基于AdaBoost改进随机森林和SVM的 极化SAR地物分类

doi:10.7523/j.ucas.2021.0020

中国科学院大学学报 ›› 2022, Vol. 39 ›› Issue (6): 776-782.DOI: 10.7523/j.ucas.2021.0020

• 电子信息与计算机科学 • 上一篇下一篇

基于AdaBoost改进随机森林和SVM的极化SAR地物分类

张政^1,2, 李世强¹

1. 中国科学院空天信息创新研究院, 北京 100190;
2. 中国科学院大学电子电气与通信工程学院, 北京 100049

收稿日期:2020-11-09 修回日期:2021-03-12 发布日期:2021-05-31
通讯作者: 张政,E-mail:zhangzheng18@mails.ucas.ac.cn
基金资助:
国家自然科学基金(61901442)资助

Polarimetric SAR image classification based on AdaBoost improved random forest and SVM

ZHANG Zheng^1,2, LI Shiqiang¹

1. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100190, China;
2. School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China

Received:2020-11-09 Revised:2021-03-12 Published:2021-05-31

摘要/Abstract

摘要： 为提升极化合成孔径雷达(SAR)地物分类精度，提出一种基于AdaBoost改进型随机森林和支持向量机(SVM)结合的二级分类结构。首先将AdaBoost改进型随机森林作为初级分类器，该分类器能根据决策树的分类能力赋予权重，分类能力越强则权重越高，从而提升初级分类精度。初级分类器还能评估输入特征的重要性，获得重要性排名。根据重要性排名进行特征筛选，用筛选后的特征训练SVM分类器，获取二级分类结果。最后利用邻域投票法将两级分类结果融合。AIRSAR极化数据对比实验表明，该分类结构可有效提升极化SAR地物分类精度。

关键词: 极化SAR, AdaBoost, 改进随机森林, 二级分类器, 地物分类

Abstract: In order to improve the classification accuracy of polarimetric synthetic aperture radar (SAR) images, a two-level classification structure based on AdaBoost improved random forest (RF) and support vector machine (SVM) is proposed. Firstly, the AdaBoost improved RF (ADA_RF) is taken as the first-level classifier, which can assign weights according to the classification abilities of the decision trees. ADA_RF assigns high weights to strong decision trees. The first-level classifier can also assess the importance of input features and compute a ranking list. Feature selection can be conducted according to the list. The SVM classifier is trained with the selected features to predict the second-level classification result. Finally, the neighborhood voting method is used to fuse the results. The comparison experiments of AIRSAR polarization data shows that the classification structure can effectively improve the classification accuracy of polarimetric SAR images.

Key words: polarimetric SAR, AdaBoost, improved RF, two-level classifier, terrain classification

中图分类号:

TP753

张政, 李世强. 基于AdaBoost改进随机森林和SVM的极化SAR地物分类[J]. 中国科学院大学学报, 2022, 39(6): 776-782.

ZHANG Zheng, LI Shiqiang. Polarimetric SAR image classification based on AdaBoost improved random forest and SVM[J]. Journal of University of Chinese Academy of Sciences, 2022, 39(6): 776-782.

参考文献

[1] 张澄波. 综合孔径雷达: 原理、系统分析与应用(影印本)[M]. 北京: 科学出版社, 1989:1-3.
[2] Lee J S, Pottier E. 极化雷达成像基础与应用[M]. 洪文, 李洋, 尹嫱, 等译. 北京: 电子工业出版社，2013.
[3] Maitre H. 合成孔径雷达图像处理[M]. 孙洪，译. 北京: 电子工业出版社, 2005: 124.
[4] Chen S W, Tao C S. PolSAR image classification using polarimetric-feature-driven deep convolutional neural network[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(4): 627-631.DOI：10.1109/LGRS.2018.2799877.
[5] Liu H Y, Min Q, Sun C, et al. Terrain classification with polarimetric SAR based on deep sparse filtering network[C]//2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). July 10-15, 2016, BeiJing, China. IEEE, 2016: 64-67.DOI:10.1109/IGARSS.2016.7729007.
[6] 张妙然, 刘畅. 基于特征筛选和二级分类的极化SAR建筑提取算法[J]. 中国科学院大学学报, 2018, 35(1): 89-95.DOI:10.7523/j.issn.2095-6134.2018.01.012.
[7] Du P J, Samat A, Waske B, et al. Random forest and rotation forest for fully polarized SAR image classification using polarimetric and spatial features[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 105: 38-53.DOI:10.1016/j.isprsjprs.2015.03.002.
[8] Salehi M, Sahebi M R, Maghsoudi Y. Improving the accuracy of urban land cover classification using radarsat-2 PolSAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(4): 1394-1401.DOI:10.1109/JSTARS.2013.2273074.
[9] 陈伟民, 张凌, 宋冬梅, 等. 基于AdaBoost改进随机森林的高光谱图像地物分类方法研究[J]. 遥感技术与应用, 2018, 33(4): 612-620.
[10] Sun X, Song H J, Wang R, et al. High-resolution polarimetric SAR image decomposition of urban areas based on a POA correction method[J]. Remote Sensing Letters, 2018, 9(4): 363-372.
[11] Kumar A, Panigrahi R K. Entropy based reconstruction technique for analysis of hybrid-polarimetric SAR data[J]. IET Radar, Sonar & Navigation, 2019, 13(4): 620-626.DOI:10.1049/jet-rsn.2018.5338.
[12] Gola J, Webel J, Britz D, et al. Objective microstructure classification by support vector machine (SVM) using a combination of morphological parameters and textural features for low carbon steels[J]. Computational Materials Science, 2019, 160: 186-196.
[13] Zhao L J, Zhou X G, Kuang G Y. Building detection from urban SAR image using building characteristics and contextual information[J]. EURASIP Journal on Advances in Signal Processing, 2013, 2013(1): 56.
[14] Dekker R J. Texture analysis and classification of ERS SAR images for map updating of urban areas in The Netherlands[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(9): 1950-1958.DOI:10.1109/TGRS.2013.814628.
[15] 陈刚, 王宏琦, 孙显. 基于核函数原型和自适应遗传算法的SVM模型选择方法[J]. 中国科学院研究生院学报, 2012, 29(1): 62-69.DOI:10.7523/j.issn.2095-6134.2012.1.009.
[16] Xiao D L, Liu C, W Q, et al. PolSAR image classification based on dilated convolution and pixel-refining parallel mapping network in the complex domain[EB/OL]. arXiv: 1909. 10783. (2020-01-20) [2021-03-08]. http://arxiv.org/abs/1909.10783.
[17] 滑文强, 王爽, 郭岩河, 等. 基于邻域最小生成树的半监督极化SAR图像分类方法[J]. 雷达学报, 2019, 8(4): 458-470.

基于AdaBoost改进随机森林和SVM的极化SAR地物分类

Polarimetric SAR image classification based on AdaBoost improved random forest and SVM

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 8

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	曹哲, 冯珊珊, 孙显, 洪文. 基于图像分割和EM算法的PolSAR地物分类方法[J]. 中国科学院大学学报, 2022, 39(5): 639-647.
[2]	刘杉, 张风丽, 韦诗莹, 刘娜, 邵芸. 基于极化分解组合的SAR图像视觉优化和建筑物损毁评估[J]. 中国科学院大学学报, 2020, 37(6): 750-759.
[3]	杨牡丹, 魏中浩, 徐志林, 张冰尘, 洪文. 一种基于层次稀疏的全极化SAR层析成像方法[J]. 中国科学院大学学报, 2020, 37(4): 525-531.
[4]	蒋莎, 仇晓兰, 韩冰, 胡文龙, 卢晓军. 一种基于普通分布目标的极化SAR幅相不平衡快速评价方法[J]. 中国科学院大学学报, 2019, 36(2): 280-288.
[5]	张妙然, 刘畅. 基于特征筛选和二级分类的极化SAR建筑提取算法[J]. 中国科学院大学学报, 2018, 35(1): 89-95.
[6]	张静怡, 雷斌, 刘团结. 一种新型的空域极化SAR数据相干斑滤波方法[J]. 中国科学院大学学报, 2013, 30(1): 60-67.
[7]	王春乐, 禹卫东. Huynen类型目标分解方法的比较与分析[J]. 中国科学院大学学报, 2011, 28(3): 402-409.
[8]	龙飞, 赵英时. NOAA卫星角度信息在分类中的有效性研究[J]. 中国科学院大学学报, 2002, 19(1): 69-74.

基于AdaBoost改进随机森林和SVM的 极化SAR地物分类

Polarimetric SAR image classification based on AdaBoost improved random forest and SVM

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 8

编辑推荐

Metrics

本文评价

访问统计

联系我们

基于AdaBoost改进随机森林和SVM的极化SAR地物分类