胶囊网络（CapsNet）以向量胶囊单元替代传统标量神经元，可同步编码特征的存在概率与空间姿态信息，契合SAR图像的几何解译需求。本文提出一种面向
微型SAR图像的胶囊网络特征学习新范式，剖析微型SAR图像数据特性与传统深度学习方法的固有缺陷，重构胶囊编码、特征路由、噪声抑制模块，建立适配微型SAR成像特点的端到端特征学习框架。
1. 微型SAR成像机理与图像特征
SAR属于主动微波成像雷达，通过发射微波信号并接收地物回波生成图像，成像灰度由地物后向散射系数决定。微型SAR平台载荷尺寸有限，天线有效孔径小，距离向、方位向分辨率低于大型机载SAR。平台飞行抖动、姿态扰动会引入额外相位误差，造成图像几何畸变。
微型SAR图像存在两类核心信号干扰：
（1）系统加性热噪声，由接收机硬件产生，在远距离观测区域噪声占比提升；
（2）乘性相干斑噪声，属于SAR固有噪声，源于同一分辨单元内大量散射体回波相干叠加，表现为图像颗粒状灰度抖动，会掩盖小型弱散射目标的轮廓特征。
与光学图像不同，SAR图像灰度不直接反映地物颜色，而是散射特性，相同地物随观测角度变化，后向散射强度会发生剧烈波动。
2. 传统深度学习方法在微型SAR解译中的局限
（1）空间几何信息丢失：CNN依靠池化层降维，在压缩计算量的同时丢弃特征的精确位置信息。微型SAR目标多为小型人造目标，姿态变化敏感，池化操作会弱化目标部件空间关系，模型泛化能力下降。
（2）对相干斑噪声鲁棒性差：卷积提取灰度边缘特征，相干斑带来的随机灰度波动会被模型当作有效特征学习，造成过拟合，在低信噪比微型SAR图像上识别性能断崖式下跌。
（3）姿态泛化能力不足：CNN依靠数据增广（旋转、翻转）强制学习形变特征，属于数据驱动的隐式拟合，没有显式建模目标角度信息，对于训练集中未出现的目标姿态，识别可靠性大幅降低。
3. 胶囊网络适配微型SAR任务的理论优势
胶囊网络使用向量胶囊替代标量神经元。单个胶囊输出向量包含一组特征维度，向量模长代表该胶囊对应的目标部件存在的置信度，向量各个维度数值记录部件的姿态、方位、相对位置等几何属性。动态路由机制能够把低层部件胶囊分配给对应的高层目标胶囊，建立部件到整体的关联关系，无需池化操作，保留完整空间信息。
从SAR图像解译角度，微型SAR目标识别本质上是依据散射部件的空间组合关系判断目标类别。胶囊网络天然适合建模散射部件之间几何关联，能够显式表征目标姿态变化，恰好解决传统CNN在微型SAR图像解译中的核心痛点。
二、基于胶囊网络的微型SAR图像特征学习新范式架构
本文提出的特征学习范式整体分为四个模块：相干斑预抑制编码模块、初级胶囊层、轻量化自适应路由模块、高层特征胶囊解码模块。整体架构遵循“噪声抑制→底层散射特征提取→胶囊向量编码→部件关联路由→高层目标特征表征”的流程，完成微型SAR图像的深度特征学习。
1. 相干斑预抑制编码模块
传统方案常采用Lee滤波、Frost滤波等传统SAR降噪算法做预处理，但固定滤波模板会模糊目标边缘、弱化弱散射目标信息。本范式将降噪模块嵌入网络前端，与特征学习联合优化。模块采用轻量卷积层，对输入单通道微型SAR幅度图像做乘性噪声建模，学习噪声分布掩膜，在抑制相干斑的同时保留强散射点与目标边缘。
该模块输出经过降噪校正的特征图，送入初级胶囊层。前端编码不直接输出分类结果，目标是优化原始图像的散射特征分布，降低噪声对后续胶囊向量编码的干扰，实现降噪与特征提取联合训练，避免独立预处理带来的信息损失。
2. 初级胶囊层设计
初级胶囊层是将卷积特征转换为胶囊向量的核心层。区别于原始CapsNet，针对微型SAR图像散射特征分布特点，调整胶囊分组策略。卷积核提取图像局部散射特征，将每组卷积输出封装为初级胶囊向量。每一个初级胶囊对应图像局部区域的散射部件，向量维度表征该散射部件的散射强度、局部方位等基础属性。
初级胶囊不再使用固定维度设置，根据微型SAR图像分辨率自适应调整胶囊数量。对于小尺寸弱目标区域，保留更多胶囊单元，保证微小散射部件不会被合并丢弃；对于大面积均匀背景区域，减少胶囊数量，降低计算开销，平衡特征表达能力与推理速度。
3. 轻量化自适应路由机制
原始胶囊网络动态路由采用多次迭代更新耦合系数，迭代次数多，计算复杂度高，难以部署在嵌入式微型SAR实时解译平台。本文设计轻量化自适应路由，减少迭代轮次，引入微型SAR散射先验约束路由权重更新。
路由过程的核心逻辑：低层初级胶囊通过变换矩阵，得到预测向量，代表低层散射部件属于某一类高层目标的预测姿态；路由耦合系数衡量低层胶囊与高层胶囊之间关联程度。在更新耦合系数时，引入散射系数先验，抑制背景噪声胶囊向上传递无效向量。
对于微型SAR场景，图像大部分区域为背景，大量初级胶囊对应地表杂波。自适应路由可以自动降低背景胶囊的耦合权重，减少杂波信息传递到高层胶囊，聚焦真实目标对应的散射部件向量，降低噪声对高层胶囊特征的污染。路由输出高层胶囊向量集合，每个高层胶囊对应一类目标实体，向量模长代表目标存在置信度，向量方向编码目标整体姿态。
4. 高层特征胶囊解码模块
高层胶囊向量完成目标级特征编码后，设计双分支解码学习任务，构建多损失联合优化策略。
（1）第一分支为分类分支，利用高层胶囊向量模长判断目标类别；
（2）第二分支为图像重建分支，利用高层胶囊向量重建微型SAR图像。
重建任务作为辅助监督项，迫使胶囊向量学习到目标真实散射结构与几何信息，而不是简单记忆图像灰度分布，提升特征的泛化性。
损失函数由分类损失、重建损失两部分加权构成。分类损失约束高层胶囊模长准确表征目标类别置信度；重建损失约束胶囊向量方向有效编码目标几何结构。联合损失驱动网络学习具备物理可解释性的SAR特征，而非单纯灰度纹理特征。
三、训练策略与实验验证分析
1. 数据集构建
实验采用实测
无人机载微型SAR数据集，包含车辆、小型建筑、道路、植被等典型低空观测目标。数据集中覆盖不同信噪比、不同观测方位角的成像样本，目标姿态角度跨度大，相干斑噪声强度存在差异。数据集划分训练集、验证集、测试集，测试集包含大量训练集未出现的目标姿态样本，用来验证模型姿态泛化能力。数据预处理仅做幅度归一化，不使用传统滤波预先降噪，完整保留原始图像噪声。
2. 模型训练设置
训练采用Adam优化器，设置学习率衰减策略，防止模型在噪声样本上过拟合。训练过程中，采用随机角度、小幅平移的数据增广模拟微型SAR平台抖动带来的成像变化。对比模型选取经典CNN、原始CapsNet、SAR专用CNN模型，在相同数据集、相同硬件条件下开展对比实验。评价指标选取总体精度、F1分数、弱目标识别召回率。
3. 实验结果与分析
（1）识别精度对比：在高信噪比微型SAR图像上，本文范式与对比模型精度差距较小；在低信噪比强相干斑场景，本文范式总体精度与弱目标召回率显著优于传统CNN。CNN容易把相干斑颗粒误识别为小型目标，而胶囊网络依靠向量空间关联，能够区分真实散射部件与随机噪声斑点。
（2）姿态泛化性能：针对训练样本未覆盖的目标偏转角度样本，本文范式F1指标下降幅度远小于CNN。原因在于胶囊向量显式编码姿态信息，路由机制学习散射部件空间组合关系，而不是学习固定灰度模板，面对姿态变化稳定性更强。
（3）特征可视化分析：对胶囊向量进行可视化，低层胶囊对应车辆角反射器、墙体散射点等局部散射部件；高层胶囊向量随目标旋转同步改变向量方向，模长保持稳定。证明该范式学习得到的特征同时包含目标存在置信度与几何姿态信息，相比卷积特征具备更好的物理解释性。
（4）计算开销分析：轻量化路由降低迭代次数，相比原始CapsNet，推理耗时下降，满足微型SAR边缘平台近实时解译的基础需求；但相比轻量CNN，参数量和计算量仍然偏高，是后续需要优化的方向。
四、范式优势、现存局限
1. 范式核心优势
（1）实现几何特征与散射特征联合学习。不再仅依靠灰度纹理提取特征，通过胶囊向量同时建模
微型SAR目标散射特性与空间几何关系，适配微波成像的物理本质。
（2）噪声鲁棒性更强。前端噪声编码模块与自适应路由协同抑制相干斑与背景杂波，在低信噪比微型SAR图像弱目标检测场景优势明显。
（3）特征具备可解释性。胶囊向量各个维度对应目标姿态、部件位置等物理量，区别于深度学习黑盒特征，有利于SAR遥感解译人员理解模型决策依据。
2. 当前存在局限
（1）模型计算量仍然高于轻量化卷积网络，在算力极度受限的微型SAR嵌入式终端部署仍存在压力。
（2）对于超大场景微型SAR图像，图像内多目标交错分布，胶囊数量激增，路由计算开销会快速上升，当前范式更适合切片式局部目标解译。
（3）训练对数据集质量存在依赖，实测微型SAR标注样本获取成本较高，小样本场景下模型性能会受到限制。
面向
低空微型SAR图像解译难题，本文提出基于
胶囊网络的微型SAR图像特征学习新范式，利用胶囊向量神经元与自适应路由机制，解决传统CNN丢失几何信息、相干斑噪声鲁棒性不足、姿态泛化能力弱等问题。该范式将SAR图像散射部件空间关联关系融入深度特征学习框架，通过噪声编码、轻量化路由、多任务联合损失优化，实现微型SAR图像目标特征的有效提取。实测数据集实验证明，该范式在低信噪比、目标姿态多变场景下，弱目标识别性能优于传统卷积模型，为微型SAR智能解译提供了一条不同于CNN的技术路径。
MiniSAR聚焦于微型合成孔径雷达（SAR）制造研发，为用户提供定制化机载SAR、轻型MiniSAR、无人机载MiniSAR、SAR数据采集服务、SAR飞行服务等。如您有相关业务需求，欢迎联系！
150-110-63408