宋 超，徐 新，桂 容，謝欣芳，徐 豐

(武漢大學(xué) 電子信息學(xué)院，武漢 430072)

(*通信作者電子郵箱xinxu@whu.edu.cn)

基于多層支持向量機(jī)的極化合成孔徑雷達(dá)特征分析與分類

宋 超，徐 新*，桂 容，謝欣芳，徐 豐

(武漢大學(xué) 電子信息學(xué)院，武漢 430072)

(*通信作者電子郵箱xinxu@whu.edu.cn)

為了充分利用極化合成孔徑雷達(dá)(SAR)圖像不同極化特征對(duì)不同地物目標(biāo)類型的刻畫能力，提出一種基于多層支持向量機(jī)(SVM)的極化SAR特征分析與分類方法。該方法首先通過特征分析確定適合不同地物類型的最佳特征子集;然后采用分層分類樹的方式，根據(jù)每一種地物類型的特征子集逐層進(jìn)行SVM分類;最終得到整體分類結(jié)果。RadarSAT-2極化SAR圖像分類實(shí)驗(yàn)結(jié)果表明所提方法水域、耕地、林地、城區(qū)4類地物分類精度為85%左右，總體分類精度達(dá)到86%。該算法充分利用了不同地物目標(biāo)類型的特性，提高了分類精度，也降低了算法時(shí)間復(fù)雜度。

極化合成孔徑雷達(dá)圖像；地物目標(biāo)特征分析；多層支持向量機(jī)；監(jiān)督分類

0 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)是一種主動(dòng)微波成像雷達(dá)，能夠不受云層等自然不良天氣的影響獲取地表數(shù)據(jù)。極化SAR相對(duì)于單極化SAR，其地物目標(biāo)信息更加豐富，能更好地應(yīng)用在分類等領(lǐng)域。

極化SAR的監(jiān)督分類方法主要使用“特征+表達(dá)+分類器”的模式。極化SAR的特征主要來源是目標(biāo)分解。目標(biāo)分解的概念是由Huynen[1]首次提出，其目的是得到切合實(shí)際的物理約束解譯目標(biāo)的散射機(jī)制，使之更好地表征極化SAR數(shù)據(jù)。之后隨著極化SAR研究[2-7]的不斷深入，其分解方式也越來越多,如圖1所示。

分類器作為圖像分類最重要的組成部分之一。在光學(xué)圖像中運(yùn)用成熟的各種分類器也在逐步結(jié)合不同的目標(biāo)分解方法應(yīng)用于極化SAR圖像分類中。目前主要的分類器包括：貝葉斯選擇[8-9]、馬爾可夫隨機(jī)場(Markov Random Field, MRF)[10]、支持向量機(jī)(Support Vector Machine, SVM)[11-13]等。其中比較有代表性的就是SVM分類器。SVM分類器在小訓(xùn)練樣本情況下有良好的分類性能，相比其他分類器，更適合應(yīng)用于極化SAR圖像分類。本文也是采用SVM分類器進(jìn)行分類。

由于極化SAR圖像的某些特征具有相似的物理意義，直接利用全部特征進(jìn)行分類會(huì)帶來嚴(yán)重的維數(shù)災(zāi)難，故需要根據(jù)具體的應(yīng)用需求對(duì)特征進(jìn)行有效的表達(dá)，如文獻(xiàn)[14]針對(duì)城區(qū)建筑密度提出基于極化特征共生矩陣的城區(qū)分類方法。解決這一問題的常規(guī)方法是特征選擇。文獻(xiàn)[15]提出一種wrapper特征選擇方法用于森林地物SVM分類；文獻(xiàn)[16]通過特征線性判別分析(Linear Discriminant Analysis, LDA)對(duì)近200維的特征進(jìn)行優(yōu)選，提出一種面向?qū)ο蟮臉O化SAR 分類方法。文獻(xiàn)[17]通過最小冗余最大關(guān)聯(lián)(minimum Redundancy and Maximum Relevance, mRMR)特征選擇算法[18]，利用互信息量來衡量特征之間的相關(guān)性和冗余度，利用信息差和信息熵進(jìn)行特征選擇。

圖1 極化特征

雖然這些方法能夠在一定程度上解決維數(shù)災(zāi)難的問題，分類效果也有了較大的改進(jìn),但是并沒有充分考慮不同地物的典型特點(diǎn)，并不適用于復(fù)雜的應(yīng)用場景。

基于上述問題，本文提出一種基于多層SVM的極化SAR特征分析與分類方法。該方法充分利用不同極化特征對(duì)不同地物類型的刻畫能力，選擇適合每一類地物類型具有足夠區(qū)分能力的特征子集，分層特征表達(dá)，使之更有效地表征地物類型。

1 地物目標(biāo)特征分析

通過地物目標(biāo)特征分析可以得到描述某類地物目標(biāo)比較好的特征子集，使該類地物可以取得更好的監(jiān)督分類結(jié)果。

實(shí)驗(yàn)數(shù)據(jù)1為荷蘭Flevoland省Radarsat-2極化SAR數(shù)據(jù)，圖像時(shí)間為2008年，圖像大小為1 400×1 200，圖像分辨率為8 m，如圖2所示。實(shí)驗(yàn)數(shù)據(jù)2為加拿大Vancouver市 Radarsat-2極化SAR數(shù)據(jù)，圖像大小為2 600×1 600，圖像分辨率為8 m，如圖3所示。

圖2 Flevoland實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)中主要的地物類型為水域、耕地、林地和城區(qū)。主要研究的極化特征包括：極化相干矩陣分量幅值|Tij|(0

圖3 Vancouver實(shí)驗(yàn)數(shù)據(jù)

得到地物類型具有足夠區(qū)分能力的特征子集來源主要包括兩個(gè)方面：一方面是極化SAR特征的物理意義及其特性，使得特征與地物類型之間存在對(duì)應(yīng)關(guān)系;另一方面是具體考察特征直方圖類間的區(qū)分能力，直接建立地物類型和極化特征的關(guān)聯(lián)關(guān)系，構(gòu)造地物的具有足夠區(qū)分能力的特征子集。

1.1 水域

水域主要包括海洋、河流和湖泊。根據(jù)地物目標(biāo)特征分析得到水域和其他地物區(qū)分明顯的特征包括：|T22|、|T23|、|T33|、P3、C1mHA、CSERD。其特征如圖4所示，樣本直方圖如圖5所示。

圖4 Flevoland水域特征子集特征

其中，C1mHA是在Cloude分解中的極化熵H和極化散射各向異性度A組合生成的新特征，具體計(jì)算式見式(1)，可以從理論上解釋C1mHA對(duì)水域有效的原因。當(dāng)極化熵H值較低時(shí)可以認(rèn)為是弱去極化，低熵散射一般發(fā)生在海洋地區(qū)。而各向異性度A較高說明λ2和λ3差別較大，在城區(qū)和海區(qū)混合了中等和較高的各向異性度。

C1mHA=(1-H)A

(1)

從特征圖和樣本直方圖中可以看出，上述6維特征能夠有效區(qū)分水域和其他地物類型。

1.2 耕地

耕地主要包括旱地、水田等。根據(jù)地物目標(biāo)特征分析得到耕地和其他地物(不包括水域)區(qū)分明顯的特征包括：α、CPR、P1、P2、C1mH1mA=(1-H)(1-A)、φρHH-HV(線性極化相關(guān)系數(shù)ρHH-HV相位)。其特征如圖6所示，樣本直方圖如圖7所示。

從理論分析，平均散射角α與平均物理散射機(jī)制直接相關(guān)。具體見式(2)。其中Pk是偽概率，αk是特征矢量參數(shù)。較低的α出現(xiàn)在水域和耕地區(qū)域，表示單次散射是主要散射機(jī)制，中等或者較高的α值出現(xiàn)在城區(qū)和園林地區(qū)。這樣在沒有水域的區(qū)域就容易將耕地和其他兩類地物進(jìn)行區(qū)分。

(2)

從特征圖和樣本直方圖分析，上述6維特征在無水域情況下，可有效區(qū)分耕地區(qū)域和林地、城區(qū)。

通過上述理論公式和特征圖分析發(fā)現(xiàn)，并不存在單獨(dú)區(qū)分耕地區(qū)域的特征，但是在無水域情況下，較容易區(qū)分耕地和其他地物。

圖5 Flevoland水域特征子集樣本直方圖

圖6 Flevoland耕地特征子集特征

1.3 林地、城區(qū)

林地主要指植被高度比較高的植被區(qū)，城區(qū)主要指的是人工建筑區(qū)。根據(jù)地物目標(biāo)特征分析得到林地和城區(qū)區(qū)分明顯的特征包括：A、RρRR-LL(圓極化相關(guān)系數(shù)ρRR-LL實(shí)部)、|ρRR-LL|(圓極化相關(guān)系數(shù)ρRR-LL幅值)、CHm1mA=H(1-A)、CRVI、P3。其特征如圖8所示，樣本直方圖如圖9所示。

從理論分析，各向異性度A反映特征分解得到的第二個(gè)、第三個(gè)特征值的相對(duì)大小，具體表達(dá)形式見式(3)。各向異性度在海洋和園林區(qū)域中較低，在城區(qū)和沿海地區(qū)較高。比較容易區(qū)分林地和城區(qū)；圓極化相關(guān)系數(shù)ρRR-LL是處理當(dāng)同極化和交叉極化相關(guān)系數(shù)為0時(shí)無法描述非對(duì)稱目標(biāo)的情況所構(gòu)建的相關(guān)系數(shù)，具體見式(4)。文獻(xiàn)[20]證明圓極化相關(guān)系數(shù)對(duì)區(qū)分林地和城區(qū)是有效的。

(3)

(4)

從特征圖和樣本直方圖分析，上述6維特征對(duì)林地城區(qū)有較好的可分性，但是如果摻雜其他地物則容易出現(xiàn)錯(cuò)分。

通過對(duì)特征圖和樣本直方圖的分析，可以得到如下結(jié)論：

1)|T22|、|T23|等特征可以單獨(dú)區(qū)分水域和其他地物(耕地、林地、城區(qū))。

2)在無水域地物的情況下，α、CPR等特征可以區(qū)分耕地和其他地物(林地、城區(qū))。

3)在無其他地物的情況下，A、RρRR-LL等特征可以區(qū)分林地和城區(qū)地物。

2 基于多層SVM的極化SAR特征分析與分類

基于多層SVM的極化SAR特征分析與分類方法的流程如圖10所示。主要針對(duì)地物目標(biāo)類型包括：水域、城區(qū)、林地和耕地。

圖7 Flevoland耕地特征子集樣本直方圖

圖8 Flevoland林地城區(qū)特征子集特征

圖9 Flevoland林地城區(qū)特征子集樣本直方圖

圖10 基于多層SVM的極化SAR特征分析與分類方法流程

2.1 預(yù)處理：輪廓檢測和分級(jí)圖像分割算法

輪廓檢測和分級(jí)圖像分割算法是Arbelaez等[19]于2011年提出的。該算法使用一種結(jié)合局部和全局信息的高性能邊緣檢測器——gPb算子來提取場景輪廓，其基于譜聚類將多尺度局部亮度、顏色、紋理四個(gè)通道的信息融入到全局框架中，并定義關(guān)聯(lián)矩陣來表征圖像塊的相似度，使用全局化分類器優(yōu)化局部線索。在此基礎(chǔ)上，該方法引入方向分水嶺變換(OrientedWatershedTransformation,OWT)從有向輪廓信息中構(gòu)造初始化區(qū)域集合，然后使用聚類算法得到超度量等高線圖，各個(gè)尺度上每條邊緣的權(quán)重由輪廓線在尺度上的相對(duì)頻率決定，最后根據(jù)閾值k得到相應(yīng)的邊緣，確定最終的分割結(jié)果。

Flevoland局部輪廓檢測分級(jí)圖像(ContourDetectionandHierarchicalImageSegmentation,CDHIS)分割和線性迭代聚類(SimpleLinearIterativeClustering,SLIC)分割結(jié)果對(duì)比如圖11所示。從分割結(jié)果上看，相對(duì)于SLIC分割結(jié)果，CDHIS對(duì)細(xì)小區(qū)域的解析能力有明顯提高，并且對(duì)于介質(zhì)相同的區(qū)域得到的分割塊比較大。這樣的分割結(jié)果使得計(jì)算特征均值更加準(zhǔn)確，出現(xiàn)奇異值的概率降低，對(duì)分類起到更好的作用。

圖11 Flevoland局部CDHIS分割和SLIC分割結(jié)果對(duì)比

2.2 基于多層SVM的極化SAR特征分析分類方法

基于多層SVM的特征分析分類方法的具體步驟如圖12。

該方法中SVM分類器的核函數(shù)為徑向基函數(shù)(RadialBasisFunction,RBF)。RBF核函數(shù)在處理線性不可分的分類問題有較大優(yōu)勢，其SVM核參數(shù)為默認(rèn)參數(shù)。

通過上述地物目標(biāo)特性分析發(fā)現(xiàn)：僅利用一種或幾種特征是無法對(duì)每一類的地物和其他類地物類型進(jìn)行有效區(qū)分的，因此本文采用了一種多層樹結(jié)構(gòu)進(jìn)行分類，其分類順序?yàn)椋核颉⒏?、林地和城區(qū)。基于多層SVM的特征分析分類方法是基于由易到難的準(zhǔn)則，結(jié)合地物目標(biāo)特性分析結(jié)論，得出分類順序。各特征子集典型特征直方圖如圖13所示。

首先，水域特征子集(|T22|、|T23|等)的特征能很好地區(qū)分水域和其他三個(gè)類別，其典型特征直方圖如圖13(a)。預(yù)處理后得到數(shù)據(jù)根據(jù)水域特征子集進(jìn)行第一次SVM分類，樣本為兩類：一類為水域樣本；一類為其他三類地物的混合樣本。其次，耕地特征子集(α、CPR等)在無水域的情況下很好地區(qū)分耕地和其他兩個(gè)類別，其典型特征直方圖如圖13(b)。第一次SVM結(jié)果其他類別根據(jù)耕地特征子集進(jìn)行第二次SVM分類，樣本分為耕地樣本和林地城區(qū)混合樣本兩類。最后，林地城區(qū)特征子集(A、RρRR-LL等)在無耕地和水域的情況下較好地區(qū)分林地和城區(qū)兩個(gè)類別，其典型特征直方圖如圖13(c)。第二次SVM分類的其他結(jié)果根據(jù)林地城區(qū)特征子集進(jìn)行第三次SVM分類，樣本分為林地樣本和城區(qū)樣本兩類。通過上述三次SVM分類就可以得到全部的分類結(jié)果。

圖12 基于多層SVM的特征分析分類方法的具體步驟

圖13 各特征子集典型特征直方圖

3 實(shí)驗(yàn)結(jié)果及分析

本文通過分析Flevoland實(shí)驗(yàn)數(shù)據(jù)中的水域、城區(qū)、林地、耕地及總體的分類精度來評(píng)價(jià)本文方法及對(duì)比算法。該算法的硬件平臺(tái)為PC，配置為i5處理器/16GB內(nèi)存，軟件平臺(tái)為Matlab2014a。對(duì)比實(shí)驗(yàn)1為Wishart監(jiān)督分類；對(duì)比實(shí)驗(yàn)2為|Tij|+SVM(0

圖14 Flevoland實(shí)驗(yàn)結(jié)果

表1Flevoland不同方法分類準(zhǔn)確率對(duì)比

Tab.1ClassificationaccuracycomparisonofdifferentmethodsinFlevoland

類型準(zhǔn)確率/%Wishart監(jiān)督分類|Tij|+SVM多維特征+SVM多維特征+mRMR+SVM本文方法水域90．5096．280．195．492．1耕地71．1878．389．683．888．8林地96．6573．668．781．686．3城區(qū)50．0063．861．376．785．4總體78．1077．176．1683．888．0耗時(shí)/s103．809929．95?20000．0016220．901022．00

對(duì)本文方法和對(duì)比實(shí)驗(yàn)方法的結(jié)果進(jìn)行分析：1)對(duì)比實(shí)驗(yàn)1是較為經(jīng)典的極化分類方法，并在分類結(jié)果后面增加馬爾可夫后處理，時(shí)間復(fù)雜度較小，主要針對(duì)自然地物。從分類結(jié)果上可以看出其區(qū)分水域和林地的效果好，但是對(duì)人工地物效果不好，總體分類精度一般。2)對(duì)比實(shí)驗(yàn)2只提取單一特征|Tij|(0

Vancouver實(shí)驗(yàn)數(shù)據(jù)實(shí)驗(yàn)結(jié)果如圖15和表2所示。從目視解譯和分類結(jié)果評(píng)估兩個(gè)方面得到了相似的實(shí)驗(yàn)結(jié)論。

圖15 Vancouver實(shí)驗(yàn)結(jié)果

表2Vancouver不同方法分類準(zhǔn)確率對(duì)比

Tab.2ClassificationaccuracycomparisonofdifferentmethodsinVancouver

類型準(zhǔn)確率/%Wishart監(jiān)督分類|Tij|+SVM多維特征+SVM多維特征+mRMR+SVM本文方法水域94．2197．6897．0398．1598．93耕地62．4964．3779．5971．6979．34林地88．7269．8243．2276．9385．89城區(qū)86．2165．1241．3379．0387．29總體78．2173．7673．1080．5886．77耗時(shí)/s420．7010152．00?100000．00109330．007960．00

通過重復(fù)實(shí)驗(yàn)評(píng)估樣本數(shù)量對(duì)分類精度的影響。每組重復(fù)次數(shù)為15次，重復(fù)實(shí)驗(yàn)的樣本是通過隨機(jī)選擇得到的。實(shí)驗(yàn)結(jié)果如圖16。

圖16 樣本數(shù)量對(duì)總體分類精度影響

從圖16和數(shù)據(jù)分析得出，當(dāng)樣本百分比超過5%，其總體分類精度的標(biāo)準(zhǔn)差小于0.002。結(jié)果表明：一方面，本文方法有較好的穩(wěn)定性，在同等實(shí)驗(yàn)條件下得到一致的實(shí)驗(yàn)結(jié)論；另一方面，本文方法受樣本量的影響較小，隨著樣本量的增加，總體分類精度迅速增加并保持穩(wěn)定。

4 結(jié)語

本文提出一種基于多層支持向量機(jī)(SVM)的極化SAR特征分析與分類方法。通過特征分析確定適合不同地物類型的最佳特征子集，采用多層樹結(jié)構(gòu)根據(jù)每一種地物類型的特征子集進(jìn)行SVM分類。該算法充分利用了地物目標(biāo)類型的特性，提高了分類精度，也降低了算法時(shí)間復(fù)雜度。實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性和穩(wěn)定性。

下一步的研究方向主要是面向更豐富地物目標(biāo)類型，通過更細(xì)致物理機(jī)制的研究，選擇更為精確的SVM核參數(shù)，構(gòu)造更好的分類框架，以期在各種復(fù)雜地物類型中獲得更精確的分類結(jié)果，在減災(zāi)、土地利用等重要領(lǐng)域發(fā)揮積極作用。

)

[1]HUYNENJR.Phenomenologicaltheoryofradartargets[D].TUDelft,Holland:DelftUniversityofTechnology, 1970: 157-179.

[2]HOLMWA,BARNESRM.Onradarpolarizationmixedtargetstatedecompositiontechniques[C]//Proceedingsofthe1988IEEENationalRadarConference.Piscataway,NJ:IEEE, 1988: 249-254.

[3]FREEMANA,DURDENSL.Athree-componentscatteringmodelforpolarimetricSARdata[J].IEEETransactionsonGeoscienceandRemoteSensing, 1998, 36(3): 963-973.

[4]YAMAGUCHIY,MORIYAMAT,ISHIDOM,etal.Four-componentscatteringmodelforpolarimetricSARimagedecomposition[J].IEEETransactionsonGeoscienceandRemoteSensing, 2005, 43(8): 1699-1706.

[5]CLOUDESR.Targetdecompositiontheoremsinradarscattering[J].ElectronicsLetters, 1985, 21(1): 22-24.

[6]DURDENSL,VANZYLJJ,ZEBKERHA.Theunpolarizedcomponentinpolarimetricradarobservationsofforestedareas[J].IEEETransactionsonGeoscienceandRemoteSensing, 1990, 28(2): 268-271.

[7]KROGAGERE.Newdecompositionoftheradartargetscatteringmatrix[J].ElectronicsLetters, 1990, 26(18): 1525-1527.

[8]SAEPULOHA,KOIKEK,OMURAM.ApplyingBayesiandecisionclassificationtoPi-SARpolarimetricdatafordetailedextractionofthegeomorphologicandstructuralfeaturesofanactivevolcano[J].IEEEGeoscienceandRemoteSensingLetters, 2012, 9(4): 554-558.

[9]L?NNQVISTA,RAUSTEY,MOLINIERM,etal.PolarimetricSARdatainlandcovermappinginborealzone[J].IEEETransactionsonGeoscienceandRemoteSensing, 2010, 48(10): 3652-3662.

[10]VOISINA,KRYLOVVA,MOSERG,etal.ClassificationofveryhighresolutionSARimagesofurbanareasusingcopulasandtextureinahierarchicalMarkovrandomfieldmodel[J].IEEEGeoscienceandRemoteSensingLetters, 2013, 10(1): 96-100.

[11]FUKUDAS,HIROSAWAH.Supportvectormachineclassificationoflandcover:applicationtopolarimetricSARdata[C]//IGARSS’01:ProceedingsoftheIEEE2001InternationalGeoscienceandRemoteSensingSymposium.Piscataway,NJ:IEEE, 2001: 187-189.

[12]WASKEB,VANDERLINDENS.ClassifyingmultilevelimageryfromSARandopticalsensorsbydecisionfusion[J].IEEETransactionsonGeoscienceandRemoteSensing, 2008, 46(5): 1457-1466.

[13] 何吟，程建.基于商空間粒度的極化SAR圖像分類[J].計(jì)算機(jī)應(yīng)用,2013,33(08):2351-2354.(HEY,CHENGJ.ClassificationofpolarimetricSARimagesbasedonquotientspacegranularitycompositiontheory[J].JournalofComputerApplications, 2013, 33(8): 2351-2354.)

[14] 桂容,徐新,董浩,等.全極化SAR影像城區(qū)建筑密度分析 [J]．遙感技術(shù)與應(yīng)用,2016,31(2):267-274.(GUIR,XUX,DONGH,etal.UrbanbuildingdensityanalysisfrompolarimetricSARimages[J].RemoteSensingTechnologyandApplication, 2016, 31(2): 267-274.)

[15]MAGHSOUDIY,COLLINSMJ,LECKIEDG.Radarsat-2polarimetricSARdataforborealforestclassificationusingSVMandawrapperfeatureselector[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2013, 6(3): 1531-1538.

[16] 李雪薇,郭藝友,方濤.基于對(duì)象的合成孔徑雷達(dá)影像極化分解方法[J].計(jì)算機(jī)應(yīng)用,2014,34(5):1473-1476,1490.(LIXW,GUOYY,FANGT.Object-basedpolarimetricdecompositionmethodforpolarimetricsyntheticapertureradarimages[J].JournalofComputerApplications, 2014, 34(5): 1473-1476, 1490.)

[17] 王云艷,何楚,涂峰,等.特征選擇雙層SVM的融合算法用于極化SAR圖像分類[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2015,40(9):1157-1162.(WANGYY,HEC,TUF,etal.PolSARimageclassificationusingfeaturefusionalgorithmbasedonfeatureselectionandbilayerSVM[J].GeomaticsandInformationScienceofWuhanUniversity, 2015, 40(9): 1157-1162.)

[18]DINGC,PENGH.Minimumredundancyfeatureselectionfrommicroarraygeneexpressiondata[J].JournalofBioinformaticsandComputationalBiology, 2005, 3(2): 185-205.

[19]ARBELAEZP,MAIREM,FOWLKESC,etal.Contourdetectionandhierarchicalimagesegmentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2011, 33(5): 898-916.

[20] 楊杰,趙伶俐,李平湘,等.引入規(guī)范化圓極化相關(guān)系數(shù)的保持極化散射特性的分類算法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2012,37(8):911-914.(YANGJ,ZHAOLL,LIPX,etal.Preservingpolarimetricscatteringcharacteristicsclassificationbyintroducingnormalizedcircular-polcorrelationcoefficient[J].GeomaticsandInformationScienceofWuhanUniversity, 2012, 37(8): 911-914.)

ThisworkispartiallysupportedbytheTechnologyResearchandDevelopmentoftheMajorProjectofHigh-ResolutionEarthObservationSystemunderGrant(03-Y20A10-9001-15/16),theComprehensiveDisasterDemonstrationProjectofSpatialInformationServices.

SONG Chao, born in 1992, M.S.candidate.His research interests include synthetic aperture radar image interpretation.

XU Xin, born in 1967, Ph.D., professor, doctoral supervisor.His research interests include signal and information processing.

GUI Rong, born in 1990, M.S.candidate.Her research interests include synthetic aperture radar image interpretation.

XIE Xinfang, born in 1994, M.S.candidate.Her research interests include synthetic aperture radar image interpretation.

XU Feng, born in 1980, M.S., associate research fellow.His research interests include application of synthetic aperture rada image in disaster prevention and reduction.

Polarimetric synthetic aperture radar feature analysis and classification based on multi-layer support vector machine classifier

SONG Chao, XU Xin*, GUI Rong, XIE Xinfang, XU Feng

(SchoolofElectronicInformation,WuhanUniversity,WuhanHubei430072,China)

In order to make full use of the ability of of Synthetic Aperture Radar (SAR) images with different polarization features for characterizing different types of ground objects, an analysis and classification approach of polarimetric SAR feature based on multi-layer Support Vector Machine (SVM) classifier was proposed.Firstly, the optimal feature subsets suitable for different terrain types were determined through the feature analysis.Then, the method of hierarchical classification tree was used for SVM classification step by step according to the feature subset of each object type.Finally, the overall final result was obtained.The experimental results of RadarSAT-2 polarimetric SAR image classification show that, the classification accuracy of the proposed approach is approximately 85% for four kinds of ground objects such as water area, cultivated land, forest land and urban area and the overall classification accuracy is up to 86%.The proposed approach can make full use of the characteristics of the different ground object target types, improve the classification accuracy and reduce the time complexity.

polarimetric Synthetic Aperture Radar (SAR) image; feature analysis of ground object; multi-layer Support Vector Machine (SVM); supervised classification

2016-06-02;

2016-07-25。

高分辨率對(duì)地觀測系統(tǒng)重大專項(xiàng)技術(shù)與開發(fā)項(xiàng)目(03-Y20A10-9001-15/16);綜合減災(zāi)空間信息服務(wù)應(yīng)用示范項(xiàng)目。

宋超(1992—)，男，福建福州人，碩士研究生，主要研究方向：合成孔徑雷達(dá)圖像解譯； 徐新(1967—)，男，湖北武漢人，教授，博士生導(dǎo)師，博士，主要研究方向：信號(hào)與信息處理； 桂容(1990—)，女，湖北武漢人，碩士研究生，主要研究方向：合成孔徑雷達(dá)圖像解譯；謝欣芳(1994—)，女，河南周口人，碩士研究生，主要研究方向：合成孔徑雷達(dá)圖像解譯； 徐豐(1980—)，男，北京人，副研究員，碩士，主要研究方向：合成孔徑雷達(dá)圖像在防災(zāi)減災(zāi)方面的應(yīng)用。

1001-9081(2017)01-0244-07

10.11772/j.issn.1001-9081.2017.01.0244

TP75; TN958

A