从人们开始研究极化SAR图像到现在,已经过去了近三十年的时间,很多经典的极化SAR图像分类方法早已经被广泛地应用到了现实生活中的各个领域。在极化SAR图像研究这方面,可以说,科研工作者已经取得了十分不错的成绩。现如今,极化SAR的研究结果已经开始面向民用,这就对极化SAR图像的主动解析提出了更高的要求。尽管现在的技术获取极化SAR数据的能力已经提高了许多,但是极化SAR对应的图像信息处理技术仍然有进一步的发展空间。本文主要研究基于稀疏学习和深度Directionlet网络的极化SAR图像分类。深度神经网络是不断地高度抽象极化SAR的低层特征,高度逼近复杂函数,进而提取极化SAR图像中的深层次特征。而稀疏学习可以降低极化SAR数据信息的冗余度,可以高效提取特征信息。论文中提出了三种不同的极化SAR图像分类。本文利用稀疏学习和深度Directionlet网络对极化SAR图像进行特征提取,然后进行分类,得到分类结果。主要工作总结如下:(1)提出一种基于多层SVM和超像素稀疏编码的极化SAR图像分类。此方法首先选取一定比例的训练样本,使用SVM算法进行分类,然后根据SVM算法的分类结果对所有样本点进行重要采样。对于重要样本点,一方面用于下一次的SVM分类,如此迭代,构成多层SVM;另外还用于字典的训练和超像素稀疏编码方法的分类。由于多层SVM的分类结果中,同类地物中错分点较多,但边界处分类效果较好,而超像素稀疏表示分类结果中,同类地物中分类效果较好,但边界处分类效果较差。因此,针对两种方法的分类结果采用投票机制,扬长避短,可得到较好的分类结果。(2)提出了一种基于深度Directionlet网络的极化SAR图像分类。本方法是基于卷积神经网络框架的,将卷积层的滤波器组通过高斯小波基函数后,再各个滤波器旋转不同的角度,得到新的滤波器组。使用新的滤波器组对图像块进行卷积后,再通过下采样层,提取深层次的特征,最后通过全连接层,得到最终的分类结果。使用新滤波器组的CNN不仅可以获取小波信息,还可以得到不同的方向信息,有利于提取更加丰富的信息,进一步提高分类精度。(3)提出一种基于多尺度深度Directionlet网络的极化SAR图像分类。由于传统滤波器的尺寸只能单一设定,这就限制了参数的灵活性,不能同时对全局和局部特征进行提取。因此本方法中使用多种不同尺寸的滤波器对同一图像块进行卷积,既可以提取图像的局部特征,也可以提取全局特征,形成多个通路,在全连接层将多通路合并,称之为多尺度深度Directionlet网络。实验表明,采用本方法相比于深度Directionlet网络,分类精度又有进一步提高。