极化合成孔径雷达(polarimetric synthetic aperture radar,Pol SAR)图像中的一个像素对应地面一个小区域内的地物,同一种地物的像素形成一定结构与纹理特性的连续区域。在极化SAR图像分类任务中,通常采用的图像分类方法都是半自动的,也就是在人为给定一些监督信息的基础上用自动化的方法来推理整幅图像的标签。由于极化SAR图像中含有大量相干斑噪声与混合像元,这些半自动化分类方法中人工给定的监督信息又是有限并且不完全可靠的。因此,如何从这些有限而不完全可靠的监督标记中学习有效的信息成为一个重要任务。而如何将学到的有效监督信息与极化SAR数据本身的统计特性,图像的结构特性结合来更有效地推理整幅图像的标签成为极化SAR图像分类任务的一个难点问题。本课题针对Pol SAR图像分类的理论与应用问题,并依托于国家自然科学基金面上项目:“基于脑启发的Pol SAR图像深层协同表示学习与分类(No.61671350)”,做出了以下探索性与原创性的工作。事实上,前面提到的图像的纹理与结构特性以及人工标记的标签的有限不准确性都可以当作是在极化SAR图像数据分类问题中的先验知识,这些先验知识将从贝叶斯模型中的先验,似然,以及后验三个角度,通过结合深度学习优异的学习能力与贝叶斯学习出色的知识推理能力,实现每一个深度贝叶斯学习模型的建立。更具体的创新性贡献如下所述:·针对人工给定的监督信息有限并且不完全可靠的问题,提出两种不同的生成式/判别式混合深度贝叶斯学习模型对数据与分类似然函数建模,通过结合先验信息完成最大后验分布从而实现对极化SAR图像的有效分类。首先,提出用生成项来对极化SAR数据统计特性对似然分布进行拟合,用判别项学习分类似然分布。通过二者同时学习数据的统计分布特性与图像特征实现对监督信息有限的弥补,从而在少的监督信息下得到高的分类精度。其次,提出一种鲁棒的分类器学习策略。在基于贝叶斯字典学习的框架下,通过对不完全可靠的监督信息作为分类似然函数的先验分布假设来减少不可靠信息对分类性能的影响,从而使模型在标记信息不完全准确的情况下得到高的分类准确率。·针对图像中地物具有的结构化特性,提出三种不同的深度贝叶斯学习模型来解决极化SAR图像分类中存在的一些理论与应用问题:首先,针对图像中不同类别的像素数目出现的不平衡问题,提出一种代价敏感的隐空间深度贝叶斯学习模型。通过用不同的隐空间描述数据在特征域的似然分布,并对不同空间的似然函数加权不同的系数来促使类间有不同的分类偏置,从而实现对不平衡类别的有效分类。由于代价系数的自适应计算特性,提出的算法对于平衡,不平衡的Pol SAR数据分类性能都好。其次,针对极化SAR分类模型中基于统计分布的方法中参数点估计不准确的问题,提出从更多像素中变分学习极化SAR的Wishart分类器中的分布参数。对数据建立混合Wishart似然分布,并且由变分贝叶斯学习实现对数据真实分布的下界的提升。该模型使用Wishart分类器无法正确区分的类别可以被正确分类,同时对区域一致性进行标签先验的建模,实现从极大似然分类到最大后验分类的转化。最后,提出一种生成式深度贝叶斯学习模型进行结构化标签矩阵的补全。通过对极化SAR图像的标签分布学习一个似然函数,从而来从有限的监督信息中推理整幅图像的标签,而不是对整幅图像中像素进行分类。由于对图像下采样的处理,使得算法在降低了计算复杂度的同时,又显著提高了相同监督信息下的分类准确率。