用于极化SAR地物分类的协同训练算法研究的中期报告.docxVIP

用于极化SAR地物分类的协同训练算法研究的中期报告 一、研究背景和意义： 合成孔径雷达（Synthetic Aperture Radar，SAR）已经成为了区分陆地除冰海洋、灾害监测、目标探测等领域的重要的监测手段，它的所有天气全天候性、成像能力、多模态信息等特点使得它在地物分类中具有广泛应用前景。传统的基于极化反射模型的方法已经逐步被认为不够精确，于是如何融合多条多极化反射倍增信号的信息进行地物分类成为了SAR图像分类的重要问题。 目前已经有一些研究成果表明，协同训练算法（Co-Training）在SAR图像分类中具有很好的应用前景。在协同训练算法中，通过在各自的训练样本中提取一个不同的特征集合，使得各个分类器可以配合工作，从而取得提高分类性能的效果。 二、研究内容： 本文研究针对极化SAR图像分类，通过使用协同训练算法实现特征的优化和融合，来提高分类效果，具体工作如下： 1. 研究SAR图像的特征提取和选择方法。 2. 利用协同训练算法结合多个分类器和特征集合，进行SAR图像分类。 3. 针对协同训练算法的性能进行多组实验，优化算法和特征的选择。 三、研究进展： 1. 实验数据：选用了多组极化SAR数据（包括L天线模式和PA天线模式）。 2. 特征提取和选择：首先采用了Gabor特征和小波变换的方法，得到了两组特征集合；然后使用互信息指标对特征进行评估，最后选出了20个特征用于分类算法。 3. 协同训练算法：对于两组特征分别训练一个支持向量机分类器，然后将分类器的结果进行融合，得到最终的分类结果。 4. 实验结果：采用常用的精度评估指标，如OA、Kappa系数、精确度、召回率等进行评价，表明所提出的算法具有较高的分类精度。 四、下一步研究计划： 1. 继续优化特征选择方法，寻找更加有效的特征集合。 2. 研究协同训练算法的可扩展性和泛化能力。 3. 探究使用深度学习方法进行SAR图像分类的可能性。 4. 扩大实验数据来源，比较算法的稳定性和性能。