基于目标分解和SVM的极化SAR图像分类方法.docx

基于目标分解和SVM的极化SAR图像分类方法
摘要：极化合成孔径雷达（PolarimetricSyntheticApertureRadar，PolSAR）技术被广泛用于遥感图像分类、土地利用与覆盖变化分析等领域。针对PolSAR图像分类的问题，本文提出了一种基于目标分解和支持向量机（SupportVectorMachine，SVM）的极化SAR图像分类方法。该方法首先利用极化分解技术提取多个目标极化参数，然后将目标极化参数和实际场景中的各类地物进行匹配，以得到每个地物类别的特征向量。接着采用SVM分类器进行分类，实验结果表明，该方法可以有效地分类PolSAR图像，具有较高的分类精度和鲁棒性。
关键词：极化合成孔径雷达，PolSAR图像分类，目标分解，支持向量机
一、引言
极化合成孔径雷达（PolarimetricSyntheticApertureRadar，PolSAR）是一种载有极化分解信息的雷达。在遥感图像分类、土地利用与覆盖变化分析等领域中，PolSAR技术已经得到了广泛的应用。PolSAR图像具有复杂多变的场景，其分类是一项极具挑战性的任务。
传统的PolSAR图像分类方法主要是采用单波段数据或K分布等模型建立的复数特征向量进行分类。但是这些方法在分类复杂的PolSAR图像时存在一定的限制，无法有效地提取图像中的信息。针对这个问题，PolSAR图像分类方法的研究不断推出新的技术和算法。
本文提出了一种基于目标分解和支持向量机的极化SAR图像分类方法。该方法主要分为三个步骤：极化分解、特征向量提取和分类。本文的主要贡献在于将目标分解技术与SVM分类器结合起来，对PolSAR图像进行分类，提高了分类的准确性和鲁棒性。实验结果表明，该方法可以有效地分类PolSAR图像。
本文的组织结构如下：第二部分介绍了PolSAR图像分类的相关研究；第三部分介绍了本文的分类方法；第四部分给出了实验结果分析；最后，第五部分对本文进行总结。
二、PolSAR图像分类相关研究
PolSAR图像分类是一个研究热点，已经有很多研究者针对该问题进行了探索。下面我们将介绍一些相关的研究成果，包括传统的方法和基于目标分解的方法。
（一）传统的PolSAR图像分类方法
传统的PolSAR图像分类方法主要是采用单波段数据或K分布等模型建立的复数特征向量进行分类。Gao等[1]提出了一种基于Gabor小波变换的PolSAR图像分类方法，其主要思想是通过消除杂波的干扰，利用Gabor小波变换对图像进行特征提取。但是这种方法对数据的噪声比较敏感。Hou等[2]提出了一种基于稀疏表示的多特征融合分类方法，该方法利用Gabor滤波器和能量特征分别对SAR图像进行特征提取，然后采用稀疏表示进行分类。但是这种方法对噪声也比较敏感。
（二）基于目标分解的PolSAR图像分类方法
目标分解（TargetDecomposition）是一种针对多分辨率、多极化SAR图像的处理方法，是PolSAR图像分类中的重要研究方向之一。目标分解技术将PolSAR图像分解为多个目标散射策略分量，它们表示了多个地物在不同极化方向上的反射实现方式[3]。根据目标分解结果，可以得到多个极化参数，这些极化参数可以帮助提高PolSAR图像的分类精度。
Zhou等[4]提出了一种基于目标分解的PolSAR图像分类方法，其主要步骤是使用目标分解技术提取目标极化参数，然后采用K最近邻算法（K-NearestNeighbors，KNN）对分类特征进行选取，最后进行实验。这种方法在PolSAR图像分类方面取得了较好的效果，但是K-NearestNeighbors算法对维度较高的数据分类效果不佳，而且存在overfitting等问题。
三、基于目标分解和SVM的极化SAR图像分类方法
本文提出的极化SAR图像分类方法主要是基于目标分解和SVM分类器结合的，主要思路如下：
（一）极化分解
首先，考虑到在PolSAR图像分类中通过SVM构造简单的类别间决策面的前置条件，因此采用了傅里叶变换分解和谐波分解等目标分解技术将原始数据分解成多个极化散射参数。目标分解将信息从多个视角呈现，可以从多个角度反映地物在不同极化状态下的散射特性，从而得到更加准确的地物特征。
目标分解结果的选择取决于所用场景的极化特性，本文采用的是Freeman-Durden分解，通过分解后可覆盖全空间，包括单极化、双极化和全极化。使用目标分解技术将极化SAR数据分解为多个极化参数可以有效地提取地物特征，有助于分类器的分类过程。
（二）特征向量提取
然后，针对PolSAR图像分类中特征向量的选择，本文采用了信息量纲分析和最大类间距分析两种统计方法来选择合适的特征向量。这两种方法根据目标分解所得到的目标极化参数进行筛选，每个地物类别选取出了最优的特征向量。