孫 勛黃平平涂尚坦楊祥立

①(武漢大學(xué)電子信息學(xué)院 武漢 430072)

②(內(nèi)蒙古工業(yè)大學(xué)雷達技術(shù)研究所 呼和浩特 010051)

③(上海衛(wèi)星工程研究所 上海 200240)

利用多特征融合和集成學(xué)習(xí)的極化SAR圖像分類

孫 勛①黃平平*②涂尚坦③楊祥立①

①(武漢大學(xué)電子信息學(xué)院 武漢 430072)

②(內(nèi)蒙古工業(yè)大學(xué)雷達技術(shù)研究所 呼和浩特 010051)

③(上海衛(wèi)星工程研究所 上海 200240)

該文提出了一種利用多特征融合和集成學(xué)習(xí)的極化SAR圖像監(jiān)督分類算法。該算法首先提取極化SAR圖像的多重特征，包括EPFS特征，Hoekman分解特征，Huynen分解特征，H/alpha/A分解特征以及擴展四分量分解特征。為保證集成學(xué)習(xí)中基本分類器的差異性與準確性，算法從5組特征集中每次隨機選取兩組不同的特征進行串聯(lián)融合，作為SVM分類器的輸入。最后，利用隨機森林學(xué)習(xí)算法將所有基本分類器的預(yù)測概率集成輸出最終分類結(jié)果。像素級和區(qū)域級的分類實驗表明了該文算法的有效性。

極化合成孔徑雷達；集成學(xué)習(xí)；監(jiān)督分類

1 引言

合成孔徑雷達(Synthetic Aperture Radar, SAR)是一種先進的微波成像系統(tǒng)[1]，主動發(fā)射電磁波并接收目標的散射回波實現(xiàn)對目標的探測，具有全天時、全天候和高分辨率成像的遙感對地觀測能力。SAR圖像分類是SAR圖像解譯的重要研究內(nèi)容，在地質(zhì)勘探、地形制圖、植被生長狀況評估、城市規(guī)劃以及海洋監(jiān)測等方面得到廣泛應(yīng)用[2]。與單極化SAR圖像相比，極化SAR(Polarimetric SAR, PolSAR)系統(tǒng)能得到多個極化通道數(shù)據(jù)，能更完整地表征地物散射特性。利用PolSAR數(shù)據(jù)的分類已成為SAR圖像處理的主要研究方向之一。

典型的分類器，如K最近鄰分類器(K-Nearest Neighbor, KNN)、神經(jīng)網(wǎng)絡(luò)、支持向量機(Support Vector Machine, SVM)[3,4]，隨機森林(Random Forest, RF)[5]已經(jīng)成功地應(yīng)用到PolSAR圖像分類[6,7]中。極化SAR圖像的復(fù)雜性使得分類任務(wù)變得艱巨，單個分類器往往不能滿足高分類精度以及高泛化能力的要求。因此，人們提出利用多個分類器來構(gòu)建一個強分類器，這個多分類器系統(tǒng)也稱為集成學(xué)習(xí)系統(tǒng)，在人工智能和機器學(xué)習(xí)領(lǐng)域得到了廣泛的關(guān)注[8]。文獻[9]提出一種基于集成學(xué)習(xí)的PolSAR圖像分類方法，它將多個基于bagging和boosting的分類器結(jié)合形成一個強泛化能力的分類器。文獻[10]提出了一種基于光譜、紋理和極化特征融合和多分類器集成的多源遙感圖像分類方法。文獻[11]將集成學(xué)習(xí)算法與極化特征相結(jié)合進行SAR圖像分類，而文獻[12]又提出了對極化特征進行選擇的方法。

本文針對PolSAR圖像中的分類難點，提出了一種利用多特征融合和集成學(xué)習(xí)的極化SAR圖像分類方法。該方法首先提取了PolSAR圖像解譯中常用到的5組特征，然后在特征空間上進行采樣并得到基本的SVM分類器。最后將所有基本分類器的預(yù)測概率輸入到隨機森林模塊，將多棵決策樹學(xué)習(xí)到規(guī)則進行集成給出最終結(jié)果。

2 極化特征描述

在PolSAR圖像的分析過程中常用極化散射矩陣S來描述地物的極化散射特性，通過變換又可得到極化協(xié)方差矩陣C和極化相干矩陣T的表現(xiàn)形式。

為了提取與地物類別相關(guān)性更強的特征，提高特征集本身區(qū)分地物的能力，本文選取了5種有代表性的極化特征：基于散射測量數(shù)據(jù)的組合特征[13]，基于kennaugh矩陣的Huynen分解特征[14]，基于C矩陣的Hoekman分解特征[15]，基于特征值分解的H/alpha/A分解特征[16]和基于模型的擴展四分量分解特征[17,18]。

(1) EPFS(Extended Polarimetric Feature Space)特征

Doulgeris等人提出一組簡單有效的特征描述子EPFS[13]，是基于散射數(shù)據(jù)S矩陣及其簡單變換的特征。EPFS特征一共有6維以鄰域窗為基礎(chǔ)提取，如表1所示。

表1 EPFS 6維特征Tab. 1 EPFS 6-dimension features

其中，Si為第i個樣本點的散射矩陣數(shù)據(jù)，C為協(xié)方差矩陣，N表示塊中像素點的數(shù)目，d=3。det為行列式運算操作，分別表示Shh和Svv的方位角。

(2) Huynen分解特征

根據(jù)Huynen分解理論[14]，Huynen分解是針對T矩陣的特征分解，相干矩陣具有以下形式：

這里A0,B0,C,D,E,F,G和H統(tǒng)稱為Huynen參數(shù)，每個參數(shù)都含有一定的目標散射信息。其含義如表2所示。

(3) Hoekman九分量分解特征

Hoekman是一種基于協(xié)方差矩陣C的方法[15]，該方法將極化目標的屬性用協(xié)方差矩陣的后向散射強度來描述。使得傳統(tǒng)的方法能應(yīng)用到極化SAR圖像的分類上，并得到簡單通用的分類器。9個強度分量表示如下：

其中，s0的下標表示3種常用極化基的接收和發(fā)送極化波：水平(h)、垂直(v)、左圓(l)、右圓(r)、45°線性(+或+45)和-45°線性(-或-45)。

(4) H/alpha/A分解特征

H/alpha/A分解方法是基于極化相干矩陣T的特征值以及特征向量的分解方法[16]，所得到的特征如表3所示。

該方法通過極化散射矩陣變換得到極化相干矩陣，利用單位相似變換對角化相干矩陣并將其分解為3個相干矩陣的加權(quán)和，每個矩陣表示一種散射過程。

表2 Huynen參數(shù)Tab. 2 Huynen parameters

表3 H/alpha/A分解特征Tab. 3 H/alpha/A decomposition features

單位特征矢量矩陣，列向量為T的正交特征矢量e1,e2和e3。αi對應(yīng)著散射體內(nèi)部自由度，取值范圍是0°≤αi≤90°。βi是目標的方向角，取值范圍為-180°≤βi≤180°,δi和γi是散射相位角。散射熵H，目標平均散射角與平均方位角可表示為：

極化各向異性量A的定義如下：

當(dāng)H很高時，A提供信息幾乎為0。當(dāng)H很低時，λ2和λ3接近0。當(dāng)H值較低或中等時，H無法提供附加信息。此時，A提供附加信息。

(5) 擴展的四分量分解特征

原始的Yamaguchi四分量分解將極化相干矩陣T分解為4種散射成分，除了面散射、二次散射和體散射分量外，還加上螺旋散射分量。然而，建筑區(qū)和植被有相同的體散射機制，很難將植被和傾斜的建筑區(qū)分開。為了解決這個問題，文獻[17]提出將相干矩陣先去方位角，再進行如下分解。

擴展的體散射模型[18]主要是為單次或二次散射提供合適的體散射模型。單次散射物體(如植被)和二次散射物體(如傾斜的建筑區(qū))有相同的體散射分量，很難區(qū)分開這兩種目標，擴展的體散射模型可以很好地區(qū)分開這兩種目標。基于擴展的體散射模型的四分量分解可表示為：

其中，fs,fd,fv,fc和fvd是待定的系數(shù)，分別對應(yīng)著表面散射、二次散射和螺旋散射分量。分別是偶極子散射以及面向二面角結(jié)構(gòu)的體散射矩陣?？偟纳⑸涔β蔛pan為：

式中，PS,PD,PC和PV分別表示表面散射，二次散射，螺旋散射和體散射特征。

3 本文算法

本文所提出的集成學(xué)習(xí)算法流程如圖1所示。

圖1 本文算法流程Fig. 1 The flowchart of our method

3.1 分類器

支持向量機是一種二分類模型，是一種有監(jiān)督的統(tǒng)計學(xué)習(xí)方法。它的學(xué)習(xí)策略就是最小化經(jīng)驗誤差和最大化幾何邊緣，使得特征空間上的間隔最大化，可形式化為一個求解二次規(guī)劃(convex quadratic programming)。式(13)中w表示權(quán)重系數(shù)，ξi是松弛變量，C表示懲罰參數(shù)。

當(dāng)輸入空間為歐式空間或離散集合、特征空間為希爾伯特空間時，核函數(shù)(kernel function)表示將輸入從輸入空間映射到高維空間得到的特征向量之間的內(nèi)積。通過使用核函數(shù)可以學(xué)習(xí)非線性支持向量機，等價于隱式的在高維的特征空間中學(xué)習(xí)線性支持向量機。支持向量是訓(xùn)練SVM過程中獲得的在分類超平面上的點，SVM的決策函數(shù)是由少數(shù)幾個支持向量來決定的，它的計算復(fù)雜度取決于支持向量的數(shù)目，而不是樣本空間的維數(shù)，避免了維數(shù)災(zāi)難。同時，這樣還可以抓住關(guān)鍵樣本，“剔除”大量冗余樣本，使得該方法不但運算簡單，而且具有較好的魯棒性。

隨機森林是一種采用決策樹作為基本分類器的集成學(xué)習(xí)方法，通過bootstrap重采樣技術(shù)，從總數(shù)量為N的原始訓(xùn)練樣本集中有放回的重復(fù)隨機采樣N個樣本，由此得到一個訓(xùn)練數(shù)據(jù)集。這樣使得每一棵樹的輸入樣本都不是全部的樣本，使其不至于產(chǎn)生局部最優(yōu)解。對于決策樹的每個節(jié)點，從所有特征中隨機無放回的采樣得到選取m維特征(訓(xùn)練樣本的總特征數(shù)目為作為在該節(jié)點尋找最佳分裂的依據(jù)。在預(yù)測時，根據(jù)所有決策樹預(yù)測結(jié)果的平均值或投票的多少決定。隨機森林是一種有效的預(yù)測方法，通過眾多決策樹的集成有效地提高了分類精度。同時，兩個隨機性的引入，使得隨機森林對噪聲和異常值魯棒，不會出現(xiàn)過擬合問題。在RF分類器分類流程中，T表示決策樹的棵數(shù)，如圖2所示。

圖2 RF分類器分類流程Fig. 2 The classification flowchart of random forest

3.2 具體步驟

針對傳統(tǒng)分類框架中將所有特征串聯(lián)進行分類的方法會引起過擬合以及降低泛化能力的問題，本文提出了一種應(yīng)用于極化SAR圖像的集成學(xué)習(xí)監(jiān)督分類框架。該框架的思路是在進行分類的時候，把若干基本分類器進行集成，通過將多個基本分類器的預(yù)測結(jié)果進行某種組合來決定最終的分類[19,20]，以取得比單個分類器更好的性能。本文通過特征空間上的隨機采樣得到特征子集并用支持向量機構(gòu)建基本的分類器。然后，隨機森林分類器將所有基本分類器的結(jié)果整合給出最終的預(yù)測結(jié)果，具體由以下3個步驟構(gòu)成：

步驟1 提取極化SAR圖像的EPFS特征，Hoekman分解特征，Huynen分解特征，H/alpha/A分解特征以及擴展四分量分解特征。通過這5組不同類型的特征，獲得地物特性較為完備的描述。為避免相干斑噪聲的影響，實驗數(shù)據(jù)經(jīng)過Lee濾波處理。

步驟2 為保證基本分類器的準確性和差異性，實驗在特征空間進行了采樣。具體地，我們從5組特征集中任選兩組特征進行串聯(lián)融合，訓(xùn)練出10個差異性SVM分類器。這里取兩組特征進行融合是考慮到單組特征不能很好地反映地物特性會導(dǎo)致基本分類器的性能較差，而3組或3組以上的特征融合所產(chǎn)生的特征子集中存在較多的重復(fù)會導(dǎo)致基本分類器間的差異性較小。這是因為兩種特征組合的方式中有1/3的概率不重復(fù)，2/3的概率重復(fù)50%。而在3種特征組合方式中有1/3的概率重復(fù)33.3%，2/3的概率重復(fù)66.7%，在4種特征組合方式中以1的概率重復(fù)75%。重復(fù)性越高差異性越小，故選取兩種特征組合的方式。

步驟3 將所有SVM分類器的預(yù)測概率輸出串聯(lián)，作為新的特征輸入到隨機森林分類器得到最終的分類結(jié)果。集成學(xué)習(xí)系統(tǒng)中最后一步是將基本分類器的預(yù)測結(jié)果相結(jié)合。本文采用Stacking的思想，將所有差異性SVM分類器的預(yù)測概率串聯(lián)作為RF分類器的輸入。利用眾多決策樹的集成，有效地對差異性分類器的結(jié)果進行整合。

4 實驗結(jié)果與分析

本節(jié)選取的實驗數(shù)據(jù)集為：來自德國航空航天中心FSAR機載系統(tǒng)X波段數(shù)據(jù)以及美國JPL的AIRSAR系統(tǒng)獲取的荷蘭Flevoland 地區(qū)L波段數(shù)據(jù)。具體區(qū)域如圖3(a)和圖3(b)所示。本文在FSAR數(shù)據(jù)上進行的是基于區(qū)域的分類實驗，在Flevoland數(shù)據(jù)上進行的是基于像素的分類實驗。選取的特征有5組：擴展的極化特征(6維)，Hoekman分解特征(9維)，Huynen分解特征(9維)，H/alpha/A分解(3維)和改進的Yamaguchi四分量分解(4維)。選取的對比實驗為：利用統(tǒng)計分布的Wishart分類方法，將所有特征作為輸入的SVM和RF分類方法，以及本文所提出的基于集成學(xué)習(xí)的分類方法。為研究選取特征子集方式對結(jié)果的影響，對比了取每組特征單獨構(gòu)造基本分類器和任取兩組特征串聯(lián)融合的方式，分別記作OM(Our Method)1和OM2。實驗中SVM均采用的是RBF核的LIBSVM[21]，并通過交叉驗證得到最佳參數(shù)C和γ。分類性能綜合評估指標為總體分類精度(Overall Accuracy, OA)和Kappa系數(shù)。

4.1 基于 FSAR 數(shù)據(jù)的實驗結(jié)果

選取圖像大小為2000×700的FSAR數(shù)據(jù)進行測試，將大圖分為20×20不重疊的小圖像塊，共3400塊。每個圖像塊的標號為塊中最多像素點的標號，基于塊的Ground Truth如圖4(a)。本數(shù)據(jù)集共4類，分別是森林，作物1，作物2和作物3。每類選取100個樣本作為訓(xùn)練樣本集，其它的作為測試樣本。

圖3 原始數(shù)據(jù)Fig. 3 Original data

分類結(jié)果如圖4所示，圖4中OM1和OM2方法的整體效果優(yōu)于Wishart和SVM方法，作物2和森林區(qū)域的分類效果較好。在Wishart結(jié)果中作物3區(qū)域的分類效果最好，然而更多的其它區(qū)域也被誤檢為作物3，在森林區(qū)域的分類效果較差。SVM結(jié)果中作物3區(qū)域的分類效果最差，多被誤檢為作物2。為了進一步對各個方法的分類性能進行比較，本文計算了各個方法中每類地物分類的準確率，并用OA和Kappa系數(shù)進行綜合評估，如表4所示。結(jié)果表明，OM2方法有最高的分類精度0.905和kappa系數(shù)0.836，在森林和作物2上有最佳的分類精度，與目視分析一致。

圖4 FSAR數(shù)據(jù)監(jiān)督分類結(jié)果圖Fig. 4 The supervised classification results of FSAR data

表4 FSAR數(shù)據(jù)分類結(jié)果Tab. 4 The classification results of FSAR data

4.2 基于 Flevoland 數(shù)據(jù)的實驗結(jié)果

選取圖像大小為300×300的Flevoland地區(qū)的PolSAR數(shù)據(jù)進行測試，本數(shù)據(jù)集有6類地物，小麥，草地，甜菜，土豆，豌豆和苜蓿。在所有標記樣本中隨機選取10%的樣本做訓(xùn)練樣本，其它的作為測試樣本。實驗結(jié)果如圖5所示。

圖5 Flevoland數(shù)據(jù)監(jiān)督分類結(jié)果圖Fig. 5 The supervised classification results of Flevoland data

表5給出了定量評估數(shù)據(jù)，從表中可以看到，OM2方法取得了最佳的整體分類精度0.894和Kappa系數(shù)0.864，并且在土豆，苜蓿，小麥，甜菜和豌豆區(qū)域上的分類精度均為最高。并且，同樣采取本文所提集成構(gòu)架的OM1的結(jié)果也優(yōu)于Wishart, SVM和RF分類器，該基于像素的分類實驗進一步表明了本文所提算法的有效性。

4.3 討論

兩個數(shù)據(jù)的分類結(jié)果中，OM方法的分類效果均優(yōu)于基于統(tǒng)計分布的Wishart方法以及將所有特征進行串聯(lián)的SVM和RF方法，有更高的OA和Kappa值，該結(jié)果表明了本文所提集成學(xué)習(xí)算法的有效性。另一方面，OM2和OM1方法的結(jié)果對比表明隨機選取兩組特征進行基本分類器構(gòu)造的方式優(yōu)于只取一組特征的方式。通過兩組特征的融合在兼顧分類器差異性的同時，提升了其準確性，從而取得了更佳的效果。

表5 Flevoland數(shù)據(jù)分類結(jié)果Tab. 5 The classification results of Flevoland data

5 結(jié)論

極化SAR圖像數(shù)據(jù)復(fù)雜性使得單一的特征很難描述自身豐富的散射特性，單一的分類器也很難取得很好的分類效果。針對此問題，本文分析了極化SAR圖像的特征參數(shù)并選取了5組不同類型的特征進行描述，在此基礎(chǔ)上提出了一種基于集成學(xué)習(xí)的極化SAR圖像監(jiān)督分類算法。通過特征空間的采樣得到特征子集，并使用SVM作為基本分類器，最后利用隨機森林算法給出最終分類結(jié)果。通過兩組極化SAR圖像分類實驗表明了本文所提出方法的有效性。

[1]李春升, 楊威, 王鵬波. 星載SAR成像處理算法綜述[J]. 雷達學(xué)報, 2013, 2(1): 111-122. Li Chun-sheng, Yang Wei, and Wang Peng-bo. A review of spaceborne SAR algorithm for image formation[J].Journal of Radars, 2013, 2(1): 111-122.

[2]田維, 徐旭, 卞小林, 等. 環(huán)境一號C衛(wèi)星SAR圖像典型環(huán)境遙感應(yīng)用初探[J]. 雷達學(xué)報, 2014, 3(3): 339-351. Tian Wei, Xu Xu, Bian Xiao-lin,et al.. Applications of environmental remote sensing by HJ-1C SAR imagery[J].Journal of Radars, 2014, 3(3): 339-351.

[3]Yang Wen, Yin Xiao-shuang, Song Hui,et al.. Extraction of built-up areas from fully polarimetric SAR imagery via PU learning[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(4): 1207-1216.

[4]Banerjee B, Bhattacharya A, and Buddhiraju K M. A generic land-cover classification framework for polarimetric SAR images using the optimum Touzi decomposition parameter subset-An insight on mutual information-based feature selection techniques[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(4): 1167-1176.

[5]Hariharan S, Tirodkar S, De S,et al.. Variable importance and random forest classification using RADARSAT-2 PolSAR data[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec, 2014: 1210-1213.

[6]滑文強, 王爽, 侯彪. 基于半監(jiān)督學(xué)習(xí)的SVM-Wishart極化SAR圖像分類方法[J]. 雷達學(xué)報, 2015, 4(1): 93-98. Hua Wen-qiang, Wang Shuang, and Hou Biao. Semisupervised Learning for classification of polarimetric SAR images based on SVM-Wishart[J].Journal of Radars, 2015, 4(1): 93-98.

[7]Yang Wen, Yin Xiao-shuang, and Xia Gui-song. Learning high-level features for satellite image classification with limited training samples[J].IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(8): 4472-4482.

[8]Yuan Han-ning, Fang Meng, and Zhu Xing-quan. Hierarchical sampling for multi-instance ensemble learning[J].Knowledge and Data Engineering, 2013, 25(12): 2900-2905 .

[9]Zhang La-mei, Wang Xiao, Li Meng,et al.. Classification of fully polarimetric SAR images based on ensemble learning and feature integration[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec, 2014: 2758-2761.

[10]劉培, 杜培軍, 譚琨. 一種基于集成學(xué)習(xí)和特征融合的遙感影像分類新方法[J]. 紅外與毫米波學(xué)報, 2014, 33(3): 311-317. Liu Pei, Du Pei-jun, and Tan Kun. A novel remotely sensed image classification based on ensemble learning and feature integration[J].Journal of Infrared and Millimeter Waves, 2014, 33(3): 311-317.

[11]Samat A, Du P, Baig M H A,et al.. Ensemble learning with multiple classifiers and polarimetric features for polarized SAR image classification[J].Photogrammetric Engineering&Remote Sensing, 2014, 80(3): 239-251.

[12]Wang Y, Zhang Y, Zhuo T,et al.. Ensemble learning based on multi-features fusion and selection for polarimetric SAR image classification[C]. International Conference on Signal Processing (ICSP), Hangzhou, 2014: 734-737.

[13]Doulgeris A P. A simple and extendable segmentation method for multi-polarisation SAR images[C]. 6th International Workshop on Science and Applications of SAR Polarimetry and Polarimetric Interferometry, 2013.

[14]Yang J, Peng Y N, Yamaguchi Y,et al.. On Huynen’s decomposition of a Kennaugh matrix[J].IEEE Geoscience and Remote Sensing Letters, 2006, 3(3): 369-372.

[15]Hoekman D H and Vissers M A M. A new polarimetric classification approach evaluated for agricultural crops[J].IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(12): 2881-2889.

[16]Cloude S R and Pottier E. An entropy based classificationscheme for land applications of polarimetric SAR[J].IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

[17]Yamaguchi Y, Sato A, Boerner W,et al.. Four-component scattering power decomposition with rotation of coherency matrix[J].IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2251-2258.

[18]Sato A, Yamaguchi Y, Singh G,et al..Four-component scattering power decomposition with extended volume scattering model[J].IEEE Geoscience and Remote Sensing Letters, 2012, 9(2): 166-170.

[19]Zhang Cha and Ma Yun-qian. Ensemble Machine Learning[M]. Springer US, 2012: 1-34.

[20]陳博, 王爽, 焦李成, 等. 利用0-1矩陣分解集成的極化SAR圖像分類[J]. 電子與信息學(xué)報, 2015, 37(6): 1495-1501. Chen Bo, Wang Shuang, Jiao Li-cheng,et al.. Polarimetric SAR image classification via weighted ensemble based on 0-1 matrix decomposition[J].Journal of Electronics&Information Technology, 2015, 37(6): 1495-1501.

[21]Chang Chih-Chung and Lin Chih-Jen. Libsvm: A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 27.

孫 勛(1992-)，男，2014年獲得武漢科技大學(xué)工學(xué)學(xué)士學(xué)位，現(xiàn)于武漢大學(xué)電子信息學(xué)院信號處理實驗室攻讀碩士學(xué)位。主要研究方向為極化合成孔徑雷達圖像解譯。

E-mail: sxun@whu.edu.cn

黃平平(1978-)，男，2010年獲中國科學(xué)院電子學(xué)研究所博士學(xué)位，現(xiàn)任內(nèi)蒙古自治區(qū)雷達技術(shù)與應(yīng)用重點實驗室主任，內(nèi)蒙古工業(yè)大學(xué)雷達技術(shù)研究所所長，副教授。主要研究方向為合成孔徑雷達信號處理和微波遙感應(yīng)用。

E-mail: cimhwangpp@163.com

涂尚坦(1985-)，男，2012年獲武漢大學(xué)工學(xué)博士學(xué)位，現(xiàn)任上海衛(wèi)星工程研究所微波載荷主管設(shè)計師。主要研究方向為SAR系統(tǒng)總體設(shè)計、極化SAR圖像處理與解譯、機器視覺與數(shù)據(jù)挖掘。

E-mail: tsttu@126.com

楊祥立(1991-)，男，2014年獲得中南民族大學(xué)工學(xué)學(xué)士學(xué)位，現(xiàn)于武漢大學(xué)電子信息學(xué)院信號處理實驗室攻讀碩士學(xué)位。主要研究方向為極化合成孔徑雷達圖像變化檢測。

E-mail: xiangliyang@whu.edu.cn

Polarimetric SAR Image Classification Using Multiple-feature Fusion and Ensemble Learning

Sun Xun①Huang Pingping②Tu Shangtan③Yang Xiangli①

①(School of Electronic Information,Wuhan University,Wuhan430072,China)

②(Radar Research Institute,Inner Mongolia University of Technology,Hohhot010051,China)

③(Shanghai Institute of Satellite Engineering,Shanghai200240,China)

In this paper, we propose a supervised classification algorithm for Polarimetric Synthetic Aperture Radar (PolSAR) images using multiple-feature fusion and ensemble learning. First, we extract different polarimetric features, including extended polarimetric feature space, Hoekman, Huynen, H/alpha/A, and fourcomponent scattering features of PolSAR images. Next, we randomly select two types of features each time from all feature sets to guarantee the reliability and diversity of later ensembles and use a support vector machine as the basic classifier for predicting classification results. Finally, we concatenate all prediction probabilities of basic classifiers as the final feature representation and employ the random forest method to obtain final classification results. Experimental results at the pixel and region levels show the effectiveness of the proposed algorithm.

Polarimetric Synthetic Aperture Radar (PolSAR); Ensemble learning; Supervised classification

TN957

A

2095-283X(2016)06-0692-09

10.12000/JR15132

孫勛, 黃平平, 涂尚坦, 等. 利用多特征融合和集成學(xué)習(xí)的極化SAR圖像分類[J]. 雷達學(xué)報, 2016, 5(6): 692-700.

10.12000/JR15132.

Reference format:Sun Xun, Huang Pingping, Tu Shangtan,et al.. Polarimetric SAR image classification using multiple-feature fusion and ensemble learning[J].Journal of Radars, 2016, 5(6): 692-700. DOI: 10.12000/JR15132.

2015-12-27；改回日期：2016-04-07；

2016-05-16

*通信作者：黃平平 cimhwangpp@163.com

內(nèi)蒙古自治區(qū)科技計劃項目(20131108, 20140155)，國家自然科學(xué)基金(61271401, 41501414)，復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點實驗室開放基金項目(EMW201504)

Foundation Items: The Inner Mongolia Autonomous Region Science and Technology Project (20131108, 20140155), The National Natural Science Foundation of China (61271401, 41501414), The Fudan University Key Laboratory of EMW Information Open Fund Project (EMW201504)