基于组合条件随机场的极化SAR图像监督地物分类

摘要

在复杂极化SAR (Synthetic Aperture Radar,SAR)图像的地物分类中,可以通过提取多种特征及利用上下文信息来提高分类精度.特征维度的增加会产生过拟合和特征干扰,从而导致分类器性能降低.针对这个问题,该文提出了一种基于组合条件随机场(Conditional Random Fields,CRF)的极化SAR图像监督地物分类方法.不同于CRF模型通过将多个特征矢量堆叠形成一个新的特征矢量以利用多种特征信息的传统方式,组合CRF模型首先将不同类型特征分成多个特征子集合分别训练同一个CRF模型得到多个有差异的子分类器,从而得到多个地物分类结果,然后以单个子分类器的归一化总体分类精度作为加权系数将多个分类结果进行融合以得到最终的分类结果.两组真实极化SAR图像分类实验结果表明,该文方法的分类精度比利用单个特征矢量单个子分类器的分类精度有明显提升.对于实验采用的两组数据,该文方法的分类精度比利用多个特征矢量堆叠的分类精度分别提高13.38％和11.55％,同时也比基于SVM (Support Vector Machines,SVM)的分类精度分别提高13.78％和14.75％.