基于集成學習和特征選擇的極化SAR地物分類.pdf

1、隨著遙感技術的不斷發(fā)展以及人們對遙感地物探測性能要求的不斷提高，需要處理的問題也越來越復雜，這就意味著傳統(tǒng)的雷達已經不能完全滿足更高性能的要求。極化合成孔徑雷達(極化SAR)作為一種較新的遙感雷達波，可以提供更加豐富的地物散射信息。因此近幾十年來已成為了遙感領域的一個研究熱點。極化SAR圖像地物分類作為極化SAR數(shù)據(jù)研究在圖像處理領域的典型應用，通過對樣本，特征和分類器進行研究，做到將不同的地物類型進行區(qū)分。
　　對于極化SAR圖

2、像分類而言，樣本、特征和分類器是決定最終分類結果的三個重要因素。簡言之，如果能夠選擇合適的樣本、特征和分類器，則能夠取得較好的分類結果。研究表明：極化SAR圖像比一般的SAR圖像蘊含更多的物理散射信息，特征信息也更為豐富。但是與此同時，選擇適合的樣本和特征的難度也相應增加。并且隨著樣本及特征數(shù)量的增加，雖然所蘊含的分類信息也相應增加，但是卻也相應的增加了分類器的運算復雜度。在大量的樣本和特征中，難免存在一些冗余、相似甚至有害最終分類結果

3、的信息。為了構造一個更好的極化SAR圖像分類方法，本文圍繞著樣本選擇、特征選擇和分類器構造三個方面對極化SAR圖像地物分類進行了深入的研究，將一些經典的極化方法(如Freeman分解)和機器學習算法(如Fisher線性判決和集成算法)結合在一起，提出了若干基于目標分解、樣本選擇、特征選擇和集成算法的極化SAR圖像地物分類方法，主要研究成果有：
　　1.針對有監(jiān)督極化SAR圖像分類中訓練樣本難以提前選取和評價的問題，提出了一種基于選

4、擇集成的極化SAR圖像分類方法。該方法通過選擇個體分類器來達到選擇訓練樣本的目的，可以有效的減少訓練樣本個數(shù)并選擇出較優(yōu)的樣本從而在減少運算時間的同時提高分類準確率。首先，從圖像中選取初始訓練樣本集，并隨機劃分構成訓練樣本子集。然后，基于不同的訓練樣本子集通過基礎分類器學習得到多個個體分類器。最后，通過匹配追蹤選擇集成算法對個體分類器進行選擇，得到最終的分類結果。理論分析表明：在分類過程中，基于較好的訓練樣本子集訓練得到的個體分類器，能

5、夠分配較大權重，而同時含有一些相似或有害信息的訓練樣本將被給予零值而達到刪除該樣本的目的。實驗結果表明該章提出的基于選擇集成的極化SAR圖像分類方法可以有效的進行樣本選擇，刪除有害或冗余的訓練樣本，從而達到提高分類精度并減少運算時間的目的。
　　2.針對在極化SAR圖像中由于雷達角度和地物形狀導致屬于同一類別的像素點可能存在較大的差異性，而不同類別的像素點具有相似的散射形式從而易導致錯分的問題，提出了一種基于貝葉斯集成框架的極化S

6、AR圖像分類方法和一種基于加權投票準則集成的極化SAR圖像分類方法。基于貝葉斯集成框架的極化SAR圖像分類方法是采用貝葉斯集成，通過學習不同個體獲得的分類面來改善極化SAR圖像分類性能。首先，輸入極化SAR圖像，并獲得其對應的極化SAR特征。從圖像的每一類中任意選擇像素點作為圖像分類的原始訓練樣本，并對其進行隨機劃分獲得不同的樣本子集。然后，基于獲得的樣本子集構造對應極化SAR圖像的貝葉斯集成框架。最后通過構造的貝葉斯集成框架對極化SA

7、R圖像進行分類?；诩訖嗤镀睖蕜t集成的極化SAR圖像分類方法是根據(jù)不同訓練樣本子集學習得到的分類器，并用這些分類器得到預測標記，從而求得個體分類器的加權系數(shù)。最后再用這些加權系數(shù)對預測標記進行合并得到最終的分類結果。實驗結果證明，所提出的兩種方法均在AIRSAR和Radarsat-2數(shù)據(jù)上取得了較好的分類結果。
　　3.針對如何更好的使用極化SAR圖像數(shù)據(jù)元素特征的問題，提出了一種基于特征加權集成的極化SAR圖像分類方法。該方法采

8、用0-1矩陣分解集成方法對包括不同特征的數(shù)據(jù)集進行學習獲得相應加權系數(shù)，并通過對每個特征集獲得的預測結果進行加權集成來提高極化SAR圖像分類性能。首先輸入極化SAR數(shù)據(jù)，獲得極化特征作為原始特征集，并對原始特征集進行隨機抽取得到不同的特征子集。然后，使用0-1矩陣分解集成算法得到對應每個特征子集的加權系數(shù)；最后通過對各個特征子集的預測結果進行集成得到最終極化SAR圖像分類結果。實測L波段和C波段極化數(shù)據(jù)的實驗結果表明，該方法可以有效的提

9、高極化SAR圖像分類精度。
　　4.針對如何更好的使用極化SAR圖像數(shù)據(jù)相干矩陣元素作為極化SAR圖像分類特征的問題，提出了一種基于Fisher線性判決的極化SAR圖像特征選擇方法和一種基于三分量散射模型改進的Fisher線性判決的極化SAR圖像特征加權方法。以上兩種方法均選用Fis her線性判決對相干矩陣中的九維特征進行選擇處理，從而得到更適合極化SAR圖像分類的特征組合?；贔isher線性判決的極化SAR圖像特征選擇方法，

10、首先選取訓練樣本，計算出每一類對應的Fisher系數(shù)。然后再設定閾值，將高于閾值的Fisher系數(shù)對應的特征保留，其余的特征刪除。最后，將選擇后的特征輸入H/alpha和Wishart分類器，得到最終的分類結果。實驗結果表明特征選擇可以有效的改善分類結果?；谌至可⑸淠Ｐ透倪MFisher線性判決的極化SAR圖像特征加權方法，首先在各類中選取訓練樣本，并用Fisher線性判決方法計算得到各個特征的系數(shù)。然后這些權值系數(shù)根據(jù)三分量散射模型

11、分解加以修正，這樣就可以有效的將物理模型和統(tǒng)計模型結合在一起，使得該方法更符合極化SAR數(shù)據(jù)的內在散射機理。之后再將這些權值分配給各個特征。最后用Freeman分解和Wishart分類器結合的方法得到最終的分類結果。實驗結果證明經過特征加權之后的分類結果要優(yōu)于沒有對特征進行任何處理的分類結果。
　　5.針對Freeman目標散射分解存在能量負值的問題，提出了一種改進三分量散射模型的極化SAR圖像分解方法。該方法采用熵值和Freem