监督分类方法［7-9］。无监督分类方法就是没有训练数据和先验知识，将图像划分为不同的类别［10-18］。监督分类是目前普遍运用的方法之一。但极化 SAＲ 数据往往难以获得高质量、大量的标记样本，从而影响监督分类精度。针对上述问题，不少学者将主动学习算法引入到 SAＲ 图像分类领域中［19-23］，希望能从少量的标记样本中得到尽量丰富的特征信息。Joshi 等提出基于最优次优的主动学习样本选择准则; Demir 等还将主动学习做了推广，引入多样性条件，能够一次挑选多个样本等等。利用主动学习的分类效果在一定程度还是依赖分类器的性能。常应用在建筑区提取的分类器，如王宇飞［24］提出的基于规则 SVM分类方法进行有监督的建筑区提取; 刘海飞等［25］利用最邻近分类获得建筑区等。但这些方法都无法解决样本有限和分类复杂等问题。深度学习可以通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示［26］。因此，深度学习可以在有限标记样本下，解决复杂的分类问题。针对上述问题，提出一种主动学习和深度学习结合的极化 SAＲ影像建筑区提取方法。该方法通过结合最优次优准则的主动学习和深度学习自动编码器模型，首先通过自动编码器对训练样本训练，得到初始分类器; 接着利用主动学习得到未标记样本中最富有信息量的样本进行人工标记; 并将标记好的样本加入到训练样本中重新训练分类器。分别采用美国旧金湾区域 ＲADAＲSAT-2 和南京六合区域ALOS-2 极化 SAＲ 影像进行建筑区提取实验。实验结果表明传统的 SVM 方法和深度学习方法加入主动学习后建筑区提取精度都有所提高，而本文方法在检测率、漏警率和虚警率方面均优于其他 3 种方法。1 建筑物极化 SAＲ 特征提取极化 SAＲ 数据虽然涵盖了完整的地物极化散射信息，但是没有相应地物的具体物理解释。于是，不少学者提出极化目标分解技术，该技术将目标的散射过程分解为代表不同散射机理的若干项之和，根据散射机理与目标地物的对应特征进行划分［27］。极化 SAＲ 目标分解方法主要分为Pauli 分解、Krogager 分解等为代表的相干分解和H / A / α 分解、Freeman 分解等为代表的非相干分解。其中基于散射模型的非相干目标极化分解方法中 Freeman 三成分分解方法仅适用于反射对称性情况，而城镇等复杂建筑地区可能不再满足反射对称性假设条件。Yamaguchi 等［28］在此基础上提出了四成分分解方法，引入了第 4 种散射成分，适用于城镇等非均匀地区。此后提出的 Freeman二分量分解只适用于森林; 基于 Kennaugh 矩阵的二分量非相干目标分解中 Huynen 分解结果表明该方法对称分量较高，城市不规则成分较少，植被区域和城市区域的不对称成分的功率值偏小，容易造成建筑的漏分，但之后提出的 Barnes、Holm分解方法弥补了 Huynen 分解的这一不足［29］。相干分解中 Pauli 分解受相干斑影响严重，虽能大致区分地类，但细节部分地物混淆严重［30］。通过以上各类方法的对比分析得出有利于建筑提取的极化散射特征。利用 Krogager、Huynen、Barnes、H / A / α、Yamaguchi、Holm 极化目标分解方法提取极化分解特征，共 19 维。采用基于深度学习的分类方法进行深层的特征学习与提取，提取更加有效的极化 SAＲ 数据特征，从而能够减少由于样本有限和分类复杂对数据分类精度造成的影响。根据文献［31］可知，深度学习可以提取更具可分性和不变性的数据，不会造成信息冗余。将19 个特征组成特征向量，并利用式( 1) 进行归一化，以便后续处理。Xnorm= ( X－Xmin) /( Xmax－Xmin) ． ( 1)式中，Xnorm、Xmax和 Xmin分别指特征归一化值、特征最大值和特征最小值。2 极化 SAＲ 影像建筑区提取2．1 基于自动编码器的深层特征提取自动编码器是一种由输入层、隐含层和输出层 3 层结构组成，尽可能复现输入信号的典型的深度学习算法。基本思想是将神经网络的隐含层看成编码器和解码器，输入层数据 x 经过隐含层h 的编码和解码，到达输出层 y，确保输出的结果尽量与输入数据保持一致，实现非监督地提取更具地物可分性的深层特征。其计算公式为h = fx= Sf( x W + b1) ; ( 2)y = gh= Sh( h W*+ b2) ; ( 3)J( w，b) = ∑x∈SL( x，g( f( x) ) ) ． ( 4)式中: 通过损失函数 J( w，b) 对参数 W、b1和 b2进行监督微调，使得 y 尽可能地复刻 x 值; Sf和 Sh分别为编码器和解码器的激活函数，Sf一般选用sigmoid 函数，Sh可以选用 sigmoid 函数和恒等函数; 权重矩阵 W*通常选用 WT。S ={ X( i)}Ni = 1为训第 35 卷第 3 期 邓鸿儒，等: 利用主动深度学习提取极化 SAＲ 影像建筑区972集; L( x，y) 表示 x 与 y 的相似程度，又称重构误差。当 Sh为 sigmoid 函数时，L( x，y) 表示为L( x，y) = － ∑ni = 1［xilnyi+ ( 1 － xi) ln( 1 －yi) ］; 而当Sh为恒等函数时，L( x，y) = ‖x－y‖2。基于自动编码器的分类应用可选择各种分类器，其中 softmax 分类器在深度学习中有非常广泛的应用。因此通过自动编码器连接一个 softmax分类器构成整个深度神经网络，如图 1 所示。在利用训练样本训练 softmax 分类器时，可以通过损失函数进行整个神经网络参数的微调。若训练样本数量不足以训练分类器，会造成神经网络的参数微调效果不佳。这时使用主动学习在未标记样本中选取质量较高的样本添加到已标记样本中，再次训练 softmax 分类器，微调参数，优化自编码模型。图 1 基于自动编码器与 softmax 的分类示意图2．2 基于 Bv SB 准则的主动学习Bv SB ( Best vs Second Best) 准则中［18］，仅仅考虑属于样本中分类效果最优和次优的两个类别，而忽略其他对该样本分类结果的影响。Bv SB准则可以表示为Bv SB = Minxi∈U( P( yB| xi) －P( ySB| xi) ) ． ( 5)式中: U 为未标记样本; P( yB| xi) 和 P( ySB| xi) 分别为样本 xi的最优类别概率和次优类别概率。基于 Bv SB 准则的主动学习，首先计算未标记样本中每个样本的各类别后验概率; 然后根据式( 1) 得到各样本间概率差值; 最后选择概率差值最小的样本进行人工标记。所以 Bv SB 准则可以更直观地表现样本的不确定性。2．3 建筑区提取流程由于极化 SAＲ 训练样本有限，数据复杂，采用 Bv SB 主动学习与自编码深度网络模型相结合进行建筑物提取、自编码深度网络模型的训练、Bv SB 主动学习、训练样本的更新以及分类器模型的更新。基于主动深度学习的极化 SAＲ 图像分类算法实现流程如图 2 所示。图 2 基于主动深度学习的极化 SAＲ 建筑物提取流程图3 极化 SAＲ 影像建筑区提取实验3．1 实验数据与预处理分别采用 ALOS-2 和 ＲADAＲSAT-2 两组极化SAＲ 数据进行实验，如图 3 所示。( a) ALOS-2 实验区假彩色合成 ( b) ALOS-2 真实地物参考图( c) ＲADAＲSAT-2 实验区 ( d) ＲADAＲSAT-2 真实地物假彩色合成 参考图图 3 实验数据图 3 中 ALOS-2 全极化 SAＲ 数据位于江苏省六合区，空间分辨率为 10 m，数据大小为 300 像素×500 像素。ＲADAＲSAT-2 全极化 SAＲ 数据位082 测 绘 科 学 技 术 学 报 2018 年旧金山，空间分辨率为 5 m，数据大小为800 像素× 300 像素。为了降低噪声对实验结果的影响，在实验前采用 Ｒefined-Lee 滤波、5×5 的窗口对两组数据进行预处理。3．2 模型调整基于自动编码器与 softmax 分类方法( 简称Deep 方法) 中的参数，依据 Mc Kendall 等［32］提出的参数选择意见设定: 隐含层衰减参数为 0．001，稀疏性惩罚因子为 3，稀疏性参数为 0．1，迭代次数为 1 500，其余参数固定。通过逐次改变层数的方法得到自动编码器模型的最佳层数，用同样的方法得到隐含层节点的个数。以整体精度作为评价指标，利用 ALOS-2 和 ＲADAＲSAT-2 两组数据，对比隐含层数为 1～5 时的结果，得出当隐含层数为 2 时，精度最高，因而设本文隐含层数为 2。在对比实验中利用支持向量机进行分类( 简称 SVM方法) 时，选取径向基作为核函数，涉及到的参数C 和 σ 的值在 0．001 ～ 1 000 之间通过网格法搜索获得。3．3 建筑物提取结果精度评价与分析为了验证主动深度学习方法在建筑物提取中的有效性，将本文方法的提取结果与其他方法提取结果进行对比分析。利用真实地物参考图标注的点选择本实验的未标记样本 U 和测试样本 T。为分析样本数对分类结果的影响，在真实地物参考图标注的点中随机选择标记样本。选取 90 个样本，即 2 种地物类别，每类 45 个样本。主动选择样本时，首先每类选择 5 个样本作为标记样本，运行自编码深度网络模型进行有监督训练; 然后根据 Bv SB 准则选择 5 个最有价值的样本对其进行人工标记，重新加入训练样本中进行模型训练，并循环 15 次。从两组实验数据中，每类别随机选取不同数目样本进行 SVM 和 Deep 分类，分类精度如表 1 所示。表 1 随机选取不同数目样本的 SVM 和 Deep 分类精度 %每类样本数总体精度( OA)ALOS-2Deep SVMＲADAＲSAT-2Deep SVM5 68．75 67．00 83．84 81．1410 72．89 71．26 87．00 85．6315 74．60 73．70 89．48 86．9020 76．44 75．00 90．30 89．1025 79．30 76．20 93．64 91．6130 81．80 81．52 94．12 92．0435 84．00 83．26 94．76 93．3240 84．72 84．34 95．52 94．1045 85．35 84．62 95．55 94．70由表 1 可以看出，相同样本数目下 Deep 方法的分类精度高于 SVM 方法，并且两种分类方法的分类精度都是随样本数目的增加而提高的。在初始样本数为 10 时，分类精度已大于 50%，满足最优次优的准则。因此，主动学习开始时，每类选择5 个样本，之后每次迭代主动选择 5 个满足条件的未标记样本，进行人工标记训练分类模型进行网络调整。基于主动学习的支持向量机和深度学习分类精度如图 4 所示( 随机选取样本的 SVM 和Deep 方法分别记为 SVM-ＲS 和 Deep-ＲS，主动选择样本的 SVM 和 Deep 方法分别记为 SVM-AL 和Deep-AL) 。( a) ALOS-2( b) ＲADAＲSAT-2图 4 基于主动学习的 SVM 和 Deep 分类精度从图 4 可以看出，每次迭代 Deep-AL 的分类精度都高于 SVM-AL，并且两种方法的精度都随迭代次数的增加而提高。并且 Deep-AL 方法样本数 30 时与 Deep-ＲS 方法样本数 60 时的分类精度相似。在后续迭代次数增加过程中，Deep-AL方法并没有相较于 Deep-ＲS 显著地提升。因此选取样本数为 30 时的 ALOS-2 数据进行 4 种方法的定性分析。图 5 和图 6 是两组实验数据的建筑物提取结果与对应区域 Landsat 8 的叠加效果。图 5 中，主动深度学习方法提取的建筑物更加完整连续，Deep-ＲS、SVM-AL 和 SVM-ＲS 这 3种方法的提取结果有些散乱，建筑区中错误地引入了植被、道路以及荒地。图 6 中，Deep-AL 建筑区提取结果中有少量道路、植被错分; 而 SVM-AL方法又有部分海域、荒地被分到建筑区; 随机选择样本方法中则存在较多的道路、植被、荒地、海域错分。第 35 卷第 3 期 邓鸿儒，等: 利用主动深度学习提取极化 SAＲ 影像建筑区182: 2018-04-02; 修回日期: 2018-06-06。基金项目: 国家自然科学基金项目( 41301449) ; 卫星测绘技术与应用国家测绘地理信息局重点实验室经费项目( KLSMTA-201704) 。作者简介: 邓鸿儒( 1994－) ，女，江苏徐州人，硕士生，主要研究方向为遥感图像处理与分析。E-mail: 1426020082@ qq．com( a) Landsat 8 影像 ( b) Deep-AL ( c) SVM-AL ( d) Deep-ＲS ( e) SVM-ＲS图 5 ALOS-2 叠加结果( a) Landsat 8 影像 ( b) Deep-AL ( c) SVM-AL ( d) Deep-ＲS ( e) SVM-ＲS图 6 ＲADAＲSAT-2 叠加结果为了进一步更直观地证明本文方法在建筑区提取上的性能，选取 ALOS-2 数据中的一块子区域( 如图 5 黄框所示) 以及 ＲADAＲSAT-2 数据所有区域( 旧金山附近建筑区密集，不易划分子区域) ，并分别通过下式计算其检测率( PDＲ) 、漏警率( PME) 和虚警率( PFE)［33］:PDＲ= NTP( NTP+NMP) ; ( 6)PME= NMP( NTP+NMP) ; ( 7)PFE= NFP( NTP+NFP) ． ( 8)式中，NTP、NMP和 NFP分别表示正确划分的、漏分的和错分的建筑区的像元个数。通过上述 3 个指标可以对建筑区提取的精度进行更为精确的定量评价( 真值通过光学影像的目视解译获取) 。精度分析结果如图 7、图 8 和表 2 所示。( a) Deep-AL ( b) SVM-AL ( c) Deep-ＲS ( d) SVM-ＲS图 7 ALOS-2 精度分析结果( a) Deep-AL ( b) SVM-AL ( c) Deep-ＲS ( d) SVM-ＲS图 8 ＲADAＲSAT-2 精度分析结果282 测 绘 科 学 技 术 学 报 2018 年表 2 精度分析结果 %数据 方法 检测率 漏警率 虚警率ALOS-2Deep-AL 87．77 22．82 12．23SVM-AL 85．23 26．35 14．77Deep-ＲS 81．27 26．67 18．73SVM-ＲS 76．86 28．90 23．14ＲADAＲSAT-2Deep-AL 93．49 6．51 2．70SVM-AL 91．54 8．46 3．29Deep-ＲS 89．12 10．88 3．67SVM-ＲS 87．59 12．41 4．00由表 2 中可以看出，ALOS-2 数据的 SVM-AL和 Deep-AL 的检测率都较随机选取样本的方法提高了 6% 以上。SVM-AL 的检测率比 Deep-AL低了 2%，虚警率高了近 2%。而随机选取样本时，Deep-ＲS 检测率高于 SVM-ＲS 方法 5%。ＲA-DAＲSAT-2 数据的 SVM-AL 和 Deep-AL 的检测率都较随机选取样本的方法提高了 4%以上，SVM-AL 的检测率比 Deep-AL 低了 2%，Deep-ＲS 检测率高于 SVM-ＲS 方法 2%。由图 7 和图 8 并结合表 2 可以得出，ALOS-2 数据实验区的错警区域主要集中在建筑区边缘的道路和由少量功能性建筑( 如工厂) 以及其功能区内的覆盖用地; ＲADAＲ-SAT-2 数据实验区错警区域主要集中在建筑区边缘道路以及荒地。通过以上精度分析证明，传统的 SVM 方法和深度学习的方法加入主动学习后建筑物的提取精度都有所提高，而加入主动学习后深度学习方法提取建筑物的结果明显优于加入主动学习后支持向量机方法的提取结果。4 结论针对极化 SAＲ 图像建筑物提取时存在的训练样本获取困难、难以从多种极化特征中选取更有效特征的问题，提出了一种基于主动深度学习的分 类 方 法。 通 过 分 别 对 ＲADAＲSAT-2 和ALOS-2 极化 SAＲ 影像进行实验，结果表明: 利用极化 SAＲ 影像可以实现建筑物提取。本文方法将主动学习与深度学习相结合，能够选择对分类器价值更大的样本进行人工标记，降低了分类成本，能够在更少的人工标记的样本下获得较好的分类效果。然而，由于建筑物极化散射特性复杂，建筑物几何结构、方位角等因素均会对建筑物提取造成影响。因此下一步的研究将针对某一特定几何结构建筑物，在减少方位角影响的基础上，分析其散射特性，以便提取更加有效的特征进行分类。参 考 文 献:［1］ 车美琴，阿里木·赛买提，杜培军，等．利用旋转不变特征提取全极化 SAＲ 影像人工地物［J］．遥感学报，2016，20( 2) :303-314．CHE M Q，SAMAT A L M，DU P J，et al． Extraction of fullpolarimetric SAＲ imagery artificial features using rotation-invar-iant features［J］． Journal of Ｒemote Sensing，2016，20 ( 2 ) :303-314．［2］ 吴樊，王超，张红．基于纹理特征的高分辨率 SAＲ 影像居民区提取［J］．遥感技术与应用，2005，20( 2) : 148-153．WU F，WANG C，ZHANG H． Extraction of residential areabased on texture features of high resolution SAＲ imagery［J］．Ｒemote Sensing Technology and Application，2005，20 ( 2 ) :148-153．［3］ 赵凌君，高贵，匡纲要．基于变差函数纹理特征的高分辨率SAＲ 影像建筑区提取［J］． 信号处理，2009，25 ( 9 ) : 1433-1442．ZHAO L J，GAO G，KUANG G Y． High-resolution SAＲ imagebuilding area extraction based on texture feature of variogram［J］． Signal Processing，2009，25( 9) : 1433-1442．［4］ 黄祥，杨武年．结合灰度和基于动态窗口的纹理特征的遥感影像分类［J］．测绘科学技术学报，2015，32( 3) : 277-281．HANG X，YANG W N． Classification of remotely sensed im-agery according to the combination of gray scale and texture fea-tures based on the dynamic windows［J］． Journal of GeomaticsScience and Technology，2015，32( 3) : 277-281．［5］ SAMAT A，DU P，BAIG M H A，et al． Ensemble learningwith multiple classifiers and polarimetric features for polarizedSAＲ image classification［J］． Photogrammetric Engineering ＆Ｒemote Sensing，2014，80( 80) : 239-251．［6］ LEE J S，POTTIEＲ E． Polarimetric radar imaging: From bas-ics to applications［J］． International Journal of Ｒemote Sens-ing，2012，33( 2) : 333-334．［7］ LEE J S，GＲUNES M Ｒ． Classification of multi-look polarime-tric SAＲ imagery based on complex Wishart distribution［J］．International Journal of Ｒemote Sensing，1994，15( 11) : 2299-2311．［8］ SHI L，ZHANG L，YANG J，et al． Supervised graph embedingfor polarimetric SAＲ imageclassification［J］． IEEE Geoscience＆ Ｒemote Sensing Letters，2013，10( 2) : 216-220．［9］ NEZＲY E，LOPES A． Supervised classification of K-distribu-ted SAＲ images of natural targets and probability of error esti-mation［J］． IEEE Transactions on Geoscience ＆ Ｒemote Sens-ing，1996，34( 5) : 1233-1242．［10］ 朱腾，余洁，谢东海，等．粒子群优化算法在全极化 SAＲ 影像非监督分类中的应用［J］．测绘科学技术学报，2014，31( 1) : 57-61．ZHU T，YU J，XIE D H，et al． Particle swarm optimization inPol SAＲ image unspuervised classification［J］． Journal of Geo-matics Science and Technology，2014，31( 1) : 57-61．［11］ CHEN C T，CHEN K S，LEE J S． The use of fully polarimetricinformation for the fuzzy neural classification of SAＲ images［J］． IEEE Geoscience ＆ Ｒemote Sensing，2003，41( 9) : 2089-第 35 卷第 3 期 邓鸿儒，等: 利用主动深度学习提取极化 SAＲ 影像建筑区3822100．［12］ FJOＲTOFT Ｒ，DLIGONG Y，PIECZYNSKI W，et al． Unsu-perivsed classification of radar images using hidden Markovchains and hidden Markov random fields［J］． IEEE Transac-tions on Geoscience and Ｒemote Sensing，2003，41 ( 3) : 675-686．［13］ PAＲK S E，MOON W M． Unsupervised classification of scat-tering mechanisms in polarimetric SAＲ data using fuzzy logic inEntropy and Alpha plane［J］． IEEE Transactions on Geoscienceand Ｒemote Sensing，2007，45( 8) : 2652-2664．［14］ YU P，QIN A K，CLAUSI D A． Unsupervised polarimetricSAＲ images segmentation and classification using region grow-ing with edge penalty［J］． IEEE Transactions on Geoscienceand Ｒemote Sensing，2012，50( 4) : 1302-1317．［15］ GALLAND F，NICOLAS J M，SPOＲTOUCHE H，et al． Unsu-perivised synthetic sperture radar images segmentation usingfisher ditributions［J］． IEEE Transactions on Geoscience andＲemote Sensing，2009，47( 8) : 2966-2972．［16］ LEE J S，GＲUNES M Ｒ，POTIEEＲ E，et al． Unsupervisedterrain classification preserving polarimetric scattering charac-teristics［J］． IEEE Transactions on Geoscience and ＲemoteSensing，2004，42( 4) : 722-731．［17］ EＲASHIN K，GUMMING I G，WAＲD Ｒ K． Segmentation andclassification of polarimetric SAＲ data using spetral graph parti-tioning［J］． IEEE Transactions on Geoscience and ＲemoteSensing，2010，48( 1) : 164-174．［18］ JOSHI A J，POＲIKLI F，PAPANIKOLOPOULOS N． Multi-class active learning for image classification［C］∥ ComputerVision and Pattern Ｒecognition． Miami，USA，2009: 2372-2379．［19］ 王腾川．基于主动学习的 SAＲ 图像分类方法研究［D］．上海: 上海交通大学，2015: 1-65．WANG T C． Ｒesearch on SAＲ images classification based onactive learning［D］． Shanghai: Shanghai Jiao Tong University，2015: 1-65．［20］ 倪心强． SAＲ 图像分类与自动目标识别技术研究［D］．北京: 中国科学院研究生院( 电子学研究所) ，2007: 1-125．NI X Q． Ｒesearch of classification and automatic target recogni-tion using SAＲ imagery［D］． Beijing: Graduate School of Chi-nese Academy of Sciences ( Institute of Electronics) ，2007: 1-125．［21］ 陈荣，曹永锋，孙洪．基于主动学习和半监督学习的多类图像分类［J］．自动化学报，2011，37( 8) : 954-962．CHEN Ｒ，CAO Y F，SUN H． Multi-class image classificationwith active-supervised learning［J］． Journal of Automation，2011，37( 8) : 954-962．［22］ SAMAT A，GAMBA P，DU P，et al． Active extreme learningmachines for quad-polarimetric SAＲ imagery classification［J］．International Journal of Applied Earth Observation and Geo-in-formation，2015( 35) : 305-319．［23］ DEMIＲ B，PEＲSELLO C，BＲUZZONE L． Batch-mode active-learning methods for the interactive classification of remotesensing images［J］． IEEE Transactions on Geoscience and Ｒe-mote Sensing，2011，49( 3) : 1014-1031．［24］ 王宇飞．基于高分辨率影像的城市建筑物提取技术研究［D］．郑州: 郑州大学，2017: 1-136．WANG Y F． Ｒesearch on urban building extraction technologybased on high resolution imagery［D］． Zhengzhou: ZhengzhouUniversity，2017: 1-136．［25］ 刘海飞，常庆瑞，李粉玲．高分辨率影像城区建筑物提取研究［J］． 西北农林科技大学学报( 自然科学版) ，2013，41( 10) : 221-227．LIU H F，CHANG Q Ｒ，LI F L． Ｒesearch on extraction of ur-ban buildings from high resolution images［J］． Journal of North-west A＆F University ( Natural Science Edition ) ， 2013，41( 10) : 221-227．［26］ 孙志军，薛磊，许阳明，等．深度学习研究综述［J］．计算机应用研究，2012，29( 8) : 2806-2810．SUN Z J，XUE L，XU Y M，et al． Deep learning research re-view［J］． Application Ｒesearch of Computers，2012，29 ( 8 ) :2806-2810．［27］ CHEN Y，LIN Z，ZHAO X，et al． Deep learning-based classi-fication of hyperspectral data［J］． IEEE Journal of SelectedTopics in Applied Earth Observations ＆ Ｒemote Sensing，2014，7( 6) : 2094-2107．［28］ YAMAGUCHI Y，ISHIDO M，YAMADA H． Four-componentscattering model for polarimetric SAＲ image decompositionbased on asymmetric covariance matrix［J］． Technical Ｒeport ofIeice Sane，2005，43( 8) : 17-22．［29］ 王春乐，禹卫东． Huynen 类型目标分解方法的比较与分析［J］．中国科学院大学学报，2011，28( 3) : 402-409．WANG C L，YU W D． Comparison and analysis of Huynentype target decomposition methods［J］． Journal of the Universityof Chinese Academy of Sciences，2011，28( 3) : 402-409．［30］ 韩飞．基于目标分解的极化合成孔径雷达图像分类研究［D］．西安: 电子科技大学，2016: 1-75．HAN F． Polarization synthetic aperture radar image classifica-tion based on target decomposition［D］． Xi’an: University of E-lectronic Science and Technology，2016: 1-75．［31］ CHEN Y，LIN Z，ZHAO X，et al． Deep learning-based classi-fication of hyperspectral data［J］． IEEE Journal of SelectedTopics in Applied Earth Observations ＆ Ｒemote Sensing，2014，7( 6) : 2094-2107．［32］ MCKENDALL J A Ｒ，LIU W H． New tabu search heuristics forthe dynamic facility layout problem［J］． International Journal ofProduction Ｒesearch，2012，50( 3) : 867-878．［33］ SHUFELT J A． Performance evaluation and analysis of monocu-lar building extraction from aerial imagery［J］． IEEE Transac-tions on Pattern Analysis and Machine Intelligence，1999，21( 4) : 311-326．责任编辑 王 净482 测 绘 科 学 技 术 学 报 2018 年