理提取不利，特別是以GLCM為代表的一部分紋理特征，它們的運(yùn)算過(guò)程包含量化操作，即需要將輸入圖像的像素值劃分為一定的灰度級(jí)數(shù)。強(qiáng)散射點(diǎn)的存在可能會(huì)使本就對(duì)比度不足的暗區(qū)域被劃入很少的灰度級(jí)中，從而丟失了其中的紋理信息。相比之下，DCCM 可以直接針對(duì)浮點(diǎn)型數(shù)據(jù)進(jìn)行計(jì)算，在動(dòng)態(tài)范圍較大的場(chǎng)景不容易丟失信息，在SAR圖像上下文信息提取中更有優(yōu)勢(shì)。

圖14（a）展示了一個(gè)存在強(qiáng)散射點(diǎn)的森林區(qū)域SAR 圖像切片，從圖中可以觀察到暗部包含許多樹冠的紋理細(xì)節(jié)。圖14（b）則是將其量化為16個(gè)灰度級(jí)（GLCM 計(jì)算中的典型取值）后的圖像，對(duì)比發(fā)現(xiàn)大部分的樹冠紋理都丟失了，只剩下強(qiáng)散射點(diǎn)本身。

圖14 SAR圖像切片量化前后對(duì)比Fig.14 A slice of SAR image before and after quantization

為了定量分析幾種紋理特征在大動(dòng)態(tài)范圍場(chǎng)景下的性能，選取了兩個(gè)包含強(qiáng)散射點(diǎn)的SAR 圖像切片進(jìn)行分析。所選切片如圖15 所示，兩個(gè)切片對(duì)應(yīng)的地物分別為油菜籽和豌豆。這里通過(guò)兩種地物在不同特征空間中的類間距離與類內(nèi)距離之比來(lái)反映特征對(duì)地物的區(qū)分度，該比值越大，說(shuō)明地物可分性越好。其中，為了消除特征各維度的尺度和分布不一致的問題，用馬氏距離來(lái)衡量特征空間中樣本之間的距離。此外，為了避免強(qiáng)散射點(diǎn)本身對(duì)距離計(jì)算的影響，對(duì)整個(gè)切片提取特征后，切除包含強(qiáng)散射點(diǎn)的部分再計(jì)算距離，得到的結(jié)果如表10所示。從表中可以看到，DCCM和Gabor濾波這兩種提取過(guò)程不需要量化的紋理特征取得了較高的類間—類內(nèi)距離比。其中，DCCM特征呈現(xiàn)出最優(yōu)的地物區(qū)分性能。而GLCM特征和MLPH 特征的類間—類內(nèi)距離比則相對(duì)較低，驗(yàn)證了量化操作對(duì)大動(dòng)態(tài)范圍下的紋理提取有著一定影響。

表10 含強(qiáng)散射點(diǎn)切片的類間—類內(nèi)距離比Table 10 The ratio of inter-class distance to inner-class distance of slices with strong scattering points

圖15 包含強(qiáng)散射點(diǎn)的SAR圖像切片F(xiàn)ig.15 Slices of SAR images with strong scattering points

5.3 DCCM的高維拓展

上述的DCCM 構(gòu)造方式是針對(duì)單通道SAR 圖像提出的，但同樣可以推廣到多通道SAR 情形。以全極化SAR 圖像為例，將各極化通道上構(gòu)造的上下文散射矢量進(jìn)行拼接

全極化DCCM 不僅包含了空間維度的上下文信息，也包含了不同極化通道之間的相關(guān)信息。因此，全極化DCCM 進(jìn)一步拓展了信息容量。不難發(fā)現(xiàn)，DCCM 中協(xié)方差矩陣的維度僅與原圖像的通道數(shù)有關(guān)。比如單極化SAR 圖像中，DCCM 為一組3×3的協(xié)方差矩陣。而對(duì)于雙極化和全極化圖像，DCCM 則分別對(duì)應(yīng)6×6 和9×9 的協(xié)方差矩陣。矩陣的主對(duì)角元素含義仍然是對(duì)應(yīng)區(qū)域像素的平均強(qiáng)度，而非對(duì)角元素表示不同空間位置、不同極化的像素之間的相關(guān)。

6 結(jié)論

單通道SAR 圖像蘊(yùn)含著巨大的應(yīng)用潛力，但像元中有限的信息量卻限制了其應(yīng)用性能。對(duì)此，本文結(jié)合空間紋理信息對(duì)單通道SAR 圖像進(jìn)行信息維度拓展，提出了方向性上下文協(xié)方差矩陣。本文主要?jiǎng)?chuàng)新點(diǎn)包括：（1）提出了DCCM，將單個(gè)像元拓展為一組矩陣，增加了像元信息量，拓寬了信息維度。通過(guò)提取鄰域中不同方向上的散射強(qiáng)度變化，DCCM 能夠精細(xì)地表征圖像局部上下文信息。此外，DCCM 可以兼容復(fù)數(shù)浮點(diǎn)型數(shù)據(jù)而無(wú)需量化操作，對(duì)于動(dòng)態(tài)范圍較大的SAR 圖像具有更好的適應(yīng)性。（2）提取了DCCM 紋理特征。該特征通過(guò)對(duì)數(shù)變換改善了由于SAR 數(shù)據(jù)分布不均衡導(dǎo)致的紋理對(duì)比度不足的問題。并且DCCM 特征維度較低，無(wú)需復(fù)雜的調(diào)參處理。在此基礎(chǔ)上，構(gòu)建了一種SAR 圖像分類方法。該方法既可結(jié)合傳統(tǒng)分類器，又可結(jié)合深度學(xué)習(xí)方法，具有較好的實(shí)用性。

分別結(jié)合傳統(tǒng)分類器和CNN，本文在AIRSAR和UAVSAR 數(shù)據(jù)上開展了對(duì)比實(shí)驗(yàn)。結(jié)果表明，在傳統(tǒng)分類器上，所提方法的分類性能顯著優(yōu)于基于GLCM、Gabor 濾波和MLPH 的分類方法，總體精度提升達(dá)到7%以上。結(jié)合CNN 的實(shí)驗(yàn)中，DCCM 方法也展現(xiàn)出了優(yōu)異的分類性能和較好的穩(wěn)健性。未來(lái)的工作中，我們將考慮結(jié)合多極化、多時(shí)相的SAR 數(shù)據(jù)，探究DCCM 在多通道SAR 圖像上的特性，進(jìn)一步挖掘其應(yīng)用潛能。