合成孔径雷达图像解译一直以来都是计算机视觉、图像处理领域的研究热点,其在国防侦查,智能控制,海洋观测、灾害监测、地质测绘、资源勘探、精细农业、环境保护等方面广泛应用。数十年以来,有大量国内外学者从事合成孔径雷达图像解译方法的研究。传统的检测算法在特征提取过程中需要大量的先验知识,需要对雷达处理算法、模式识别方法有着深入理解之后,才能开展工作。识别效果随着检测算法和算法参数,在结果上往往呈现出很大的差异。近年来,随着数据的高速增长,利用深度学习方法对合成孔径雷达图像进行自动分析,完成发现、定位、识别,是当前合成孔径雷达图像检测和模式识别领域的研究热点,具有重要的军事价值和民用价值。深度学习算法立足于数据本身,通过数据使得机器像人一样具有学习能力,在神经网络模型的输出端通过比对预先标记的结果,计算网络的偏差,在多次迭代之后,模型的性能逐步提升。其中卷积神经网络甚至可以直接输入图像,不需要复杂的预处理和特征提取,在经过大量数据的训练之后,网络可以自动分析出图像的信息,使得图像解译的门槛极大地降低。本文利用深度学习的方法,在合成孔径雷达图像的地物分类和道路检测两个方面做出探索,主要的创新工作和研究成果如下:1.针对传统地物分类方法在少量样本下分类精度不高的问题,本文提出结合支持向量机和卷积神经网络的一种半监督学习算法,避免了深度学习需要大量样本这一数据上的局限性,在利用传统的特征提取方法,提取了图像的灰度特征、雷达散射截面、Gabor小波变化、灰度共生矩阵这些特征之后。利用PCA降维后的特征值训练支持向量机。利用训练后的支持向量机,对数据进行标注。同时,引入置信度的概念,在选取了足够的置信度高的样本集之后,训练卷积神经网络。经过前向传播网络输出预测值之后,采用交叉熵损失函数来评估预测值与样本真实分布的偏差。在优化模型的过程中,采用随机梯度下降算法,从而避免遍历整个训练集计算梯度,简化了计算量。通过这种半监督学习的方式,在少量样本下,仍旧可以达到神经网络优异的性能。实验结果表明,本文半监督学习的方法,利用少量训练样本,可以达到近似于完全监督学习状态下的卷积神经网络的分类精度。2.由于合成孔径雷达图像在识别道路过程中,不可避免地受相干斑噪声的影响。传统算法需要对相干斑噪声先进行抑制之后,选取合适的算法进行识别,并且识别效果受算法参数的影响很大。针对以上问题,本文选用了生成对抗网络提取道路,避免了降斑以及人工调参,在模型的输出端自动生成提取的道路图片。本文的方法是,预先对包含道路的合成孔径雷达图片进行一对一的道路标注,形成训练集,由生成对抗网络的生成器学习这种雷达图像至提取图像的映射关系。在网络的判别器,判别提取图像与标注图像的真伪。反向的误差传递,生成器的提取结果不断提升,不断接近于真实的标注图像,去迷惑判别器的鉴定结果。同时判别器也在不断学习过程中进化,它判断图像是真实的标注图像还是生成器生成的提取图像的能力在不断提升。在这种对抗学习过程中,模型得到的道路提取图像不断接近于真实的标注图像。由于这种训练,是在切片方式下完成的,大图的道路提取,需要对图像进行滑窗,对窗口内的切片分别进行识别,最终完成大图的道路提取。在大图的道路提取过程中,网络不可避免地产生了些细碎杂讯,本文利用模糊C均值方法,对这些滑窗方式的产生切片的识别结果进行像素统计量的聚类,滤除了细碎的杂讯。实验结果表明,本文的方法可以有效提取合成孔径雷达图像中的道路,比传统方法更加的简便,可以提取更多的道路。