66、机载高分辨率SAR图像分类与基于效用的网络对抗模型研究

机载高分辨率SAR图像分类与基于效用的网络对抗模型研究

1. 机载高分辨率SAR图像分类

1.1 研究背景

合成孔径雷达（SAR）凭借全天候成像、时效性强以及受环境条件影响小等特性，在灾害监测、环境调查、军事目标监视、变化检测、地图测绘等诸多领域得到广泛应用，受到国际社会的高度关注。然而，由于SAR图像与光学图像成像原理不同，传统光学图像分类方法难以满足SAR图像分类需求。因此，如何有效利用SAR图像新信息提高分类精度成为热门研究课题。

1.2 特征提取与选择

1.2.1 纹理特征

纹理是由相似纹理单元或模式构成的结构，体现了相邻像素间灰度、色调和颜色的统计规律及空间分布。SAR图像纹理特征表现为物体的形状、位置、均匀程度、空间相对关系和亮度对比度等，与图像灰度紧密相关。

灰度共生矩阵（GLCM）能反映图像的灰度方向、邻域间隔和变化程度等综合信息，是分析图像局部模式和排列规律的基础。基于此可提取更多描述纹理的特征，其定义为：
[P(i,j) = [p(i,j|d,\theta)]]
其中，(d)为间隔距离，(\theta)为方向，(P(i,j))表示灰度为(i)的点在距离为(d)、方向为(\theta)处出现灰度为(j)的点的概率。

为量化描述纹理，本文选取能量、惯性矩、相关性、熵、局部均匀性、方差和平均值作为特征系数，具体公式如下：
- 能量：
[E(d,\phi) = \sum_{i}\sum_{j}[p(i,j|d,\phi)]^2]
- 惯性矩：
[I(d,\phi) = \sum_{k}\sum_{i}\sum_{j}[