特征选择双层SVM的融合算法用于极化SAR图像分类
为了充分利用极化合成孔径雷达(synthetic apeture radar,SAR)图像丰富的地物信息并解决单一特征在图像分类中的局限性问题,提出了一种基于特征选择双层支持向量机(support vector machine,SVM)的特征融合算法,充分利用特征间的完备性和互异性,以形成更有效的特征组合,并用于SAR图像的分类.首先,对SAR图像进行多种类型特征矢量的提取以能完整地描述全极化SAR图像;其次,进行特征归一化处理,以保证不同的特征向量在同一准则下进行选择,以期在进行分类时具有相同的作用;再次,引入空间金字塔(spatial pyramid,SP)分块提取不同尺度的特征矢量;然后,利用最小冗余最大关联(minimum redundancy and maximum relevance,mRMR)特征选择方法获取每种类别的最优特征子集,避免各类特征的简单组合导致的特征冗余和过度拟合现象;最后,引入多层的思想,构造双层SVM模型,实现单层目标类别概率的优化和再处理.实验结果验证了该算法对于极化SAR图像分类的有效性.
极化合成孔径雷达、特征选择、双层支持向量机、最小冗余最大关联、特征融合
40
P237.3;TP753(摄影测量学与测绘遥感)
国家重点基础研究发展计划资助项目2013CB733404;国家自然科学基金资助项目61331016,41371342;湖北省自然科学基金资助项目;2014年湖北省教育厅高校青年教师深入企业行动计划资助项目XD2014114.The National Key Basic Research and Development Program of China,No.2013CB733404;the National Natural Science Foundation of China,Nos.41371342,61331016;the Natural Science Foundation of Hubei Province;2014 Youth Teachers in Depth Business Action Plan Funded Projects of Hubei Provincial Education Department,No.XD2014114.
2015-10-23（万方平台首次上网日期，不代表论文的发表时间）
1157-1162
