基于集成學(xué)習(xí)和特征選擇的極化SAR地物分類.pdf

1、隨著遙感技術(shù)的不斷發(fā)展以及人們對(duì)遙感地物探測(cè)性能要求的不斷提高，需要處理的問(wèn)題也越來(lái)越復(fù)雜，這就意味著傳統(tǒng)的雷達(dá)已經(jīng)不能完全滿足更高性能的要求。極化合成孔徑雷達(dá)(極化SAR)作為一種較新的遙感雷達(dá)波，可以提供更加豐富的地物散射信息。因此近幾十年來(lái)已成為了遙感領(lǐng)域的一個(gè)研究熱點(diǎn)。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(lǐng)域的典型應(yīng)用，通過(guò)對(duì)樣本，特征和分類器進(jìn)行研究，做到將不同的地物類型進(jìn)行區(qū)分。
　　對(duì)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(jié)果的三個(gè)重要因素。簡(jiǎn)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(jié)果。研究表明：極化SAR圖像比一般的SAR圖像蘊(yùn)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(shí)，選擇適合的樣本和特征的難度也相應(yīng)增加。并且隨著樣本及特征數(shù)量的增加，雖然所蘊(yùn)含的分類信息也相應(yīng)增加，但是卻也相應(yīng)的增加了分類器的運(yùn)算復(fù)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(jié)果

3、的信息。為了構(gòu)造一個(gè)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(gòu)造三個(gè)方面對(duì)極化SAR圖像地物分類進(jìn)行了深入的研究，將一些經(jīng)典的極化方法(如Freeman分解)和機(jī)器學(xué)習(xí)算法(如Fisher線性判決和集成算法)結(jié)合在一起，提出了若干基于目標(biāo)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(duì)有監(jiān)督極化SAR圖像分類中訓(xùn)練樣本難以提前選取和評(píng)價(jià)的問(wèn)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(guò)選擇個(gè)體分類器來(lái)達(dá)到選擇訓(xùn)練樣本的目的，可以有效的減少訓(xùn)練樣本個(gè)數(shù)并選擇出較優(yōu)的樣本從而在減少運(yùn)算時(shí)間的同時(shí)提高分類準(zhǔn)確率。首先，從圖像中選取初始訓(xùn)練樣本集，并隨機(jī)劃分構(gòu)成訓(xùn)練樣本子集。然后，基于不同的訓(xùn)練樣本子集通過(guò)基礎(chǔ)分類器學(xué)習(xí)得到多個(gè)個(gè)體分類器。最后，通過(guò)匹配追蹤選擇集成算法對(duì)個(gè)體分類器進(jìn)行選擇，得到最終的分類結(jié)果。理論分析表明：在分類過(guò)程中，基于較好的訓(xùn)練樣本子集訓(xùn)練得到的個(gè)體分類器，能

5、夠分配較大權(quán)重，而同時(shí)含有一些相似或有害信息的訓(xùn)練樣本將被給予零值而達(dá)到刪除該樣本的目的。實(shí)驗(yàn)結(jié)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(jìn)行樣本選擇，刪除有害或冗余的訓(xùn)練樣本，從而達(dá)到提高分類精度并減少運(yùn)算時(shí)間的目的。
　　2.針對(duì)在極化SAR圖像中由于雷達(dá)角度和地物形狀導(dǎo)致屬于同一類別的像素點(diǎn)可能存在較大的差異性，而不同類別的像素點(diǎn)具有相似的散射形式從而易導(dǎo)致錯(cuò)分的問(wèn)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(quán)投票準(zhǔn)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(guò)學(xué)習(xí)不同個(gè)體獲得的分類面來(lái)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(duì)應(yīng)的極化SAR特征。從圖像的每一類中任意選擇像素點(diǎn)作為圖像分類的原始訓(xùn)練樣本，并對(duì)其進(jìn)行隨機(jī)劃分獲得不同的樣本子集。然后，基于獲得的樣本子集構(gòu)造對(duì)應(yīng)極化SAR圖像的貝葉斯集成框架。最后通過(guò)構(gòu)造的貝葉斯集成框架對(duì)極化SA

7、R圖像進(jìn)行分類。基于加權(quán)投票準(zhǔn)則集成的極化SAR圖像分類方法是根據(jù)不同訓(xùn)練樣本子集學(xué)習(xí)得到的分類器，并用這些分類器得到預(yù)測(cè)標(biāo)記，從而求得個(gè)體分類器的加權(quán)系數(shù)。最后再用這些加權(quán)系數(shù)對(duì)預(yù)測(cè)標(biāo)記進(jìn)行合并得到最終的分類結(jié)果。實(shí)驗(yàn)結(jié)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(jié)果。
　　3.針對(duì)如何更好的使用極化SAR圖像數(shù)據(jù)元素特征的問(wèn)題，提出了一種基于特征加權(quán)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(duì)包括不同特征的數(shù)據(jù)集進(jìn)行學(xué)習(xí)獲得相應(yīng)加權(quán)系數(shù)，并通過(guò)對(duì)每個(gè)特征集獲得的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)集成來(lái)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(duì)原始特征集進(jìn)行隨機(jī)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(duì)應(yīng)每個(gè)特征子集的加權(quán)系數(shù)；最后通過(guò)對(duì)各個(gè)特征子集的預(yù)測(cè)結(jié)果進(jìn)行集成得到最終極化SAR圖像分類結(jié)果。實(shí)測(cè)L波段和C波段極化數(shù)據(jù)的實(shí)驗(yàn)結(jié)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(duì)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(wèn)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(jìn)的Fisher線性判決的極化SAR圖像特征加權(quán)方法。以上兩種方法均選用Fis her線性判決對(duì)相干矩陣中的九維特征進(jìn)行選擇處理，從而得到更適合極化SAR圖像分類的特征組合。基于Fisher線性判決的極化SAR圖像特征選擇方法，

10、首先選取訓(xùn)練樣本，計(jì)算出每一類對(duì)應(yīng)的Fisher系數(shù)。然后再設(shè)定閾值，將高于閾值的Fisher系數(shù)對(duì)應(yīng)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(jié)果。實(shí)驗(yàn)結(jié)果表明特征選擇可以有效的改善分類結(jié)果?；谌至可⑸淠Ｐ透倪M(jìn)Fisher線性判決的極化SAR圖像特征加權(quán)方法，首先在各類中選取訓(xùn)練樣本，并用Fisher線性判決方法計(jì)算得到各個(gè)特征的系數(shù)。然后這些權(quán)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(jì)模型結(jié)合在一起，使得該方法更符合極化SAR數(shù)據(jù)的內(nèi)在散射機(jī)理。之后再將這些權(quán)值分配給各個(gè)特征。最后用Freeman分解和Wishart分類器結(jié)合的方法得到最終的分類結(jié)果。實(shí)驗(yàn)結(jié)果證明經(jīng)過(guò)特征加權(quán)之后的分類結(jié)果要優(yōu)于沒(méi)有對(duì)特征進(jìn)行任何處理的分類結(jié)果。
　　5.針對(duì)Freeman目標(biāo)散射分解存在能量負(fù)值的問(wèn)題，提出了一種改進(jìn)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