利用0-1矩陣分解集成的極化SAR圖像分類

陳 博王 爽焦李成劉 芳毛莎莎張 爽

①(西安電子科技大學智能感知與圖像理解教育部重點實驗室 西安 710071)

②(西安電子科技大學計算機學院 西安 710071)

利用0-1矩陣分解集成的極化SAR圖像分類

陳 博*①王 爽①焦李成①劉 芳②毛莎莎①張 爽①

①(西安電子科技大學智能感知與圖像理解教育部重點實驗室 西安 710071)

②(西安電子科技大學計算機學院 西安 710071)

全極化合成孔徑雷達(PolSAR)圖像蘊含更豐富的散射信息，具有更多的可用特征。如何使用這些特征是極化SAR圖像分類中非常重要的一步，但是目前尚未對此提出非常明確的準則。為了能夠有效地解決上述問題，該文提出一種基于特征加權集成的極化SAR圖像分類算法。該算法采用0-1矩陣分解集成方法對包括不同特征的數據集進行學習獲得相應加權系數，并通過對每個特征集獲得的預測結果進行加權集成來提高極化SAR圖像分類性能。首先，輸入極化SAR數據，獲得極化特征作為原始特征集，并對其進行隨機抽取獲得不同的特征子集；然后，使用0-1矩陣集成算法得到每個特征值相對應的加權系數；最后，通過對各個特征子集的預測結果進行集成得到最終極化SAR圖像分類結果。實測L波段和C波段極化數據的實驗結果表明，該算法可以有效地提高極化SAR圖像分類的準確度。

極化合成孔徑雷達；監督圖像分類；集成學習；分類器集成

1 引言

近年來，極化合成孔徑雷達(Polarimetric SAR, PolSAR)圖像已經成為了一個非常熱門的研究方向，而地物分類作為最重要的極化SAR圖像研究方向之一，也受到了廣泛的關注。和單極化SAR圖像相比，其數據涵蓋了地物目標散射特性，對回波信息進行了特定的分析和處理，從而提取了更為豐富的信息[1]。在國內外學者已經提出的眾多經典分類方法當中，一類方法是基于測量到的數據，比如散射矩陣S，相干矩陣T，協方差矩陣C[2]和基于相干矩陣T特征值與特征向量分解的H/alpha方法[3]及相關研究改進[4,5]；另一類算法是基于目標散射理論，這些算法的核心是將數據分解成相互獨立的成分，而每一部分都有其相對應的物理含義，如基于Freeman分解[6]的分類方法及改進[7,8]和Yamaguchi分解[9]及改進[10?12]；還有一類方法是用經典數據模型或者機器學習的方法對極化數據進行處理，如Wishart分類器[13]和支撐向量機(SVM)[14,15]。其中，前兩類算法是基于散射回波信息和地物目標的散射特性給出的，因此可以得到一系列物理量能夠有效地將極化SAR圖像中的地物類型區別開，可以被用作其他分類方法中的特征值。這些特征值在給極化SAR圖像分類研究帶來豐富的地物散射信息的同時，也帶來了一些困難。

通常在實際應用中，特征需要在分類過程進行之前被提取和進行處理。如何使用特征、使用哪些特征是圖像分類分類器設計當中的關鍵步驟。而關于特征處理有兩類主要算法：尋找特征子集和特征加權。特征加權是指給出一組特征的組合，通過相應的權值來控制其對最終分類結果的影響。但是，哪些特征可以得到更好的分類結果，卻是很難預先確定下來的。目前，對于已有的特征處理算法而言，大多數算法都只是尋求唯一的一組特征組合來對所有的類別進行分類。然而，從某種程度上來講，這樣既會增加類別之間決定邊界的復雜度[16]，又會限制到分類的準確性。此外，地物散射信息存在隨機性，由于角度、形狀、介電常數等多種因素，同一類別的像素卻可能蘊含不同散射信息，而不同類別的像素可能存在相似的散射信息[17]。那么，每一個特征值的有效性將會受到不同的地物目標甚至是同一地物目標不同位置的影響，也就是說不同的特征對于不同的散射類型和地物目標有著不同的區分能力。如果要用單一的特征組合對所有的類別均有效，則必然要求大量的特征數據。

為了解決上述問題并更好發揮極化SAR圖像特征的有效性，本文考慮用基于不同地物類別的多重特征組合代替之前提到的對于全圖使用單一特征組合的方式來進行特征加權和圖像分類。因此，提出了一種基于0-1矩陣分解加權集成框架下的極化SAR圖像分類算法。在本文算法中，首先，根據經典算法所給出的多個特征組成初始特征集，并從中多次隨機抽取若干特征組成多個特征子集；然后，基于獲得的特征子集學習得到多個個體分類器；最后使用基于0-1矩陣分解的加權集成算法[18]將多個個體分類器的結果進行集成。實際上，本文通過將集成學習思想引入到極化SAR圖像分類中，通過對每個特征子集對應的個體分類器加權來實現極化SAR圖像特征加權的過程。對不同的類別或者對于同一類別不同位置的待測樣本使用不同的特征權值得到預測標記，并通過某種策略將多個預測標記合并在一起得到最終所需要的預測結果。因此，一方面避免了單一特征組合對不同類型地物分類準確性的限制，而且在另一方面也降低了算法的計算復雜度和對特征數據的要求。本文算法有效地解決了上述特征處理困難和單一特征組合需要大量特征來實現多類圖像分類的問題。另外，實測極化SAR圖像數據的實驗結果證明了本文算法與其他方法相比能夠獲得更好的分類結果。

2 所用到的極化特征及方法

因為雷達目標的電磁散射是一個線性過程，所以當散射空間坐標系以及相應的極化基被選定之后，就使得雷達照射波和目標散射波的各極化分量之間存在線性變換的關系，因此，一個復2維矩陣形式可以表示目標的變極化效應，稱為極化散射矩陣[1]。極化SAR數據涵蓋了地物類型的散射信息，是以矩陣形式作為表征，即每一個像素點均是一個矩陣，如式(1)所示：

在分析極化數據過程中，通常將目標的極化散射矩陣矢量化。在后向散射情況下，因為互異性有SHV=SVH=Sx。由于極化相干矩陣更易于解釋散射過程的物理意義[1,19]，所以在實際的極化研究中更多的是采用極化相干矩陣。在多視極化SAR圖像中，每一個像素點都可以表示成一個3×3的正定Hermitite相干矩陣。

其中A=SHH+SVV, B=SHH?SVV, C=2Sx,＜·＞表示在假設隨機散射機制各向同性下的空間統計平均。在假設隨機介質的各向同性的情況下，T矩陣包含S矩陣中所有元素之間的偏差和相干信息。

基于目標散射理論，文獻[3]將相干矩陣T表示為如式(3)形式，其中U3和λi(i=1,2,3)分別是矩陣T的特征矩陣和特征值，而上標H是共軛轉置。

根據文獻[3]，熵H定義為

3 基于矩陣奇異值分解集成的監督極化SAR分類

3.1 基于0-1矩陣分解的加權集成

基于0-1矩陣分解的集成算法(SWENC)[18]是一種基于矩陣奇異值分解的加權集成算法。為了最小化集成誤差，該方法通過對0-1矩陣進行奇異值分解所獲得的系數將L個分類器合并在一起。根據文獻[18]可以得到，在一個集成分類器系統中，集成的最終預測標記通常使用式(5)獲得。

其中wi表示分類器Di的權值系數，pci表示分類器Di將樣本x分到第c類的概率，c∈{1,2,…,C },L是個體分類器的數目。實際上，給分類器賦予權值的目的是為了能夠降低集成誤差。

其中yn是樣本xn的真實類別標記，N是樣本數目，ε(·)表示當‘·’大于0，值為1，否則值為0。

在SWENC算法中，基于預測類別標記和真實類別標記來建立一個N×L維二進制矩陣A，并被用來表示集成中的個體分類器，其中元素用ani表示：

其中fni表示分類器Di(i=1,2,…,L)給予樣本x的預測類別標記。因此，矩陣A的列向量表示分類器，而矩陣A列向量加和相當于分類器的分類性能。因此矩陣A奇異值分解后的右奇異值向量表明個體分類器在集成中的重要性。特別地，右奇異值矩陣中對應最大奇異值Σmax的右奇異向量vmax的平方就被用作個體分類器的線性組合系數權值。由理論分析可以得到：對于0-1矩陣來說，其奇異值越大，則基于該奇異值的奇異值向量所獲得的集成分類誤差就會越小。

3.2 基于矩陣分解集成算法的極化SAR圖像分類

集成分類器作為集成學習在監督學習中的一個應用，它相當于結合多個分類器的預測標記從而提高單個分類器的分類性能的過程。根據文獻[20]，差異性和個體分類器的誤差是決定集成性能的兩個非常關鍵的因素。然而，增加差異性是以提高了分類器的誤差為代價的。這暗示了并不是所有的分類器都對提高集成性能有所幫助[20]。實際上，這與特征對于圖像分類的影響是相似的，因為對于圖像分類而言，并不是所有的特征都對某個圖像處理取得好的效果。另外，不同的特征對于不同的數據、不同的圖像，甚至同一個圖像上的不同類別，其性能和貢獻都是不一樣的。那么，如果可以根據特征對于最終分類結果的貢獻賦予其權值并進行調整，對于取得較好分類結果的特征給予較大的權值，而結果稍差一些的特征則分配較小的權值，那么就可以有效地提高圖像分類的準確率。

因此，本文提出了一種新的基于分類器加權集成的極化SAR圖像特征加權和監督分類方法。根據上面對極化SAR圖像的介紹可知，極化SAR數據可以獲得更多的關于散射的信息，但同時也給特征提取以及特征的應用帶來更多的困難。目前極化SAR圖像數據分類已經獲得了廣泛的關注，并且眾多經典方法給出了除了相干矩陣之外的一些有用特征，但是這些特征如何使用和組合卻還沒有一個固定的結論。此外，因為地物散射信息存在隨機性，雷達角度、地物自身傾角形狀等因素的影響，導致屬于不同類別的像素點可能存在相似的散射信息，而同一類別中的像素點卻可能蘊含不同的散射信息[17]。這就意味著，對于不同的地物類型，甚至是對于同一地物類型的不同位置，每一個特征的有效性是不同的，那么對于所有像素采用單一的特征組合在有些情況下很難取得較好的分類結果。

而且，如果單純靠增加特征維數，采用大量特征數據進行學習，其學習的復雜度也將相應提高。因此為了可以更有效地使用特征樣本并降低學習復雜度，本文提出了一種基于0-1矩陣奇異值分解加權集成的極化SAR圖像特征加權及監督分類的方法。該方法針對極化SAR圖像數據，在極化SAR圖像分類中，提取出多個特征作為原始特征集。再從中隨機抽取若干特征組成不同的特征子集。然后對這些特征子集進行自學習，通過自學習結果和真實類標進行對比，得到0-1矩陣后進行奇異值分解，最后得到對應每一組個體的系數作為權值進行集成，用該加權集成之后的結果得到極化SAR圖像的分類結果。下面將給出本文算法介紹和具體算法步驟。

特征處理是圖像分類當中關鍵的步驟之一。在本文提出的方法當中，首先選取H/α方法[3]中的H/α/A，相干矩陣T中的對角線元素T11T22T33，上三角元素T12T13T23和相干矩陣的3個特征值作為初始的特征樣本集。其中，相干矩陣T的對角線元素分別表示：目標的對稱性因子，目標的非對稱性因子和目標的非規則性因子；而上三角元素分別代表：構型因子和局部曲率差的度量，表面扭轉和目標的螺旋性，對稱與非對稱部分間的耦合和目標的方向性[1]。因為相干矩陣T更容易解釋關于散射過程的物理含義，從而其更多地被應用在實際的極化研究當中。因此相干矩陣T中的元素及相干矩陣分解的特征值通常作為極化SAR圖像分類中特征。3個參數H,α,A分別代表著熵，alpha角和反熵，對應信息分別是[1,3]：角度α對應散射過程的物理機制，從α=0°到α=45°再到α=90°的變化依次對應表面散射、體散射和偶次散射變化；散射熵H表示散射媒質從H=0的各向同性散射到H=1完全隨機散射的隨機性；反熵A的大小反映了Cloude分解中優勢散射機制以外的兩個相對較弱的散射分量之間的大小關系，因此該3個元素可以很好地反映目標的物理機制及散射特性，也是極化SAR圖像分類中的重要特征。

基于極化SAR原始圖像選取一組像素點作為分類中已知標記的樣本集，用表示，=，其中N表示已知其類別標記的樣本數。因為機器學習算法被用在本文當中對極化SAR圖像進行分類，所以這里將極化SAR圖像中像素點對應于機器學習算法中的樣本點，其中每一個像素點都具有多維特征。通過對原始特征集進行劃分，獲得m個不同的特征子集，其中每個子集都包含有d個特征。則對于類別標記已知的訓練樣本集而言，根據其中像素點所具有特征不同，可以寫成m個不同的子集。然后，使用分類器算法對每個子集i(i=1,2,…,m)進行學習分類，獲得對應每個子集的預測類別標記hi。根據對應每個子集i的預測標記hi，構造基于極化SAR圖像的0-1矩陣。之后，對0-1矩陣A進行奇異值分解：A= UΣVT，再選取V中對應于最大特征值的向量vmax。該向量元素值的平方即為各個特征子集的對應系數權值。

基于0-1矩陣分解加權集成[18]原理，本文算法獲得對應每個子集i的0-1矩陣(N×m)為

其中若預測標記與真實標記相同，則賦值1，若不相同，則賦值0。我們通過加權集成的方法得到了一個對應特征子集的權值向量。最終，每個基于特征子集得到的個體分類器的預測類別標記被賦予不同的權值從而合并在一起得到最終的分類結果。另外，本文中，0-1矩陣奇異值分解加權集成被用來對個體分類器進行加權，并且支撐向量機[21]被用作集成的基礎分類器。下面將給出本文算法的詳細步驟。

3.3 本文算法步驟

本文采用0-1矩陣分解加權集成框架對極化SAR圖像進行分類的具體步驟如下：

步驟1 輸入極化SAR圖像，對其進行特征提取構成原始特征集X，另外，假設極化SAR圖像有c類地物，?={ω1,ω2,…,ωC}；

步驟2 從原始特征集X中隨機抽取m次，每次抽取d維特征構成m組特征子集{,,…,}；從極化SAR圖像中選取出已知類標的樣本集，其中每一個像素點?s均具有d維特征。則根據這m組特征子集，每一個像素點?s可以相應地得到m組不同個體，而樣本集S?可以寫成子集{1,2,…,m}的組合。i(i=1,2,…,m)表示具有第i組特征的像素點集；

步驟5 將0-1矩陣A進行奇異值分解A= UΣVT，得到右側矩陣V；

步驟6 選取其中對應最大特征值的特征向量vmax作為每一個子集的權值：2,…,m；

步驟7 根據權值系數將每個特征子集得到的預測標記集成在一起得到最終預測結果：H=

4 仿真實驗及分析

本文選取3組實測極化SAR數據NASA/JPL AIRSAR L波段舊金山地區、CSA Radarsat-2 C波段舊金山地區和CSA Radarsat-2 C波段西安地區證明本文方法的有效性和穩定性。3個數據的原始圖像見圖1(a)，圖2(a)和圖3(a)。表1給出了3個實驗數據的相關參數。

在本文實驗當中，我們選取12個蘊含散射信息的特征作為原始特征集：分別是相干矩陣中的3個對角線元素，上三角3個元素，H,α,A和相干矩陣T的3個特征值。表2給出了實驗中所用到的特征。

圖2 原始圖及分類結果

圖3 原始圖及分類結果

表1 分類中用到的特征

表2 分類中用到的特征

為了可以證明方法的有效性，我們將它與Wishart分類器和支撐向量機方法實驗結果進行對比。在對比實驗中，Wishart分類器用到特征是相干矩陣T中的9個元素；支撐向量機是直接使用表2中全部12維特征。而本文所提出的方法，選取表2中的12個特征作為初始特征集，然后從中隨機選取15組，每組3個特征組成特征子集。

在實驗當中，每一類選取1000個像素點作為極化SAR圖像分類的初始訓練樣本，3類共選取3000個樣本點。對于SVM分類器，我們使用的是RBF核，并且通過先驗實驗選取了合適的C和σ參數。表3給出了AIRSAR和Radarsat-2圖像分類每一個實驗所用的具體參數。另外，采用一對一的方法來處理多類問題。

4.1 AIRSAR L波段舊金山實驗數據

NASA/JPL AIRSAR L波段舊金山數據是4視數據，尺寸是900×1024。本文中我們將該圖像分為3類：植被、建筑物和水體。圖1給出了原始圖像和實驗結果。

表3 分類中所采用的參數

從圖1中的實驗結果，可以清楚地看到，在建筑物和植被的分類上面，本文的算法明顯優于Wishart分類器和支撐向量機的方法。在水體部分，Wishart算法在右上角海洋區域錯分點較多，SVM算法在左側海洋區域誤分點較多，而本文算法得到了較好的結果。建筑物和植被的分類是極化SAR圖像分類中的一個小難點，特別是建筑物和植被混雜的區域，通常會出現錯分的現象。本文算法中，建筑物的輪廓更為清楚，區分更為明顯。特別是對于左下角部分條狀小路，本文算法的分類結果形狀更為完整和準確。表4給出了實驗的分類精度。分類精度是根據測試樣本的真實類別標記和預測類別標記對比得出。已經在實驗當中進行簡短的補充。從分類精度我們可以看到，本文方法的分類精度均高于Wishart方法和支撐向量機方法，從而證明了本文方法的有效性。

表4 AIRSAR舊金山分類精度

4.2 Radarsat-2 C波段舊金山實驗數據

這里選取的實測極化數據是CSA Radarsat-2 C波段舊金山數據。這個數據依然是涵蓋3種明顯的地物類型：植被、建筑物和水體。該數據是單視圖像，其尺寸是703×631。圖2給出了原始圖像和分類結果。

從實驗結果中，可以明顯看到，在水體區域，本文方法明顯取得了更好的結果，分錯的點最少。而且，在建筑物和植被兩類地物的分類上，本文方法的結果兩類區分更為明顯，且輪廓和邊界更加清晰。另外，表5中給出了Radarsat-2舊金山地區的分類精度。從表5中可以看到，本文方法取得了較高的準確率。

表5 Radarsat-2舊金山分類精度

4.3 Radarsat-2 C波段西安地區實驗數據

這里用到的是Radarsat-2 C波段中國陜西西安市西部地區極化數據。該數據涵蓋3種主要地物類型：植被，建筑物和水體。該數據截取尺寸是490×703。圖3給出了原始圖像和分類結果。從實驗結果可以明顯看到，本文方法將植被和建筑部分區分得更為明確，取得了較好的分類結果。從表6的分類精度中，也可以看到盡管本文方法在水體部分的分類準確率略低，但是在植被，建筑物和總的準確率上均有不同程度的提高。

表6 Radarsat-2 西安地區分類精度

5 結束語

如何有效地應用特征并對特征進行加權是極化SAR圖像分類非常重要的一個步驟。然而因為極化SAR數據的自身特性，單一的特征線性組合很難對多個類別同時產生很好的效果。本文方法將不同的特征組合所對應的結果通過集成策略合并在一起，取得了很好的結果。本文將原始特征組進行隨機抽取得到多個特征子集，再根據這些特征子集訓練得到多個分類器。最后用0-1矩陣奇異值分解加權集成策略給予多個分類器相應的權值系數來集成得到最后的極化SAR圖像分類結果。多波段(C波段和L波段)多種類型(AIRSAR和Radarsat-2)的極化SAR實測數據也證明了本文方法的有效性和穩定性。本文算法目前針對的是監督極化SAR圖像分類的特征加權，并且將集成方法應用在極化SAR圖像處理當中。下一步研究方向將極化SAR經典分解算法與集成方法相結合，解決無監督和半監督極化SAR圖像分類中的特征處理問題。

[1] Lee J S and Pottier E. Polarimetric Radar Imaging from Basic to Application[M]. New York: CRC Press, 2011: 1-51, 66-72, 229-247.

[2] Ding Tao, Anfinsen S N, and Brekke C. A comparative study of sea clutter covariance matrix estimators[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(5): 1010-1014.

[3] Cloude S R and Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498-518.

[4] Wang Chun-le, Yu Wei-dong, Wang Robert, et al.. Comparison of nonnegative eigenvalue decompositions with and without reflection symmetry assumptions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(4): 2278-2286.

[5] Zhang Hong, Xie Lei, Wang Chao, et al.. Investigation of the capability of H-αdecomposition of compact Polarimetric SAR[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(4): 868-872.

[6] Freeman A and Durden S L. A three-component scattering model for polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973.

[7] Jiao Zhi-hao, Yang Jian, Yeh Chun-mao, et al.. Modified three-component decomposition methord for polarimetric SAR data[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(1): 200-204.

[8] 劉高峰, 李明, 王亞軍, 等. 一種改進的極化SAR自適應非負特征值分解[J]. 電子與信息學報, 2013, 35(6): 1449-1455.

Liu Gao-feng, Li Ming, Wang Ya-jun, et al.. An improved adaptive non-negative eigenvalue decomposition for polarimetric systhetic aperture radar[J]. Journal of Electronics & Information Technology, 2013, 35(6): 1449-1455.

[9] Yamaguchi Y, Moriyama T, Ishido M, et al.. Four-component scattering model for polarimetric SAR image decomposition [J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699-1706.

[10] An W, Xie C, Yuan X, et al.. Four-component decomposition of polarimetric SAR image with deorientation[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(6): 1090-1094.

[11] 劉高峰, 李明, 王亞軍, 等. 基于層次非負特征值約束的Yamaguchi分解[J]. 電子與信息學報, 2013, 35(11): 2678-2685.

Liu Gao-feng, Li Ming, Wang Ya-jun, et al.. Yamaguchi decomposition based on hierarchical nonnegative eigenvalue restriction[J]. Journal of Electronics & Information Technology, 2013, 35(11): 2678-2685.

[12] Liu Gao-feng, Li Ming, Wang Ya-jun, et al.. Four-component scattering power decomposition of remainder coherency matrices constrained for nonnegative eigenvalues[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(2): 494-498.

[13] Lee J S, Grunes M R, and Kwok T. Classification of multi-look polarimetric SAR imagery based on complex Wishart distribution[J]. International Journal of Remote Sensing, 1994, 15(11): 2299-2311.

[14] Fukuda S and Hirosawa H. Support vector machine classification of land cover: application to polarimetric SAR data[C]. IEEE International Geoscience And Remote Sensing Symposium (IGARSS'01), Sydney, Australia, 2001: 187-189.

[15] Fukuda S, Katagiri R, and Hirsosawa H. Unsupervised approach for polarimetric SAR image classification using support vector machines[C]. IEEE International Geoscience And Remote Sensing Symposium (IGARSS'02), Toronto, Canada, 2002, 5: 2599-2601.

[16] Kumar S, Ghosh J, and Crawford M. Best-bases feature extraction algorithm for classification of hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(7): 1368-1379.

[17] 徐豐, 金亞秋. 目標散射的去取向理論和應用(一)去取向理論[J]. 電波科學學報, 2006, 21(1): 6-15.

Xu Feng and Jin Ya-qiu. Theory and application of deorientation for target scattering Part I: deorientation theory[J]. Chinese Journal of Radio Science, 2006, 21(1): 6-15.

[18] Mao Sha-sha, Xiong Lin, Jiao Li-cheng, et al.. Weighted ensemble based on 0-1 matrix decomposition[J]. Electronics Letters, 2013, 49(2): 116-118.

[19] Henri Maitre. 孫洪, 等譯. 合成孔徑雷達圖像處理[M]. 北京:電子工業出版社, 2005: 第4章.

[20] Kuncheva L I. Combining Pattern Classifiers: Methods and Algorithms[M]. Hoboken, New Jersey, John Wiley & Sons, 2004: Chapter 1.

[21] Christopher J C B. A tutorial on support vector machine for pattern recognition[J]. Data Mining and Knowledge Discovery, 1998, 2(2): 121-167.

陳 博： 女，1985年生，博士生，研究方向為極化SAR圖像處理.

王 爽： 女，1978年生，教授，主要研究領域為多尺度幾何分析、圖像處理.

焦李成： 男，1959年生，教授，博士生導師，主要研究領域為自然計算、智能信息處理等.

劉 芳： 女，1963年生，教授，博士生導師，主要研究領域為智能信息處理、圖像的感知與識別、數據挖掘等.

毛莎莎： 女，1985年生，博士生，研究方向為集成算法與圖像處理.

張 爽： 女，1983年生，博士生，研究方向為極化SAR圖像處理.

Polarimetric SAR Image Classification via Weighted Ensemble Based on 0-1 Matrix Decomposition

Chen Bo①Wang Shuang①Jiao Li-cheng①Liu Fang②Mao Sha-sha①Zhang Shuang①

①(Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, Xidian University, Xi'an 710071, China)

②(School of Electronic Engineering, Xidian University, Xi'an 710071, China)

For Polarimetric SAR (PolSAR), because it contains more scattering information, thus it can provide more available features. How to use the features is crucial for the PolSAR image classification, however, there are no existing specific rules. To solve the above problem, a supervised Polarimetric SAR image classification method via weighted ensemble based on 0-1 matrix decomposition is proposed. The proposed method adopts matrix decomposition ensemble to learn on different feature subsets to get coefficients, and weighting ensemble algorithm is employed via the predictive results to improve the final classification results. Firstly, some features are extracted from PolSAR data as initial feature group and are divided randomly into several feature subsets. Then, according to the ensemble algorithm to get the different weights based on the feature subsets, small coefficients are assigned to bad classification results to decrease the harmful impact of some features. The final classification result is achieved by combining the results together. The experimental results of L-band and C-band PolSAR data demonstrate that the proposed method can effectively improve the classification results.

Polarimetric SAR (PolSAR); Supervised image classification; Ensemble learning; Classifier ensemble

TP751

： A

：1009-5896(2015)06-1495-07

10.11999/JEIT141059

2014-08-11收到，2014-10-22改回

國家973計劃項目(2013CB329402)，國家自然科學基金(61271302, 61272282, 61202176, 61271298)和國家教育部博士點基金(20100203120005)資助課題

*通信作者：陳博 chenbo8505@163.com