一种极化SAR影像分类中的半监督降维方法

针对极化合成孔径雷达(SAR)应用中存在的特征冗余问题,结合线性判别分析(LDA)和局部线性嵌入(LLE)的思想,提出一种半监督降维算法:半监督局部判别分析(SLDA)。该算法首先基于LLE的局部保持特性建立正则项,以避免学习中的过拟合问题。然后,在标记样本集上进行正则化的判别分析,以增强算法的推广能力,同时保持所有样本点在原始空间的局部几何结构。利用RADARSAT-2和AIRSAR卫星获得的Flevoland地区的全极化SAR数据进行降维实验,结果表明SLDA提取的低维特征具有"类内紧聚,类间分离"的特性;进一步的分类实验结果表明,SLDA只需1‰~2‰的标记样本就能使分类精度达到90%左右,分类性能优于其他对比方法。     

SAR影像极化特征的混合高斯模型与分类

针对高分辨率极化合成孔径雷达(SAR)影像中极化特征呈现尖峰拖尾等复杂多样的统计特点,采用混合高斯模型(GMM)对极化特征进行建模,提出了一种约束距离的混合多元高斯分布的参数估计算法。该参数估计算法在贪婪期望最大算法框架下设计约束距离函数,自动估计混合分量的个数和模型参数,进而在贝叶斯框架下实现极化SAR影像的地物分类。对Radarsat-2旧金山等地区三组影像数据的分类结果表明:相比于经典的分类算法,所提GMM分类算法的总体精度提高了7%～10%,且对样本数目的依赖性更小,在城区和耕地区域等异质区域可以得到精度更高的分类结果。