第 12卷 第 1期
2008年 1月
遥 感 学 报
JOURNAL OF REMOTE SENSING
Vol. 12, No. 1
Jan. , 2008
收稿日期 : 2006208201;修订日期 : 2007204220
作者简介 :吴永辉
(
1976—
)
,男 ,国防科学技术大学电子科学与工程学院博士研究生。主要研究方向为极化 SAR信息处理。已发表论
文 10余篇。E2mail: wuxiaowu76@126. com。
文章编号 : 100724619
(
2008
)
0120046208
利用 SVM 的全极化、双极化与单极化
SAR图像分类性能的比较
吴永辉 , 计科峰 , 郁文贤
(
国防科学技术大学 电子科学与工程学院 , 湖南 长沙 410073
)
摘 要 : 支持向量机
(
SVM
)
以其在小训练样本时良好的分类性能 ,目前已广泛应用于多个领域。本文在极化
SAR图像特征提取基础上 ,将 SVM应用于极化 SAR图像分类 ,定性和定量地比较了全极化、双极化和单极化 SAR
图像的分类性能 ,分析了不同的极化组合对分类结果的影响 ,并根据地物极化散射特性分析了分类精度差异的成
因。实测极化 SAR数据的实验结果表明 ,全极化数据能获得最好的分类性能 ,双极化次之 ,单极化最低 ,且在某些
情况下 ,双极化与全极化分类性能接近。
关键词 : 雷达极化 ; 合成孔径雷达 ; 分类
中图分类号 : TP751. 1 文献标识码 : A
1 引 言
近年来 ,随着多个实际系统应用于生物密度评
估、植被探测、地质勘探和海冰监测等领域 ,极化合
成孔径雷达
(
Synthetic Aperture Radar, SAR
)
逐渐成
为人们关注的热点。极化描述了电场矢端的振动状
态 ,是电磁波的固有属性之一。地物对不同极化入
射波的散射特性可用复散射矩阵表征。具有 HH,
HV,VH和 VV 4种极化的全极化 SAR 的散射矩阵
包含了地物的全部散射信息 ,有利于深入分析地物
特性。双极化包含了上述 4种极化中的两种 ,散射
信息少于全极化 ,但比单极化的信息更丰富。
地物分类是极化 SAR图像的重要应用之一 ,分
类图直观地表明了地物的类别归属 ,有利于人们对
图像的理解及挖掘图像中的隐含信息。根据处理方
法的不同 , SAR图像分类方法可分为监督和非监督
两类。Vapnik等人提出的基于统计学习理论的支
持向量机
(
Support Vector Machine, SVM
)
[ 1—3]
是一
种有效的监督分类器。该方法利用非线性变换将输
入空间中线性不可分的问题转化到高维空间 ,根据
间隔最大化准则构造最优分类超平面。由于最优分
类面的求解过程和最终的判决函数都只用到内积运
算 ,因此只需要知道非线性变换后的高维空间的内
积运算 ,而不必知道变换的表达式 ,避免了高维空间
显式运算带来的维数灾难。在有限训练样本情况
下 , SVM 利 用 结 构 风 险 最 小 化
(
Structural Risk
M inim ization, SRM
)
原则 ,在固定经验风险的同时得
到 VC维
(
Vapnik2Chervonenkis D imension
)
最小的最
优分类面 ,避免了过学习 ,具有良好的泛化性能 ,对
解决小样本、非线性及高维模式识别问题具有独特
的优势。目前 , SVM 已成为机器学习领域新热点 ,
在人脸识别
[ 4 ]
、手写字体识别
[ 5 ]
和自动目标识别
[ 6 ]
中得到了广泛应用。国外已有学者尝试将其用于极
化 SAR图像分类
[ 7, 8 ]
,取得了较好的效果。
与单极化 SAR相比 ,双极化和全极化能在多大
程度上提高分类性能 ,这是人们普遍关注的问题。
本文在极化 SAR 特征提取的基础上 ,研究了 SVM
在极化 SAR图像分类中的应用。同时 ,以 SVM 为
分类器 ,利用实测数据比较了全极化、双极化和单极
化 SAR图像的分类性能 ,定性、定量地分析了不同
极化组合对分类性能的影响 ,并从地物极化散射特
性和分类器工作机理的角度 ,解释了分类精度差异
的成因 ,得到了一些有意义的结论。
文中第 2节介绍极化 SAR和单极化 SAR图像
分类特征 ,第 3节简要阐述 SVM 原理与基于 SVM
