基于极化分解和集成学习的影像分类(2)

雷达目标一般分为确定性目标和分布式目标 2 种。在单色波照射下，确定性目标的散射波是完全极化的，其散射特性可以用极化散射矩阵进行表征；而对于分布式目标，在任何波照射下，其散射波都是部分极化的，分布式目标的散射特性可以用协方差矩阵、相干矩阵等进行表征[24]。

极化散射矩阵能够记录并描述散射过程中目标的极化变化信息。极化散射矩阵S的定义如式（1）所示

式中对角线元素Shh和Svv为“同极化”项，非对角线元素Shv和Svh为“交叉极化”项[24]。

3×3 视相干矩阵T3和协方差矩阵C3的定义分别如式（2）和（3）所示

式中* 表示共轭，|·|表示模，〈·〉表示时间或空间集合平均[24]。极化分解就是基于雷达目标的散射矩阵、相干矩阵或协方差矩阵来实现的。

1.2.2 集成学习

按照成员分类器组合的形式，集成学习方法可分成串行方式和并行方式 2 类。串行方式的多分类器组合方法是指前一个分类器分类结果的输出为后一个分类器的输入。并行方式首先分别利用每个成员分类器独立地进行分类，然后根据某种策略将各成员分类器的分类结果进行合成。

成员分类器分类结果的合成方法中，投票法是最简单，也是应用最广泛的一种[25]。但传统投票法忽略了不同成员分类器分类性能的差异，为将该差异融入到合成结果当中，一些学者提出了加权投票法。在加权投票法中，不同分类器根据其性能被赋予不同的权值。

多分类器集成的效果除了受参与集成的成员分类器自身分类性能影响外，还与各成员分类器之间的差异程度有关[26]。一般来说，差异性越大，集成效果越好。衡量这种差异性的方法就是差异性度量。本研究采用熵值度量法衡量成员分类器之间的差异，熵的计算如式（4）所示

式中N为验证样本的数目，L为成员分类器个数，[ ]表示取整操作，l(zm)表示正确分类样本zm的成员分类器数量。E取值范围为[0, 1]，值越大代表差异性越大。

1.3 面向对象分类过程

PolSAR 由于在成像过程中进行相干处理而产生大量的相干斑噪声，所以需要先进行滤波处理[27]。考虑到refined Lee 算法[28]在滤波过程中既能充分保持数据极化特性，同时又能避免不同通道间的串扰，所以本研究采用refined Lee 滤波算法对RADARSAT-2 影像进行相干斑抑制，通过多次试验，将滤波窗口设置为5×5。

1.3.1 目标极化分解

将 PolSARPro_v4.1.5 软件提供的所有目标极化分解方法都用于分类，通过这些目标极化分解方法，共提取了61 个极化参数，如表2 所示。

1.3.2 多尺度分割

利用 软件的多尺度分割模块对多通道影像进行分割。鉴于Pauli 分解常被用于表示一幅PolSAR影像中所有的极化信息，所以本研究利用Pauli RGB 合成影像的3 个图层进行分割，3 个图层被赋予相等权重。在分割过程中，需要设定颜色因子、形状因子和分割尺度的值。颜色因子与形状因子是相对的，这 2 个参数值之和为1，多数情况下，颜色因子对于创建对象提供了主要信息，而形状因子值越小，分割对象在形状上的差异越大；对于尺度参数，其值越大，分割所得对象越大。本研究进行了多次试验，最终设定颜色因子、形状因子、分割尺度的值分别为0.9、0.1、30。

表2 不同极化分解方法所提取的极化参数Table 2 Polarimetric parameters extracted using different polarimetric decomposition methods方法Methods极化参数Polarimetric parameters Pauli Pauli_a Pauli_b Pauli_c Krogager Krogager_KS Krogager_KH Krogager_KD Huynen Huynen_T11 Huynen_T22 Huynen_T33 Barnes1 Barnes1_T11 Barnes1_T22 Barnes1_T33 Barnes2 Barnes2_T11 Barnes2_T22 Barnes2_T33 Cloude Cloude_T11 Cloude_T22 Cloude_T33 H/A/α_T11 H/A/α_T22 H/A/α_T33 Entropy(H) SERD RVI DERD PolarizationAsymmetry(PA) ShannonEntropy(SE)H/A/α PedestalHeight (PH) PolarizationFraction (PF) Anisotropy(A)Freeman2 Freeman2_Vol Freeman2_Ground Freeman3 Freeman_Vol Freeman_Odd Freeman_Dbl Yamaguchi3 Yamaguchi3_Vol Yamaguchi3_Odd Yamaguchi3_Dbl Yamaguchi4_Vol Yamaguchi4_Odd Yamaguchi4_Dbl Yamaguchi4 Yamaguchi4_Hlx Neumann Neumann_delta_mod Neumann_delta_pha TSVM_alpha_s TSVM_alpha_s1 TSVM_alpha_s2 TSVM_alpha_s3 TSVM_tau_m TSVM_tau_m1 Touzi TSVM_tau_m2 TSVM_tau_m3 Holm1 Holm1_T11 Holm1_T22 Holm1_T33 Holm2 Holm2_T11 Holm2_T22 Holm2_T33 Van Zyl VanZyl3_Vol VanZyl3_Odd VanZyl3_Dbl

1.3.3 特征提取

因为用不同极化分解方法所提取极化参数的个数不同，所以能从不同极化分解方法中提取出的特征数量也不同，如表 3 所示。对于任一种极化分解方法，其对应的特征可以被归纳为如下4 类（其中n为利用该极化分解方法所提取极化参数的个数）：

文章来源：《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0307/546.html