基于集成学习和特征选择的极化SAR地物分类

摘要

随着遥感技术的不断发展以及人们对遥感地物探测性能要求的不断提高，需要处理的问题也越来越复杂，这就意味着传统的雷达已经不能完全满足更高性能的要求。极化合成孔径雷达(极化SAR)作为一种较新的遥感雷达波，可以提供更加丰富的地物散射信息。因此近几十年来已成为了遥感领域的一个研究热点。极化SAR图像地物分类作为极化SAR数据研究在图像处理领域的典型应用，通过对样本，特征和分类器进行研究，做到将不同的地物类型进行区分。
　　对于极化SAR图像分类而言，样本、特征和分类器是决定最终分类结果的三个重要因素。简言之，如果能够选择合适的样本、特征和分类器，则能够取得较好的分类结果。研究表明：极化SAR图像比一般的SAR图像蕴含更多的物理散射信息，特征信息也更为丰富。但是与此同时，选择适合的样本和特征的难度也相应增加。并且随着样本及特征数量的增加，虽然所蕴含的分类信息也相应增加，但是却也相应的增加了分类器的运算复杂度。在大量的样本和特征中，难免存在一些冗余、相似甚至有害最终分类结果的信息。为了构造一个更好的极化SAR图像分类方法，本文围绕着样本选择、特征选择和分类器构造三个方面对极化SAR图像地物分类进行了深入的研究，将一些经典的极化方法(如Freeman分解)和机器学习算法(如Fisher线性判决和集成算法)结合在一起，提出了若干基于目标分解、样本选择、特征选择和集成算法的极化SAR图像地物分类方法，主要研究成果有：
　　1.针对有监督极化SAR图像分类中训练样本难以提前选取和评价的问题，提出了一种基于选择集成的极化SAR图像分类方法。该方法通过选择个体分类器来达到选择训练样本的目的，可以有效的减少训练样本个数并选择出较优的样本从而在减少运算时间的同时提高分类准确率。首先，从图像中选取初始训练样本集，并随机划分构成训练样本子集。然后，基于不同的训练样本子集通过基础分类器学习得到多个个体分类器。最后，通过匹配追踪选择集成算法对个体分类器进行选择，得到最终的分类结果。理论分析表明：在分类过程中，基于较好的训练样本子集训练得到的个体分类器，能够分配较大权重，而同时含有一些相似或有害信息的训练样本将被给予零值而达到删除该样本的目的。实验结果表明该章提出的基于选择集成的极化SAR图像分类方法可以有效的进行样本选择，删除有害或冗余的训练样本，从而达到提高分类精度并减少运算时间的目的。
　　2.针对在极化SAR图像中由于雷达角度和地物形状导致属于同一类别的像素点可能存在较大的差异性，而不同类别的像素点具有相似的散射形式从而易导致错分的问题，提出了一种基于贝叶斯集成框架的极化SAR图像分类方法和一种基于加权投票准则集成的极化SAR图像分类方法。基于贝叶斯集成框架的极化SAR图像分类方法是采用贝叶斯集成，通过学习不同个体获得的分类面来改善极化SAR图像分类性能。首先，输入极化SAR图像，并获得其对应的极化SAR特征。从图像的每一类中任意选择像素点作为图像分类的原始训练样本，并对其进行随机划分获得不同的样本子集。然后，基于获得的样本子集构造对应极化SAR图像的贝叶斯集成框架。最后通过构造的贝叶斯集成框架对极化SAR图像进行分类。基于加权投票准则集成的极化SAR图像分类方法是根据不同训练样本子集学习得到的分类器，并用这些分类器得到预测标记，从而求得个体分类器的加权系数。最后再用这些加权系数对预测标记进行合并得到最终的分类结果。实验结果证明，所提出的两种方法均在AIRSAR和Radarsat-2数据上取得了较好的分类结果。
　　3.针对如何更好的使用极化SAR图像数据元素特征的问题，提出了一种基于特征加权集成的极化SAR图像分类方法。该方法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数，并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先输入极化SAR数据，获得极化特征作为原始特征集，并对原始特征集进行随机抽取得到不同的特征子集。然后，使用0-1矩阵分解集成算法得到对应每个特征子集的加权系数；最后通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明，该方法可以有效的提高极化SAR图像分类精度。
　　4.针对如何更好的使用极化SAR图像数据相干矩阵元素作为极化SAR图像分类特征的问题，提出了一种基于Fisher线性判决的极化SAR图像特征选择方法和一种基于三分量散射模型改进的Fisher线性判决的极化SAR图像特征加权方法。以上两种方法均选用Fis her线性判决对相干矩阵中的九维特征进行选择处理，从而得到更适合极化SAR图像分类的特征组合。基于Fisher线性判决的极化SAR图像特征选择方法，首先选取训练样本，计算出每一类对应的Fisher系数。然后再设定阈值，将高于阈值的Fisher系数对应的特征保留，其余的特征删除。最后，将选择后的特征输入H/alpha和Wishart分类器，得到最终的分类结果。实验结果表明特征选择可以有效的改善分类结果。基于三分量散射模型改进Fisher线性判决的极化SAR图像特征加权方法，首先在各类中选取训练样本，并用Fisher线性判决方法计算得到各个特征的系数。然后这些权值系数根据三分量散射模型分解加以修正，这样就可以有效的将物理模型和统计模型结合在一起，使得该方法更符合极化SAR数据的内在散射机理。之后再将这些权值分配给各个特征。最后用Freeman分解和Wishart分类器结合的方法得到最终的分类结果。实验结果证明经过特征加权之后的分类结果要优于没有对特征进行任何处理的分类结果。
　　5.针对Freeman目标散射分解存在能量负值的问题，提出了一种改进三分量散射模型的极化SAR图像分解方法。该方法采用熵值和Freeman分解中的体散射模型结合成新的散射模型。首先根据Freeman分解得到体散射模型矩阵。然后计算得到相应的熵值。最后再用计算得到的熵值对体散射模型矩阵中的第一个元素进行修改。实验结果表明，该方法有效的改善了原始Freeman分解中对体散射机制的过估计，同时也有效地减少面散射和二次散射中能量负值的个数。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 研究背景

1.2 极化SAR发展现状

1.3 极化SAR图像分类方法的发展和现状

1.4 极化数据矩阵及典型目标散射机理

1.5 机器学习及集成学习

1.6 本文的主要工作和论文安排

第二章 基于选择集成的极化SAR图像分类

2.1 引言

2.2 极化SAR散射矩阵及熵

2.3 SVM与集成算法

2.4 基于选择集成的极化SAR图像分类方法

2.5 对比实验与结果分析

2.6 小结

第三章 基于贝叶斯集成框架的极化SAR图像分类方法

3.1 引言

3.2贝叶斯集成算法

3.3基于贝叶斯集成的极化SAR分类方法

3.4 对比实验与结果分析

3.5 小结

第四章 基于加权投票准则集成的极化SAR图像分类方法

4.1 引言

4.2加权投票准则

4.3 基于加权投票准则集成的极化SAR分类方法

4.4 对比实验与结果分析

4.5 小结

第五章 基于奇异值矩阵分解集成特征加权的极化SAR图像分类

5.1 引言

5.2 奇异值分解和基于奇异值分解的加权集成

5.3 基于0-1矩阵分解的极化SAR特征加权方法

5.4 对比实验与结果分析

5.5 小结

第六章 基于改进Fisher线性判决的极化SAR图像特征选择方法

6.1 引言

6.2 Fisher线性判决

6.3 基于Fisher线性判决的特征选择

6.4基于Freeman改进的Fisher线性判决

6.5 对比实验结果及分析

6.6 小结

第七章 基于改进三分量散射模型的极化SAR图像分解

7.1 引言

7.2 Freeman分解和去取向理论

7.3 改进三分量散射模型分解

7.4 对比实验与结果分析

7.5 小结

第八章 结论和展望

8.1 研究结论

8.2 研究展望

参考文献

致谢

作者简介