特征選擇的全極化SAR影像面向對象土地覆蓋分類

陸翔 章皖秋 鄭雅蘭 岳彩榮

?

特征選擇的全極化SAR影像面向對象土地覆蓋分類

陸翔 章皖秋 鄭雅蘭 岳彩榮

（西南林業大學，昆明 650224）

全極化SAR數據信息豐富，僅利用單一的極化特征和基于像元的分類很難得到較好的分類效果。因此，提出了全極化數據特征優選結合面向對象方法進行土地覆蓋分類。以云南西雙版納州勐臘縣和普洱市思茅區的Terra SAR-X的X波段全極化雷達數據為信息源，首先對全極化SAR數據進行預處理，提取研究區Pauli RGB圖像后，利用影像分割技術對Pauli RGB圖像進行分割，作為分類的基本單元；然后對SAR影像提取極化分解特征和Span影像的紋理特征，選取最優特征集合；最后利用面向對象模糊分類方法進行土地覆蓋分類，并采用實地調查數據對分類結果進行了精度評價。試驗結果表明，面向對象方法可以很好地去除噪聲的影響，最優組合的特征波段使得分類結果更加精確。西雙版納州勐臘縣總體分類精度達到88.5%，普洱市思茅區總體分類精度達到86.8%，較之H/A/α-Wishart分類方法精度提高了40%以上。

全極化 合成孔徑雷達 影像分割 特征選擇 模糊分類 遙感應用

0 引言

近年來，極化合成孔徑雷達（Polarimetric Synthetic Aperture Radar，PolSAR）技術在土地覆蓋分類、城市規劃、植被高度估測、環境監測和探測軍事目標等領域有著廣泛的應用[1]。其中，遙感影像分類是Pol SAR的重要研究內容之一，尤其是SAR數據的極化特征，進一步提升了遙感技術對土地覆蓋進行分類的能力。

基于像元和對象分類是當前進行SAR影像土地覆蓋分類的兩種主要形式，且分類方法主要采用支持向量機分類方法、距離分類方法、模糊分類法、神經網絡分類方法，SAR數據特征選取的不同，這些方法的分類效果也各不相同。基于像元的SAR影像土地覆蓋研究是利用SAR影像的極化信息，從極化散射矩陣中提取與散射機理和特性密切相關的參數，并結合其他分類方法直接進行分類。文獻[2]利用散射熵和平均散射角組成的/平面劃分8個區域進行非監督分類；文獻[3]利用非監督分類結合基于極化目標分解分類；文獻[4]利用Freeman分解結合復合Wishart分布的最大似然分類器，提出了可以保持極化散射特性的分類方法。近年來，基于像元SAR圖像分類方法大多是在上述方法的基礎上進行優化，在SAR圖像分類上取得了重大突破，但是也存在不足[5-6]。文獻[2]/的平面采用人工線性劃分的方式，導致地物細節信息丟失。文獻[3]的自動迭代分類方法無法保持地物的散射特性，導致誤分錯分現象嚴重。這些基于像元的SAR圖像分類方法在類別劃分上依靠經驗，沒有有力的理論支撐，且存在較多斑點噪聲，嚴重影響分類精度[7]。基于對象的SAR圖像分類研究依據SAR圖像本身提取出有利于分類的各類特征參數，再結合圖像分割技術和適當的分類方法進行圖像分類。例如，文獻[1]利用圖譜分割技術獲得分類對象，然后提取基于極化信息和紋理信息的44種分類特征并用于分類；文獻[8]利用分割和特征提取結合改進的分類器算法實現SAR圖像的分類；文獻[9]提出了一種基于統計區域合并分割和支持向量機的新型面向對象分類方法。以上基于面向對象的SAR圖像分類中，分類特征的選擇是面向對象分類的重要條件之一。基于像元和對象的兩類方法中均把提取的所有特征未經過甄選全部用于分類，這樣會造成數據冗余，甚至分類精度的降低。

由于數據類型的限制，以上研究多集中于單極化、雙極化信息的分類，而對全極化分類的研究相對不多。在高分辨率的支持下，SAR圖像的紋理特征又可以作為分類的重要條件。因此，本文針對基于像元和基于對象分類的缺點，結合本文的全極化和高分辨率的Terra SAR數據，提出了特征波段的選擇與面向對象結合用于SAR影像地物分類的方法。首先對提取的Pauli RGB圖像進行分割得到分類對象，然后提取出原始影像的極化分解特征和Span影像的紋理特征，并采用特征空間優化得到最優分類特征組合，利用模糊分類器得到分類結果。結果表明本文較高的分類精度可以滿足勐臘研究區和普洱研究區的土地變化監測、森林動態監測、城鎮變化監測等的需求。

1 研究方法

1.1 研究區和數據

選取了面積較小但是地類豐富、具有典型代表的兩塊試驗區，見圖1。勐臘縣位于北緯21°09′~22°23′，東經101°05′~101°50′之間。地處北熱帶濕潤季風氣候區，植被以常綠闊葉林和熱帶雨林為主，研究區內地形以山地為主。普洱市位于北緯22°02′~24°50′，東經99°09′~102°19′，屬亞熱帶季風氣候，全年氣候溫和，垂直氣候明顯，全市以山地為主。天然植被以亞熱帶常綠闊葉林、思茅松林為主，也是普洱茶的主要種植區。

圖1 研究區示例

Terra SAR-X空間分辨率達到2.1m，能夠獲取高品質的X波段數據。目前，Terra SAR-X已被廣泛應用于變化檢測、林業、農業、國土、水文以及城市規劃等領域。本文研究區的數據是全極化數據，（見表1），在西雙版納及普洱這種多云雨天氣的地區具有無可代替的優勢。

表1 研究區Terra SAR數據參數

Tab.1 Terra SAR data in the study area

1.2 影像分割

以云南西雙版納州勐臘縣和普洱市思茅區的Terra SAR-X的X波段全極化雷達數據為信息源，進行了基于特征選擇的極化SAR影像面向對象土地覆蓋分類試驗。

面向對象的SAR影像土地覆蓋分類中，分割是決定分類精度的重要像因子，準確的地物邊界分割是正確分類的必要條件。本文采用多尺度分割方法對研究區的Pauli RGB圖像進行分割，得到分割對象，即具有相同統計特性像元組成的區域[10]，利用分割后的對象進行分類可以有效避免噪聲對分類的影響。

分割時需要考慮兩個參數，一個是異質度，一個是分割尺度。異質度由顏色和形狀異質度組成，二者權重之和為1。

式中color為顏色異質度；為顏色異質度的權重；shape為形狀異質度；1–為形狀異質度的權重，0≤≤1。compact為緊致度；s為緊致度的權重；smooth為光滑度；1–s為光滑度的權重，0≤s≤1。

根據影像的顏色和形狀特征設置分割參數，如果研究區內地物形狀明顯則形狀的權重相應的增大[11]。

式（1）中的color是兩個對象合并后得到的光譜異質性值和合并前對象（obj1和obj2）的各自光譜異質性值之和的差值

式中w為參與分割合并的波段權重，為參與分割的波段；merge，δ,merge分別為合并后的區域面積和光譜方差；δ,obj1，δ,obj2分別為兩個空間相鄰區域的光譜方差；obj1，obj2分別為兩個空間相鄰區域的面積。

形狀異質度變化是用合并前后的差值來評估的，所以光滑度smooth和緊致度compact表示為

式中merge表示合并后的對象實際邊長，obj1，obj2分別表示兩個空間相鄰對象的實際邊長；merge為合并后對象外切矩形的周長；obj1，obj2分別表示兩個空間相鄰對象的外切矩形的周長。

1.3 影像的分類特征的選取

Terra SAR-X全極化數據具有豐富的極化特征信息，這些特征信息可間接反映地物的組成和結構信息，是地物分類的重要依據。本文采用Freeman極化分解[12]、Yamaguchi極化分解[13]和Cloude-Pottier極化分解[14]三種極化分解方法提取了勐臘研究區和普洱研究區各10種常見的極化特征參數（見表2），作為地物覆蓋分類的備選分類特征，這些特征參數可以很好地表達地物的散射特性[15]。圖2、圖3分別為勐臘研究區和普洱研究區極化分解彩色合成圖。灰度共生矩陣（Gray Level Cooccurrence Matrix，GLCM）是提取紋理特征的常用方法[16]。紋理特征能夠反映影像中的同質性區域，突出地物之間的差異性，在地物分類中起到重要作用。Terra SAR-X數據屬于短波SAR高分辨率數據，空間分辨率可達2.1m，具有豐富的紋理結構特征。因為SAR數據本身是復數形式，不能直接提取紋理，所以將Terra SAR數據轉換為Span（SAR數據的總功率圖）影像，再基于Span利用GLCM提取常用的6種紋理信息（見表2）。

表2 特征參數

Tab.2 Characteristic parameters

圖2 勐臘極化分解彩色合成圖

圖3 普洱極化分解彩色合成圖

1.4 最優特征選擇

在同樣的分類器下特征的選取決定了分類精度，特征選擇的目的就是求得一組最有效的分類特征，所謂有效是指特征維數減少到同一水平時，分類性能最佳。因此需要有定量分析比較方法，判斷所得到的特征維數及所使用特征是否對分類最有利，這種用以定量檢驗分類性能的準則稱為類別可分離性判據，即類內類間距離。

本文采用的特征選擇算法是在給定的初始特征集下（表2中的16類特征集合），利用選取的各個類別的樣本，尋找到不同類別的樣本之間的類內類間距離最大的特征組合。在初始的特征集合中分析所有的特征組合，即1到16（特征個數）的所有組合，即在選擇1個特征或最多選擇16個特征時都可以用()計算出類內類間距離，對每一個特征組合利用式（4）計算類內類間距離()，()代表了樣本間的可分性，所以當()最大時的特征組合即為最優特征組合。

式中為總類別數；r,r分別為類及類中樣本數；p,p是相應類別的先驗概率。由式（4）計算得到的類內類間距離（分離距離）。

1.5 模糊分類與H/A/α-Wishart分類

（1）模糊分類

本文在前面影像分割和特征提取的基礎上結合模糊分類方法下的最鄰近分類器進行影像分類。通過提取SAR影像的極化特征和紋理特征信息，建立分類隸屬度規則集。面向對象的最鄰近分類方法可分為2個步驟：1）確定分類類別，在每一類中選取正確的訓練樣本，通過特征優選建立特征空間，設置函數斜率和最小隸屬度閾值，最后在特征空間中計算待分類影像對象與樣本之間的距離；2）將距離轉換為隸屬度（通常在0~1范圍的模糊值），如果待分類影像的隸屬度大于所設定的隸屬度閾值，則該對象被分為與它距離最近的樣本所屬的類別中[18]。例如：如果影像對象的最鄰近樣本對象屬于紅類樣本，則這個對象分為紅類樣本（圖4），所有對象的隸屬度值由式（5）計算。

由式（5）中的距離可以計算出一個多維的指數形式的隸屬度函數

式中()為對象的隸屬度；f為函數斜率。

()的減少量由參數決定，可以用不同的函數斜率來表達（見圖5）。

圖4 最鄰近分類原則

圖5 最鄰近隸屬度函數

本文使用函數的缺省值為0.2。最鄰近分類方法可以很好地評價對象特征間的相關性；可以有效解決二維空間中隸屬度函數的類描述的重疊問題；可以快速處理分類的類層次結構。

（2）H/A/α-Wishart分類

1996年Cloude和Pottier提出的Cloude-Pottier分解方法[14]，定義了散射熵、反熵和平均散射角三個物理量。Cloude-Pottier分解方法利用和組建一個–二維特征平面，并把該平面依據熵值高低和散射類型劃為8個有效區域，每個區域代表一類，可以依據和的值進行簡單的非監督分類。

1999年Lee提出Wishart分布可以更好地描述自然分布的散射機制[3]。L Ferro-Famil提出將反熵引入分類，的值設定為0.5，反熵的值大于0.5為一類，小于0.5為另一類[19]。此時聚類中心由8類分為16類，然后進行Wishart迭代分類，即H/A/α-Wishart分類。此方法是一種簡單快速的非監督分類方法，在迭代過程中無法保持地物的散射特性，造成誤分發生，導致分類精度低。

晞月原本聲音柔美，一哭起來愈加清婉悠亮，頗有一唱三嘆之效，十分哀戚。連遠遠站在外頭伺候的雜役小太監們，亦不覺心酸起來。

2 試驗結果

勐臘與普洱兩塊試驗區試驗過程完全一致。試驗過程簡述如下：1）在ENVI軟件下進行研究區的裁剪，并進行了圖像濾波（Lee濾波，3×3窗口大小）；2）利用Polsarpro軟件提取極化信息和Span影像；3）利用eCognition進行影像的多尺度分割，并在eCognition提取出紋理特征，選取訓練樣本，然后對所有波段進行特征空間優化，最后在eCognition自帶的模糊分類器下進行分類；4）H/A/α-Wishart分類在Polsarpro軟件下提取出熵、各項異性和平均散射角，在Wishart分類器下進行迭代分類。

2.1 分割結果

考慮地物梯度、色彩、紋理、灰度級等特性，經過多次分割試驗，對兩個試驗區的分割參數進行設置，表3為最優分割結果。圖6和圖7分別是兩個研究區分割結果，分割邊界為黑色線條。為驗證分割邊界與實際地物的吻合度，在兩個試驗區中用分割邊界疊加到光學影像對比顯示。

表3 分割參數設置

Tab.3 Segmentation parameter settings

圖6 勐臘研究區分割結果

圖7 普洱研究區分割結果

對比圖6（a）和圖6（b）可以看出，河流、裸地、農田、林地的分割邊界較準確，圖右下角建筑區的分割效果較差，這是由于建筑區組成復雜，例如，建筑物之間有樹木、道路以及空地等，影像的異質性較大，使得局部分割結果不連續。由圖6（a）和圖6（b）的細節圖可以看出，SAR影像分割邊界與光學影像顯示的地物邊界吻合效果很好。

對比圖7（a）和圖7（b）可以看出，建筑用地、機場、水田、裸地、農地、林地的邊界都有明顯的區分，由于分辨率的限制，道路未能分出，與建筑用地分為了一類。由圖7（a）和圖7（b）的細節圖可以看出，在機場的南端，建筑物和機場空地間的邊界清晰準確，分割結果同樣符合光學影像的邊界。普洱研究區的地塊相較于勐臘研究區更小，采用的分割尺度比勐臘研究區的分割尺度要大，所以分割的更細，對象也更多。

2.2 特征優選結果

勐臘和普洱研究區分離距離與特征量維數的相關關系見圖8、圖9。勐臘研究區通過對表2中16個備選分類特征的優化，得到最佳維數為9，最大類內類間分離距離0.302 2（圖8）。9類特征分別為：Freeman分解的偶次散射p，Yamaguchi分解的體散射f、螺旋體散射f，Cloude-Pottier分解的散射熵、反熵、平均散射角，灰度共生矩陣的差異性（Dissimilarity）、同質性（Homogeneity）、均值（Mean）。普洱研究區通過對表2中16個備選分類特征的優化，得到最佳維數為7，最大類內類間距離為0.288 4（圖9）。7類特征分別為：Cloude-Pottier分解的散射熵、平均散射角，Yamaguchi分解的體散射f、螺旋體散射f，Freeman分解的體散射p，灰度共生矩陣的差異性（Dissimilarity）、同質性（Homogeneity）。

圖8 勐臘研究區分離距離與特征量維數

Fig.8 Separation distance and feature dimension of Mengla study area

圖9 普洱研究區分離距離與特征量維數

2.3 基于面向對象的模糊分類結果

圖10為勐臘研究區的分類樣本及分類結果，共6種地類：天然林地4個，橡膠林地3個，農地4個，水體4個，建筑用地5個、裸地4個。圖11為普洱研究區的分類樣本及分類結果，共6種地類：機場3個、農地3個、水田3個、林地3個、城區4個、裸地2個。試驗驗證數據采用目視解譯光學影像與實地考察相結合得到的ROI，并利用混淆矩陣進行精度評價。勐臘及普洱研究區的精度評價結果分別如表4和表5所示。

圖10 勐臘研究區分類樣本及分類結果

表4 勐臘研究區精度評價表

Tab.4 The accuracy evaluation for Mengla study area

表5 普洱研究區精度評價表

Tab.5 The accuracy evaluation for Pu￠er study area

2.4 分類結果與分析

勐臘和普洱研究區總體分類精度分別達到了88.5%和86.9%，比H/A/α-Wishart分類方法提高了43.3%和44.6%。每一地類的分類效果也有很大的改善，在勐臘研究區中，相比H/A/α-Wishart分類方法在制圖精度方面：裸地提高了45.03%，水體提高了23.20%，建筑用地提高了36.64%，農地提高了41.83%，橡膠林地提高了66.4%，天然林地提高了39.6%。普洱研究區的分類精度同樣有很大提高，詳見表5。此外，在勐臘研究區的分類結果中，H/A/α-Wishart分類方法將林區邊界的陰影部分錯分為水體，這是由于單純的依靠散射機制不能有效地對陰影進行分類，而本文方法則成功地解決了這個問題。定性目視分析和定量精度評價表明，本文方法比H/A/α-Wishart分類方法有了較大提高，可以實現高精度的土地覆蓋分類。

3 結束語

以TerraSAR-X的X波段全極化數據為信息源，經過微波遙感特征的提取和優化結合面向對象的模糊分類方法，開展了云南西雙版納州勐臘縣和普洱市思茅區（均為局部）土地覆蓋分類研究，研究結果表明：

1）本文特征優選方法在保證分類精度的同時，去除了冗余的分類特征，在準確地物邊界分割和特征優選結果下，結合模糊分類，有效避免了噪聲在分類中的影響，實現了SAR影像高精度的土地覆蓋分類；

2）兩個不同地區的試驗結果中，散射熵、平均散射角、體散射、差異性、同質性等微波遙感特征在土地覆蓋分類中發揮了重要作用，這一結果對同類型的微波遙感數據特征提取和優化具有一定的參考意義；

3）研究中兩個不同氣候類型的研究區的分類精度都能達到85%以上，說明本文的分類方法具有較高的可移植性，對其他地區開展微波遙感土地覆蓋分類具有較高的借鑒價值，同樣具有很好的分類效果。

以下問題有待進一步開展研究：1）如何確定最優分割尺度，并在最優分割結果的基礎上，用Terra SAR-X/TanDEM-X數據進行極化干涉處理提取森林冠層高度和相位信息作為分類特征信息；2）如何提取反映對象形狀的特征參數并用于分類，以期得到更好的分類效果；3）研究發現特征波段的選取與分類樣本的依賴性較高，如何選取最優的分類樣本是今后研究中有待深入研究的新問題。

[1] 趙磊. 基于譜圖分割的極化SAR影像面向對象分類方法研究[D]. 北京: 中國林業科學研究院, 2014. ZHAO Lei. Object-based Classification of Polarmetric SAR Images Based on Spectral Graph Partitioning[D]. Beijing: Chinese Academy of Forestry, 2014. (in Chinese)

[2] CLOUDE S R, POTTIER E. An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR[J]. IEEE Transactions on Geoscience & Remote Sensing, 1997, 35(1): 68-78.

[3] LEE J S, GRUNES M R, AINSWORTH T L, et al. Unsupervised Classification Using Polarimetric Decomposition and the Complex Wishart Classifier[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002, 37(5): 2249-2258.

[4] LEE J S, GRUNES M R, POTTIER E, et al. Unsupervised Terrain Classification Preserving Polarimetric Scattering Characteristics[J]. Geoscience & Remote Sensing IEEE Transactions on, 2004, 42(4): 722-731.

[5] PUTIGNANO C, SCHIAVON G, SOLIMINI D, et al. Unsupervised Classification of A Central Italy Landscape by Polarimetric L-band SAR Data[C]//IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2005: 1291-1294.

[6] LUMSDON P, CLOUDE S R, WRIGHT G. Polarimetric Classification of Land Cover for Glen Affric Radar Project[J]. IEEE Proceedings–Radar Sonar and Navigation, 2005, 152(6): 404-412.

[7] 趙一博, 秦先祥, 鄒煥新. 基于目標分解和SVM的極化SAR圖像分類方法[J]. 航天返回與遙感, 2013, 34(2): 50-56.ZHAO Yibo, QIN Xianxiang, ZOU Huanxin. Classification of Polarimetric SAR Image Based on Target Decomposition and SVM[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(2): 50-56. (in Chinese)

[8] CHEN J, DU P, TAN K. An Improved Object Oriented Classification Scheme for Polarimetric SAR Image[J]. Journal of China University of Mining & Technology, 2015, 44(5): 944-951.

[9] LI H T, GU H Y. Object-oriented Classification of Polarimetric SAR Imagery Based on Statistical Region Merging and Support Vector Machine[C]//International Workshop on Earth Observation and Remote Sensing Applications. IEEE, 2008: 1-6.

[10] STEWART D, BLACKNELL D, BLAKE A, et al. Optimal Approach to SAR Image Segmentation and Classification[J]. Radar, Sonar and Navigation, IEEE Proceedings, 2000, 147(3): 134-142.

[11] 關元秀, 程曉陽. 高分辨率衛星影像處理指南[M]. 北京: 科學出版社, 2008: 203-207. GUAN Yuanxiu, CHENG Xiaoyang. High Resolution Satellite Image Processing Guide[M]. Beijing: Science Press, 2008: 203-207. (in Chinese)

[12] FREEMAN A, DURDEN S L. A Three-component Scattering Model for Polarimetric SAR Data[J]. IEEE Transactions on Geoscience & Remote Sensing, 1998, 36(3): 963-973.

[13] YAMAGUCHI Y, MORIYAMA T, ISHIDO M, et al. Four-component Scattering Model for Polarimetric SAR Image Decomposition[J]. IEEE Transactions on Geoscience & Remote Sensing, 2005, 43(8): 1699-1706.

[14] CLOUDE S R, POTTIER E. A Review of Target Decomposition Theorems in Radar Polarimetry[J]. IEEE Transactions on Geoscience & Remote Sensing, 1996, 34(2): 498-518.

[15] YANG H, SHAO Y, YANG H, et al. Full Polarimetric SAR Classification Based on Yamaguchi Decomposition Model and Scattering Parameters[C]//IEEE International Conference on Progress in Informatics and Computing, 2010: 1104-1108.

[16] GAO C C, HUI X W. GLCM-based Texture Feature Extraction[J]. Computer Systems & Applications, 2010, 19(6): 195-198.

[17] 李海峰, 張建州, 游志勝. 基于類距離的可分離性判據[J]. 計算機工程與應用, 2003, 39(26): 97-99. LI Haifeng, ZHANG Jianzhou, YOU Zhisheng. A Separative Criterion Based on Class Distance[J]. Computer Engineering and Applications, 2003, 39(26): 97-99. (in Chinese)

[18] 陳金麗. 面向對象的最鄰近算法研究與實現[D]. 北京: 中國地質大學, 2009. CHEN Jinli. Research and Realization of Object Oriented Nearest Neighbour Classification Algorithm[D]. Beijing: China University of Geosciences(Beijing), 2009. (in Chinese)

[19] FERRO-FAMIL L, POTTIER E, LEE J S. Unsupervised Classification of Multifrequency and Fully Polarimetric SAR Images Based on The H/A/Alpha-Wishart Classifier[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002, 39(11): 2332-234.

（編輯：王麗霞）

Object-oriented Land Cover Classification Based on Feature Selection in Quad-polarimetric SAR Images

LU Xiang ZHANG Wanqiu ZHENG Yalan YUE Cairong

（Southwest Forestry University, Kunming 650224, China）

As the quad-polarimetric SAR data has plentiful information, it is difficult to obtain good classification results just by single polarimetric feature and pixel-based classification. Based on the X-band quad-polarimetric radar data of Terra SAR-X in Mengla of Xishuangbanna and Simao Pu'er city, Yunnan province, the object-oriented land cover classification experiments based on feature selection are carried out. Firstly, the quad-polarimetric SAR data is preprocessed. The Pauli RGB image is extracted from the study area data, and then is segmented as the basic unit of classification using the image segmentation technique. Then, the polarimetric features and the texture features of Span images are extracted from the SAR images, and the optimal feature sets are selected. Finally, the object-oriented fuzzy classification method is used into classification experiments, and the classification results are evaluated by field survey data. The experimental results show that object-oriented method can effectively remove the impact of noise, and the optimal combination of feature bands makes the classification results more accurate. The overall classification accuracy is up to 88.5% for Mengla in Xishuangbanna, and is 86.8% in Simao of Pu'er city. Compared with the H/A/alpha -Wishart classification method, the accuracy is improved by more than 40%.

quad-polarimetric; synthetic aperture radar; image segmentation; feature selection; fuzzy classification; remote sensing application

TP751.1

A

1009-8518(2018)02-0093-11

10.3969/j.issn.1009-8518.2018.02.011

2017-08-28

陸翔，男，1992年生，2015年獲滁州學院地理信息系統專業學士學位，現在西南林業大學地圖學與地理信息系統專業攻讀碩士學位。研究方向是微波遙感應用。E-mail：1821332789@qq.com。岳彩榮，男，1964年生，博士，教授，博士生導師，研究方向為資源環境遙感，微波遙感。E-mail：cryue@163.com。