SVM全极化SAR图像分类中的特征选择.pdfVIP

维普资讯 第 23卷 第 6期 信 号 处 理 V01．23． No．6 2007年 12月 SIGNALPR0CESSING Dec．2007 SVM 全极化 SAR图像分类中的特征选择 吴永辉 计科峰 郁文贤 (国防科学技术大学电子科学与工程学院，长沙410073) 摘 要：本文将SVM用于全极化SAR图像分类，并提出一种新的应用于SVM分类的特征选择算法。该算法以支持向 量个数作为特征评估准则，利用顺序前进法加入特征。基于NASA／JPL实验室AIRSAR系统的L波段荷兰Flevoland全极化 数据的与RELIEF—F算法的对比实验表明，在特征个数更少 (或相当)的情况下，本文特征选择算法能在更广泛的SVM参 数取值范围内获得更高的分类精度。 关键词：极化合成孔径雷达；特征选择；分类 ；支持向量机 ANew FeatureSelectionAlgorithm for SVM-BasedFullyPolarimetricSAR ImageClassification WUYong-hui JIKe-feng YUWen-xian (SchoolofElectronicsScienceandEngineering，NationalUniversityofDefenseTechnology，Changsha410073，China) Abstract： SVM isusedforfullypolarimetricSARimageclassification，andanovelfeatureselectionalgorithm followedbySVM— basedclassificationisproposedinthispaper．Inthenew algorithm，numberofsupportvectors istakenasestimationrule，andsequential forwardselectionisused．UsingL—bnadfullypolarimetricSAR dataofFlevoland，Nehterlands，acquiredbytheNASA／JPLAIRSAR sen— sor，thenew featureselectionalgorithm iscomparedwithRELIEF—F，higherclassificationaccuracywithlessorequivalentnumberoflea— turesinawiderrna geoftheSVM parameters isobservedfrom theexperimentresults． Keywords： PolarimetrieSyntheticApertureRadar；FeatureSelection；Classification；Support VectorMachine 种情况下，传统的统计分类方法由于理论模型与实际数据的 1 引言 统计特性失配，因而无法达到理论上的最佳性能。与之相 全极化合成孔径雷达 (POLarimetricSyntheticAperture 比，Vapnik等人提出的统计学习理论 “专门研究小样本情 Radar，POLSAR)是一种先进的遥感信息获取手段，图像分类 况下的机器学习规律 ，为有限样本时的统计模式识别建立了 是全极化SAR图像解译的重要内容。与单极化SAR相比， 较好的理论框架。基于统计学习理论的SVM是一种有效的 全极化 SAR完整地记录了地物在 HH，HV，VH和 W 四种极 监督分类器，它利用结构风险最小化 (Structu