基于时变散射特征与CNN的双极化SAR作物分类

作物类型分类是极化合成孔径雷达(PolSAR)图像中最重要的应用之一。然而，由于成本和系统限制，越来越多的双极化SAR系统已经投入使用。由于双极化模式的限制，双极化SAR数据集存在严重的贴现特性，使得双极化SAR图像难以获得令人满意的分类精度，因此有必要提取更适合于双极化SAR数据集的散射特征。基于H/α分解的基本理论，引入了一个新的参数来测量农作物的时变散射特性，并针对双极化SAR图像提出了时变散射特征驱动的卷积神经网络(CNN)。实验结果表明:提出的CNN分类方法达到了最高的分类精度。与不同的特征组合输入相比，提出的新参数能稳定地提高分类器的分类性能，H、α、θ和强度特征的组合也能达到最佳的分类性能。     

基于多尺度CNN模型的多时相PolSAR图像作物分类

农作物分类是偏振合成孔径雷达(PolSAR)数据的重要应用之一。由于单时相PolSAR数据获取的信息有限，因此，采用多时相PolSAR数据，其含有农作物生长周期更丰富的特征信息。针对多时相PolSAR数据在极化特征分解时造成的“维数灾难”问题，提出了一种非负性约束稀疏自编码器(NC-SAE)的特征压缩方法，用于对分解后的特征数据进行压缩，以获得分类所需的有效特征。此外，构建了一种多尺度特征分类网络(MSFCN)，该网络可以提高农作物的分类性能，且优于目前传统的卷积神经网络和支持向量机方法。通过使用欧空局提供的数据进行仿真实验，对分类结果进行性能评估，并与传统方法比较。实验结果表明:所提的方法具有很好的农业应用前景。