[发明专利]基于混合分类器的极化SAR数据分类方法及系统

说明书

技术领域

本发明属于雷达数据处理领域，尤其涉及一种基于混合分类器的极化SAR数据数据分类方法及系统。 

背景技术

极化SAR数据分类是SAR影像解译的重要内容，一般都包含构造极化特征、构建分类器和进行分类几个步骤，其中，选择分类器对最终分类结果精度影响非常大。目前，可用于极化SAR数据分类的分类器很多，文献[1]使用最大似然准则对极化SAR数据进行分类，该准则分类错误概率小，但分类结果受主观因素影响较大。文献[2]使用C-均值算法对极化SAR数据进行分类，该算法能在一定程度上反映待分地物类别分布的真实情况，但分类效果很大程度上依赖于初始类别的划分方式。文献[3]使用SVM分类器对极化SAR数据进行分类，SVM分类器以统计学习理论为基础，能有效避免传统学习方法中过学习、维数灾难、局部极小等问题，在小样本条件下仍能取得良好的分类效果，分类精度高于神经网络分类器、决策树分类器和最大似然分类器^[4-6]，但SVM分类器无法自适应地选择分类所需特征，在输入数据冗余时分类器计算效率较低。文献[4]使用决策树分类器对极化SAR数据进行分类，该分类器在面对数据遗漏或数据冗余等问题时，非常稳健，分类效率高，但待分类数据的类别增加时，其误分类的可能性也随着增加，导致分类器精度不高。文献[7]使用人工神经网络分类器对极化SAR数据进行分类，在没有关于数据先验知识的前提下，人工神经网络方法相对于统计分类具有更加明显的优势，但也存在分类速度慢、且难于收敛的缺点。文献[8]使用复Wishart分类器对极化SAR数据进行分类，该分类器分类精度高但计算量较大，且复Wishart分布只能描述均匀区域的数据，对森林、城区等非均匀区域的描述效果则不是很好。 

每个分类器均有自身的优缺点，不同分类器之间可能有一定的互补性，通过适当的方法将现有的各种分类器结合产生混合分类器，可以提高分类精度或计算效率。近年来，关于混合分类器的研究在模式识别领域逐渐兴起，比如，文献[9]提出一种结合神经网络和最大似然分类进行多光谱遥感数据分类的方法；文献 [10]提出一种将神经网络分类器和统计分类器结合进行遥感图像分类的方法；文献[11]提出一种结合最大似然和SVM分类器进行光学影像的分类方法；针对SVM分类器只能进行两类分类的问题，文献[12]结合决策树分类器和SVM分类器,实现了多种类别的分类。 

文中涉及的参考文献如下： 

[1]刘秀清，杨汝良.基于全极化SAR非监督分类的迭代分类方法[J].电子学报,2004,32(012):1982-1986. 

[2]吴永辉计科峰郁文贤.基于H-α和改进C-均值的全极化SAR图像非监督分类[J].电子与信息学报,2007,29(1):30-34. 

[3]HUANG L,LI Z,TIAN B S,et al.Classification and snow line detection for glacial areas using the polarimetric SAR image[J].Remote Sensing of Environment,2011,115(7):1721-1732. 

[4]QI Z,YEH A G O,LI X,et al.A novel algorithm for land use and land cover classification using RADARSAT-2polarimetric SAR data[J].Remote Sensing of Environment,2012,118:21-39. 

[5]FOODY G M,MATHUR A.A Relative Evaluation of Multiclass Image Classification by Support Vector Machines[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(6):1335-1339. 

[6]MELGANI F,BRUZZONE L.Classification of Hyperspectral Remote Sensing Images with Support Vector Machines[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(8):1778-1790.