中文摘要：

异质场景的极化信息建模与分类是SAR图像解译关键而困难的环节。研究高分辨率下全极化SAR异质场景的散射基元统计谱建模（表达）与分类在一定规模典型场景标注库基础上，首先从物理极化和图像视觉两方面着手，有针对性地研究典型场景的特征竞争与共享关系,建立场景有效底层特征表达；随后以在极化特征空间和图像空间同时具有实体性为约束，基于统计学习方法建立基本散射基元、明确机理散射基元和隐机理散射基元码本；基于空间统计技术和码本得到任意场景的散射基元统计谱（弥补底层特征与高层场景语义间语义鸿沟的中层表达）；参考感知科学的成果，基于多层次语义信息建立异质场景的高层信息表达（场景分类）；建立区域性典型异质场景散射基元统计谱实验库，进一步建立基于谱诊断特征，完整谱波形匹配和谱知识模型的异质场景分类算法。将为基于内容的高分辨率全极化SAR数据管理、检索、挖掘、分类，及目标检测和识别领域提供新思路、理论和方法。

结论摘要：

高分辨率使地物场景内部变得异质，需要新的特征表达和分类技术以适应这一改变。本项目研究基于全极化SAR数据的异质场景建模和分类技术。异质场景是相对于匀质场景（即均匀场景，同一场景的内容成分在极化特征域内表现具有统计一致性，例如水体，草地）而言。异质场景通常会包含两种以上主要的不同匀质成分。除对应于高层复杂语义（例如居民区）的异质场景外，SAR图像分辨率的不断提高也会使原本具有“特征一致性”的匀质场景变为“特征不一致”的异质场景。散射基元为在图像空间和散射机理特征空间同时具有实体性的基本单元，这里作为弥补底层特征和高层场景语义间语义鸿沟的中间表达基元。项目在以下几个方面取得了进展（1）基于SAR图像底层特征分别构建了明确语义散射基元和非明确语义散射基元，基于散射基元统计谱对城区场景进行了建模和分类，实验结果优于基于底层特征的分类。（2）针对SAR数据获取充足训练样本困难问题，从主动学习角度研究解决。通过将主动学习准则分为不确定性度量和代表性度量两部分以及考虑初始选取样本时的抽样偏差，提出了两种新的主动学习方法并在全极化数据上显示了其优越性。基于10年SAR海面溢油数据，系统总结了6种主动学习方法在4类分类器和3类评价指标下的表现。（3）为解决地形坡度造成极化信息变化使极化谱线间不可比较的问题，研究了基于RD模型和DEM模拟SAR图像，进而对SAR数据进行几何和极化方位角补偿的方法。（4）鉴于全极化SAR数据能否独立或作为光学数据的补充应用于土地覆盖分类需要大量研究和论证，以NLCD2006土地覆盖分类结果为参考分析了全极化SAR的土地覆盖分类精度，结果表明全极化SAR数据土地覆盖分类（尤其在一些特定类别如“有林湿地”类上）可以达到很好的分类质量。（5）完善了由单幅高分辨率SAR图像提取建筑数目信息的方法流程，申请并获得了国家发明专利授权。