极化合成孔径雷达图像分类是遥感图像处理的关键。现有的高分辨极化合成孔径雷达图像分类方法存在多通道数据结构复杂、异质地物判别特征提取困难等问题。针对上述问题，本书构建了基于视觉认知驱动的一系列极化合成孔径雷达图像分类模型和方法。主要内容包括：构建新的边线检测模型，有效检测异质地物内部结构和弱边界；建立极化合成孔径雷达图像视觉层次认知表征，实现极化合成孔径雷达图像复杂场景的语义划分；建立基于视觉层次语义模型和极化特性的极化合成孔径雷达图像地物分类方法；建立基于素描图和自适应马尔可夫随机场的极化合成孔径雷达图像分类算法，自适应学习同屏质地物判别特征和精确边界信息；本书探索了视觉认知和数据联合驱动的极化合成孔径雷达图像分类新模型和新方法，实现极化合成孔径雷达图像复杂场景的多地物精准分类，为极化合成孔径雷达图像解译和目标识别提供新思路。
本书既可以作为高等院校计算机科学与技术、人工智能等专业的研究生教材，也可作为相关领域技术人员的参考用书。

前言
符号对照表
缩略语对照表
第1章 极化SAR图像分类概述
1.1 引言
1.2 极化SAR图像数据
1.2.1 极化SAR数据表示
1.2.2 极化SAR数据的统计分布
1.3 极化SAR图像分类算法研究现状和挑战
1.3.1 极化SAR图像分类算法研究现状
1.3.2 极化SAR图像分类的难点和挑战
1.3.3 视觉认知模型发展现状
1.4 视觉计算理论和初始素描模型
1.4.1 Marr视觉计算理论
1.4.2 初始素描模型
1.5 深度学习模型
1.5.1 卷积神经网络
1.5.2 深度置信网络
1.5.3 深度自编码
1.6 本书的贡献和内容安排
第2章 极化SAR边线检测算法
2.1 引言
2.2 极化CFAR检测算法
2.2.1 极化CFAR检测算法的基本概念
2.2.2 极化CFAR检测算法的缺点
2.3 融合极化机理和梯度学习的极化SAR边线检测算法
2.3.1 基于SPAN图的加权梯度边线检测
2.3.2 基于语义规则的小波融合
2.4 实验结果和分析
2.4.1 实验设置
2.4.2 L波段旧金山地区实验结果和分析
2.4.3 C波段极化SAR图像实验结果和分析
2.5 本章小结
第3章 极化SAR图像的视觉层次语义模型
3.1 引言
3.2 极化SAR图像的视觉层次语义模型与框架
3.2.1 视觉层次语义模型构建动机
3.2.2 视觉层次语义模型数学表示
3.2.3 视觉层次语义模型的框架
3.3 初层语义：极化SAR素描图的构建算法
3.3.1 极化边线检测算法
3.3.2 素描线的选择
3.4 中层语义：区域图构建算法
3.4.1 基于图规则和素描线段局部统计特性的素描线段分组
3.4.2 聚集区域提取
3.4.3 结构区域提取
3.5 实验结果和分析
3.5.1 多组极化SAR图像验证模型有效性
3.5.2 参数分析
3.6 本章小结
第4章 基于层次语义模型和极化特性的极化SAR地物分类
4.1 引言
4.2 算法框架
4.3 语义分割算法
4.3.1 初始分割
4.3.2 聚集区域分割算法
4.3.3 结构区域分割算法
4.3.4 层次分割算法
4.4 语义一极化分类算法
4.4.1 H／□-Wishart分类
4.4.2 融合语义分割和极化机理的分类策略
4.5 实验结果和分析
4.5.1 实验数据和设置
4.5.2 合成极化SAR图像的实验结果和分析
4.5.3 BSAR卫星L波段极化SAR图像实验结果和分析
4.5.4 AIRSAR卫星L波段极化SAR图像实验结果和分析
4.5.5 CONVVAIR卫星极化SAR图像实验结果和分析
4.5.6 RadarSAT-2卫星C波段极化SAR图像实验结果和分析
4.5.7 参数分析
4.6 本章小结
第5章 基于极化素描图和自适应邻域MRF的极化SAR地物分类
5.1 引言
5.2 极化素描图
5.3 基于极化素描图和自适应邻域MRF的极化SAR地物分类算法
5.3.1 极化SAR数据分布
5.3.2 基于素描图的自适应MRF模型
5.3.3 算法描述
5.4 实验结果和分析
5.4.1 实验设置
5.4.2 仿真数据的实验结果和分析
5.4.3 CONVAIR卫星Ottawa地区极化SAR图像实验结果和分析
5.4.4 BSAR卫星L波段极化SAR图像实验结果和分析
5.5 本章小结
第6章 基于深度学习和层次语义模型的极化SAR地物分类
6.1 引言
6.2 深度自编码模型
6.3 极化层次语义模型
6.4 DL-HSM算法
6.4.1 聚集区域的深度自编码模型
6.4.2 结构区域边界定位
6.4.3 匀质区域的层次分割和分类
6.5 实验结果和分析
6.5.1 实验数据和设置
6.5.2 合成图像实验结果和分析
6.5.3 AIRSA卫星L波段极化SAR图像实验结果和分析
6.5.4 CONVAIR卫星极化SAR图像实验结果和分析
6.5.5 RadarSAT-2卫星C波段极化SAR图像实验结果和分析
6.5.6 参数分析
6.6 本章小结
参考文献

极化合成孔径雷达图像
的地物分类是图像处理的主
要任务，是图像理解和解译
的前提。相比于传统的合成
孔径雷达(SAR)图像，极化
SAR，图像含有更加丰富的
地物信息，是多参数、多通
道的成像雷达系统。然而，
对于异质结构区域，由于散
射特性复杂，结构千差万别
，对其分类存在很大的难度
。尤其是聚集地物，如城区
、森林等，是由多个同类目
标聚集形成的，这种区域内
部目标和地面散射变化差异
大，形成强烈的亮暗变化，
这些变化重复出现，形成了
聚集地物。如何将聚集地物
分为语义上一致的区域并保
持边界细节，是极化SAR地
物分类的一个难点问题。目
前，极化SAR分类方法的研
究主要依靠极化散射特性的
分析和基于像素底层特征的
提取，为了能够对图像进行
更高层次的理解和解译，高
层语义信息的挖掘也是很有
必要的，是进一步图像理解
和解译的关键。
本书中，我们对极化SAR
，图像进行了深入分析，不
仅充分挖掘了极化SAR的散
射特性，还进一步从视觉认
知角度构建视觉层次语义模
型，提出一系列有效的新模
型和极化SAR地物分类方法
。本书共6章，主要内容如
下。
第1章，介绍了现有极化
SAR图像的基本概念，极化
SAR图像分类的国内外发展
现状，现有分类方法存在的
主要问题和难点，以及本书
提出方法的创新之处。
第2章，提出了一种新的
基于小波融合的极化SAR图
像边线检测算法。极化
CFAR检测算法能够有效地
抑制斑点噪声，因为其考虑
了斑点噪声的Wishart分布
模型。然而，它难以检测异
质区域的边界细节，如城区
内部的细道路等，这是因为
在异质区域中，滤波器内像
素已难以满足相干斑一致性
假设。为了克服这个缺点，
我们通过融合极化CFAR检
测算法和加强梯度检测算法
，提出了一种新的边线检测
算法，该算法结合了极化
CFAR和加强梯度检测算法
的优势，并抑制其缺点。使
用小波变换对这两种互补的
检测算法进行融合，并定义
语义规则。另外，为了抑制
梯度检测算法的噪声影响，
对梯度检测结果采用降斑策
略。实验结果表明，提出的
算法能够有效地检测弱边界
和异质区域的细节。
第3章，提出了极化视觉
层次语义模型，将极化SAR
图像划分为三种结构类型区
域。对于极化SAR图像分类
，如何将聚集地物分为语义
上一致的区域是一个难题。
为了解决这个难题，本书提
出了一种视觉层次语义模型
，该模型包括初层和中层语
义。初层语义是极化素描图
，它是由素描线段构成，是
极化SAR图像的稀疏表示。
中层语义是区域图，该图是
通过挖掘素描图中素描线段
的空间邻域关系而得到的。
该图将极化SAR图像划分为
聚集、结构和匀质三种区域
类型。实验结果表明，提出
的视觉层次语义模型能够很
好地划分极化SAR图像的三
种结构类型区域。
第4章，提出了一种新的
基于视觉层次语义模型和极
化特性的极化SAR地物分类
方法。针对复杂的极化SAR
场景，为了对不同类型的地
物进行精确分类，本书根据
提出的视觉层次语义模型，
将区域图映射到极化SAR图
像上，并将极化SAR图像划
分为聚集、结构和匀质三种
区域类型。然后，用均值漂
移对图像进行初分割，对不
同的区域类型，根据其特点
设计不同的区域合并策略，
得到语义分割结果。另外，
进一步构建语义——极化分
类器，将语义分割和基于散
射特性的分类结果进行融合
，得到更优的分类结果。通
过对不同波段、不同传感器
得到的真实数据进行测试，
验证了提出的算法能够获得
语义上一致的区域和边界细
节。
第5章，提出了一种无监
督的基于素描图和自适应马
尔可夫随机场的极化SAR图
像分类算法。MRF模型是极
化SAR图像分类的一种有效
工具。然而，在传统的MRF
方法中，由于缺乏合适的上
下文信息，分类结果的边界
保持和区域一致性一直是矛
盾的。为了既保持边界细节
，又获得一致的区域，本书
基于极化素描图，提出了一
种自适应的MRF框架。极化
素描图能够提供详细的边界
位置和方向，这些信息能够
有效地指导边界邻域结构的
选择。具体地，极化素描图
能够将极化SAR，图像划分
为结构区域和非结构区域，
然后对不同的区域进行自适
应邻域学习。对于结构区域
，构建几何结构块对图像细
节进行保持。对于非结构区
域，设计最大一致区域来提
高区域一致性。通过对仿真
和真实数据的实验表明，提
出的算法既能够获得好的区
域一致性，又能够得到细节
边界。
第6章，提出了基于深度
学习和视觉层次语义模型的
极化SAR图像分类方法。针
对复杂场景的极化合成孔径
雷达图像，堆叠自编码模型
能够自动学习图像结构特性
，有效表示城区、森林等复
杂地物的结构，然而，对图
像边界和细节却难以保持。
为了克服该缺点，本书结合
深度自编码器和极化视觉层
次语义模型，提出了新的无
监督的极化SAR图像分类算
法。该方法根据极化视觉层
次语义模型，将复杂的极化
SAR图像划分为聚集、匀质
和结构三大区域。对于聚集
区域，采用堆叠自编码模型
进行高层特征表示，并构