基于随机森林和超像素的极化SAR图像分类

摘要：

将极化特征应用到深度学习的网络框架中的图像分类方法取得了不错的分类效果,但由于极化合成孔径雷达(PolSAR)图像分解方法获取的极化特征参数众多,研究人员在如何使用这些极化特征参数上遇到了一个严重的问题,即"维度灾难";另外,基于像素的分类方法通常会受边界像素分类错误和斑点噪声的影响.针对以上问题,设计了一种使用随机森林对特征参数集进行重要性评估的方法,并根据特征重要性排名选择最优极化特征,进行图像分类的特征尺寸缩减,在分类后融合超像素算法的方法.利用AIRSAR系统获取的L波段单视极化数据进行了试验研究,整体分类精度达到94.67％,尤其是山地和城市的分类精度与其他算法相比有较大提升.试验结果表明,所设计的分类方法改善了边界像素分类错误问题,提高了地物分类精度.

关键词：极化合成孔径雷达;随机森林;卷积神经网络;超像素分割

所属期刊栏目：40

分类号：TP753(遥感技术)

资助基金：北京市自然科学基金4192065

在线出版日期：2021-12-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：29-35