引入纹理特征的SSVM算法在极化SAR影像分类中的应用

刘利敏，余 洁，燕 琴，刘振宇，朱 腾

(1.武汉大学遥感信息工程学院，湖北武汉430079;2.中国测绘科学研究院，北京100039)

引入纹理特征的SSVM算法在极化SAR影像分类中的应用

刘利敏1，余 洁1，燕 琴2，刘振宇1，朱 腾1

(1.武汉大学遥感信息工程学院，湖北武汉430079;2.中国测绘科学研究院，北京100039)

在极化SAR影像极化特征的基础上，引入影像的纹理信息，利用带核函数的SSVM算法对极化SAR影像进行分类研究。该方法首先利用精致LEE滤波器对极化SAR影像进行去噪处理;然后采用小波变换对去噪后的总功率影像Span进行纹理特征提取;最后将纹理信息和极化信息结合，并采用SSVM方法对极化SAR影像进行分类。利用NASA/JPL AIRSAR获取的L波段San Francisco海湾和荷兰中部Flevoland地区的影像对该方法进行验证，结果表明，SSVM算法可有效地用于极化SAR影像分类，且分类精度和分类效率都优于SVM算法。同时纹理信息的引入使SSVM算法的分类精度得到了进一步提高。

SSVM;小波变换;极化信息;纹理特征

一、引 言

全极化SAR记录了地物4种极化状态的散射回波，完整地包含了电磁波与地物作用时的极化状态信息，较普通单极化SAR影像具有更多的目标信息，在利用遥感对地观测中具有无可比拟的优势［1］，可以对地物进行精细的分类［2］。由于遥感影像具有丰富的纹理信息，充分利用影像的纹理信息，也是提高分类精度的一种途径。

基于统计学习理论的支持向量机(support vector machine，SVM)是Vapnik［3］等人提出的一种专门解决小样本分类的有效的监督分类器。该算法利用非线性变换将输入空间中线性不可分的问题转化到高维空间，根据间隔最大化准则构造最优分类超平面，具有良好的泛化性能，对解决小样本、非线性及高维模式识别问题具有独特的优势，已在极化SAR影像分类中得到有效应用［4-5］。……