- 文献综述（或调研报告）：
摘要：合成孔径雷达（SAR）影像被广泛应用，如何进行SAR图像的识别和分类也是人们研究的热点，也不断取得一些成果。本文在对这些成果进行系统总结的基础上，简要评析了总体的研究现状，列举并分析了现有的SAR雷达图像分类识别算法及其优缺点。
- 背景
合成孔径雷达(SAR)影像包含丰富的目标信息，近年来成为遥感识别领域的研究热点[1],被广泛应用于森林火灾监测、洪水检测、矿物勘探、地形测绘和制图、植物鉴别、地质普查、军事侦察、武器精确制导、打击效果评估和飞行器导航等领域[2]。极化SAR图像分类，是新体制雷达应用研究的基础qianyan 问题，其目的是利用各种极化SAR传感器获得丰富发极化测量数据，进而将图像中每个像素所属的类别进行准确标定。对于整个SAR图像信息处理而言，极化SAR图像分类是一个重要的研究方向，应用前景十分广泛[3]。
- 极化SAR特征参数提取的研究现状
在特征提取方面，国内外科研机构都十分重视，目前国际上比较著名的SAR ATR系统（如美国的SAIP系统）基本上都含有特征提取模块。当前，极化SAR特征提取中用到的特征主要分为以下三类：
- 基于目标分解的特征
该类特征将极化测量数据进行分解从而得到相关参数。1970年，Huynen首次对Mueller矩阵进行了分解，此后多种目标分解方法被陆续提出。主要包括：Cloude分解、SDH分解、Cameron分解、Freemam-Durden分解、Yamaguchi分解、Pauli分解等[4]。
- 基于测量数据简单组合的特征
主要包括基于各通道极化强度比率和相位差的特征、基于电压测量数据的特征、基于功率测量数据的特征、基于通道相关系数对数的特征和变化域特征等。
- 基于其他特征的提起
除了以上两类特征外，极化SAR特征提取还可利用其它一些特征，如纹理特征。纹理特征是一种描述图像数据灰度变化规律的特征，合理的利用SAR图像中的纹理信息对提高图像分类精度有着积极意义。1994年，Pierce利用纹理方差并结合一些其它特征提出了一种基于知识的分类算法[5]
- 极化SAR图像分类的发展
合成孔径雷达分类的研究到现在为止已发展有20几个年头。1988年麻省理工的孔金瓯教授带领他们的研究小组第一次利用得到的极化SAR数据进行了第五分类研究。孔金瓯教授等使用的是Bayes的方法，这是最早的极化SAR分类研究。1989年，范齐而第一个提出把基于知识的发那个发和极化散射机制的方法结合起来并将其应用到极化SAR分类问题中，成为了首个利用散射机制对极化SAR进行分类的方法。两年之后，Pottier首次把神经网络的方法用到极化SAR的分类问题中。1992年，Rignot等人在研究极化SAR分类问题时，应用了Markov随机场的方法，这种方法充分考虑到像素的空间相关性。1994年，Lee等人提出了基于Wishart分类的ML分类。1997年，Cloude等人发表了一篇文章，这篇文章主要介绍了一种基于H/alpha分解的极化SAR分类方法，得到了不错的分类效果。1999年，Lee把H/alpha分解和Wishart分类器相组合，提出了基于H/alpha分解和Wishart分类器的无监督的分类方法对极化SAR数据进行分类。2001年，Fukuda把支撑矢量机引入到极化SAR分类中，用支撑矢量机对极化SAR目标进行 地物分类。2004年，LEE等人又提出一种将Freeman分解和Wishart分类器结合起来对极化SAR影像地物进行分类的方法，这种方法，这种方法可以保持雷达数据的极化散射特征[6]。
- 极化SAR图像分类的研究现状
现在对极化SAR数据进行分类的方法主要分为两种，即监督分类和非监督分类[7]。
