特征选择双层svm的融合算法用于极化sar图像分类

王云艳; 何 楚; 涂 峰; 陈 东; 廖明生

doi:10.13203/j .whu g is20140351

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

特征选择双层svm的融合算法用于极化sar图像分类

王云艳, 何楚, 涂峰, 陈东, 廖明生

文章导航 > 武汉大学学报 ● 信息科学版 > 2015 > 40(9): 1157-1162

王云艳, 何楚, 涂峰, 陈东, 廖明生. 特征选择双层svm的融合算法用于极化sar图像分类[J]. 武汉大学学报 ● 信息科学版, 2015, 40(9): 1157-1162. doi: 10.13203/j .whu g is20140351

引用本文:

wangyun yan, hechu, tufeng, chendong, liaoming sheng. polsarima g eclassificationusin gfeaturefusional g orithm basedonfeatureselectionandbila y ersvm[J]. Geomatics and Information Science of Wuhan University, 2015, 40(9): 1157-1162. doi: 10.13203/j .whu g is20140351

Citation:

wangyun yan, hechu, tufeng, chendong, liaoming sheng. polsarima g eclassificationusin gfeaturefusional g orithm basedonfeatureselectionandbila y ersvm[J]. Geomatics and Information Science of Wuhan University, 2015, 40(9): 1157-1162. doi: 10.13203/j .whu g is20140351

特征选择双层svm的融合算法用于极化sar图像分类

doi: 10.13203/j .whu g is20140351

王云艳^1,2,
何楚^1,3,
涂峰³,
陈东⁴,
廖明生¹

¹武汉大学测绘遥感信息工程国家重点实验室,湖北武汉,430079;²湖北工业大学电气与电子工程学院,湖北武汉,430068;³武汉大学电子信息学院,湖北武汉,430072;⁴国防科技大学,湖南长沙,410073

基金项目: 国家重点基础研究发展计划资助项目（ 2013cb733404）;国家自然科学基金资助项目（ 61331016,41371342）;湖北省自然科学基金资助项目;2014年湖北省教育厅高校青年教师深入企业行动计划资助项目（ xd2014114）。

详细信息

作者简介:
王云艳,博士,主要从事sar 图像解译研究。

中图分类号: p237.3;tp753

polsarima g eclassificationusin gfeaturefusional g orithm basedonfeatureselectionandbila y ersvm

¹stateke ylaborator yofinformationen g ineerin ginsurve y in gma pp in gandremotesensin g,wuhanuniversit y,wuhan430079,china;²schoolofelectricalandelectronicen g ineerin g,hubeiuniversit yoftechnolo gy,wuhan430068,china;³electronicandinformationschool ,wuhanuniversit y,wuhan430072,china;⁴nationaluniversit yofdefensetechnolo gy,chan g sha410073,china

Funds: thenationalke ybasicresearchanddevelo pmentpro g ramofchina,no.2013cb733404;thenationalnaturalsci-encefoundationofchina，nos.41371342,61331016;thenaturalsciencefoundationofhubeiprovince;2014youthteachersinde p thbusinessactionplanfundedpro j ectsofhubeiprovincialeducationde p artment，no.xd201411 4.

摘要: 为了充分利用极化合成孔径雷达（ s y nthetica p etureradar,sar）图像丰富的地物信息并解决单一特征在图像分类中的局限性问题,提出了一种基于特征选择双层支持向量机（ su pp ortvectormachine,svm）的特征融合算法,充分利用特征间的完备性和互异性,以形成更有效的特征组合,并用于 sar 图像的分类。首先,对sar 图像进行多种类型特征矢量的提取以能完整地描述全极化 sar 图像;其次,进行特征归一化处理,以保证不同的特征向量在同一准则下进行选择,以期在进行分类时具有相同的作用;再次,引入空间金字塔（ s p atialpy ramid,sp）分块提取不同尺度的特征矢量;然后,利用最小冗余最大关联（ minimumredundanc yandmaximumrelevance,mrmr）特征选择方法获取每种类别的最优特征子集,避免各类特征的简单组合导致的特征冗余和过度拟合现象;最后,引入多层的思想,构造双层 svm 模型,实现单层目标类别概率的优化和再处理。实验结果验证了该算法对于极化sar图像分类的有效性。
- 极化合成孔径雷达 /
- 特征选择 /
- 双层支持向量机 /
- 最小冗余最大关联 /
- 特征融合
Abstract: sin g let yp eoffeaturevectorcannotfull ydescribeob j ects,inordertofull yusetherichob j ectinformationofp olarimetricsarima g esandsolvethisp roblem,thisp a p erp utforwardanovel featurefusional g orithmbasedonfeatureselectionandbila y ersvmforp olarimetricsarima g eclassification-thatcanmakefulluseofthecomp letenessanddissimilarit ybetweenthefeaturestoformamoreeffec-tivefeaturevector.varioust yp esoffeaturevectorswereextractedfromanori g inal ima g eb ydifferentmethodsforfull ydescribin gthepolsardata.thefeaturevectorswerenormalizedtoensureeachfea-turevectorcanbeselectedunderthesamestandardsandhavethesameroleinclassification.as p atialpy ramidisintroducedtog etthefeaturevectorindifferentsizeors p atiallocation.a mrmrfeatureselectionmethodwasusedtoobtaintheo p timalfeaturesubsetforg ivencate g oriestoavoidredundan-c yandoverfittin gp henomenoncausedb ythesimp lecombinationofvariousfeaturevectors.finall y，themultila y erconce p twasintroducedandabila y ersvm modelwasconstructedtoo p timizeandre-p rocessthep robabilitiesofthetar g etcate g or yobtainedb ythefirstsvm.ex p erimentalresultsonthetwop olarimetricsarima g esachievedb ythejetpro p ulsionlaborator yshowthesu p eriorit yofthep ro p oseda pp roach.
- p olarimetrics y nthetica p ertureradar /
- featureselection /
- bila y ersu pp ortvectormachine /
- mrmr /
- featuresfusion

[1]	方志祥, 倪雅倩, 黄守倩. 融合Markov与多类机器学习模型的个体出行位置预测模型 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 799-806. doi: 10.13203/j.whugis20190404
[2]	蒋腾平, 杨必胜, 周雨舟, 朱润松, 胡宗田, 董震. 道路点云场景双层卷积语义分割 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1942-1948. doi: 10.13203/j.whugis20200081
[3]	李健伟, 曲长文, 彭书娟. SAR图像舰船目标联合检测与方向估计 . 武汉大学学报 ● 信息科学版, 2019, 44(6): 901-907. doi: 10.13203/j.whugis20170328
[4]	文学东, 陈为民, 谢洪, 闫利. 一种融合多源特征的建筑物三维模型重建方法 . 武汉大学学报 ● 信息科学版, 2019, 44(5): 731-736, 764. doi: 10.13203/j.whugis20180320
[5]	杨杰, 常永雷, 李平湘, 赵伶俐, 史磊. 采用螺旋散射的SAR极化定标参考地物提取方法 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2023-2029. doi: 10.13203/j.whugis20180180
[6]	韩波, 李衡, 王志波, 崔晓晖. 气溶胶光学厚度估测中的LASSO特征选择方法 . 武汉大学学报 ● 信息科学版, 2018, 43(4): 536-541. doi: 10.13203/j.whugis20160014
[7]	顾海燕, 闫利, 李海涛, 贾莹. 基于随机森林的地理要素面向对象自动解译方法 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
[8]	赵磊, 陈尔学, 李增元, 冯琦, 李兰, 杨浩. 基于均值漂移和谱图分割的极化SAR影像分割方法及其评价 . 武汉大学学报 ● 信息科学版, 2015, 40(8): 1061-1068. doi: 10.13203/j.whugis20130681
[9]	林怡, 刘冰, 陈映鹰, 潘琛. 多特征差分核支持向量机遥感影像变化检测方法 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 978-982.
[10]	李雪, 舒宁, 李井冈, 刘小利. 基于特征贡献选择的遥感影像变化检测方法研究 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1158-1162.
[11]	余晓敏, 湛飞并, 廖明生, 胡金星. 利用改进SEaTH算法的面向对象分类特征选择方法 . 武汉大学学报 ● 信息科学版, 2012, 37(8): 921-924.
[12]	刘梦玲, 陈嘉宇, 孙洪. Joint Boost特征选择的SAR信息可视化技术研究 . 武汉大学学报 ● 信息科学版, 2012, 37(10): 1240-1243.
[13]	何楚, 刘明, 许连玉, 刘龙珠. 利用特征选择自适应决策树的层次SAR图像分类 . 武汉大学学报 ● 信息科学版, 2012, 37(1): 46-49.
[14]	李祖传, 马建文, 张睿, 李利伟. 利用融合纹理与形态特征进行地震倒塌房屋信息自动提取 . 武汉大学学报 ● 信息科学版, 2010, 35(4): 446-450.
[15]	杨柳, 刘艳芳. 将微粒群和支持向量机用于耕地驱动因子选择的研究 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 248-251.
[16]	张睿, 马建文. 一种SVM-RFE高光谱数据特征选择算法 . 武汉大学学报 ● 信息科学版, 2009, 34(7): 834-837.
[17]	叶志伟, 郑肇葆, 万幼川, 虞欣. 基于蚁群优化的特征选择新方法 . 武汉大学学报 ● 信息科学版, 2007, 32(12): 1127-1130.
[18]	赵银娣, 张良培, 李平湘. 一种纹理特征融合分类算法 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 278-281.
[19]	金淑英, 李德仁, 龚健雅. 基于偏最小二乘回归的纹理特征线性组合 . 武汉大学学报 ● 信息科学版, 2006, 31(5): 399-402.
[20]	胡灿程, 汪长城, 沈鹏. 一种引入极化似然比检验的极化SAR滑坡形变监测方法 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200281

点击查看大图

计量

文章访问数: 1251
HTML全文浏览量: 41
PDF下载量: 1230
被引次数: 0

特征选择双层svm的融合算法用于极化sar图像分类

doi: 10.13203/j .whu g is20140351

¹武汉大学测绘遥感信息工程国家重点实验室,湖北武汉,430079;²湖北工业大学电气与电子工程学院,湖北武汉,430068;³武汉大学电子信息学院,湖北武汉,430072;⁴国防科技大学,湖南长沙,410073

作者简介:
王云艳,博士,主要从事sar 图像解译研究。

收稿日期: 2014-04-30
刊出日期: 2015-09-05

中图分类号: p237.3;tp753

关键词:

摘要: 为了充分利用极化合成孔径雷达（ s y nthetica p etureradar,sar）图像丰富的地物信息并解决单一特征在图像分类中的局限性问题,提出了一种基于特征选择双层支持向量机（ su pp ortvectormachine,svm）的特征融合算法,充分利用特征间的完备性和互异性,以形成更有效的特征组合,并用于 sar 图像的分类。首先,对sar 图像进行多种类型特征矢量的提取以能完整地描述全极化 sar 图像;其次,进行特征归一化处理,以保证不同的特征向量在同一准则下进行选择,以期在进行分类时具有相同的作用;再次,引入空间金字塔（ s p atialpy ramid,sp）分块提取不同尺度的特征矢量;然后,利用最小冗余最大关联（ minimumredundanc yandmaximumrelevance,mrmr）特征选择方法获取每种类别的最优特征子集,避免各类特征的简单组合导致的特征冗余和过度拟合现象;最后,引入多层的思想,构造双层 svm 模型,实现单层目标类别概率的优化和再处理。实验结果验证了该算法对于极化sar图像分类的有效性。

English Abstract

polsarima g eclassificationusin gfeaturefusional g orithm basedonfeatureselectionandbila y ersvm

¹stateke ylaborator yofinformationen g ineerin ginsurve y in gma pp in gandremotesensin g,wuhanuniversit y,wuhan430079,china;²schoolofelectricalandelectronicen g ineerin g,hubeiuniversit yoftechnolo gy,wuhan430068,china;³electronicandinformationschool ,wuhanuniversit y,wuhan430072,china;⁴nationaluniversit yofdefensetechnolo gy,chan g sha410073,china

Received Date: 2014-04-30
Publish Date: 2015-09-05

Keywords:

p olarimetrics y nthetica p ertureradar /
featureselection /
bila y ersu pp ortvectormachine /
mrmr /
featuresfusion

Abstract: sin g let yp eoffeaturevectorcannotfull ydescribeob j ects,inordertofull yusetherichob j ectinformationofp olarimetricsarima g esandsolvethisp roblem,thisp a p erp utforwardanovel featurefusional g orithmbasedonfeatureselectionandbila y ersvmforp olarimetricsarima g eclassification-thatcanmakefulluseofthecomp letenessanddissimilarit ybetweenthefeaturestoformamoreeffec-tivefeaturevector.varioust yp esoffeaturevectorswereextractedfromanori g inal ima g eb ydifferentmethodsforfull ydescribin gthepolsardata.thefeaturevectorswerenormalizedtoensureeachfea-turevectorcanbeselectedunderthesamestandardsandhavethesameroleinclassification.as p atialpy ramidisintroducedtog etthefeaturevectorindifferentsizeors p atiallocation.a mrmrfeatureselectionmethodwasusedtoobtaintheo p timalfeaturesubsetforg ivencate g oriestoavoidredundan-c yandoverfittin gp henomenoncausedb ythesimp lecombinationofvariousfeaturevectors.finall y，themultila y erconce p twasintroducedandabila y ersvm modelwasconstructedtoo p timizeandre-p rocessthep robabilitiesofthetar g etcate g or yobtainedb ythefirstsvm.ex p erimentalresultsonthetwop olarimetricsarima g esachievedb ythejetpro p ulsionlaborator yshowthesu p eriorit yofthep ro p oseda pp roach.

引用本文: