- · 《遥感学报》栏目设置[09/01]
- · 《遥感学报》数据库收录[09/01]
- · 《遥感学报》投稿方式[09/01]
- · 《遥感学报》征稿要求[09/01]
- · 《遥感学报》刊物宗旨[09/01]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
基于极化分解和集成学习的影像分类(4)
作者:网站采编关键词:
摘要：2 结果与分析 2.1 集成结果 采用并联方式结合加权投票法对 Pauli、Freeman3、Yamaguchi4、Neumann、Touzi 和 Van Zyl 6 种极化分解方法的分类结果进行集成，得到的分
2 结果与分析
2.1 集成结果
采用并联方式结合加权投票法对 Pauli、Freeman3、Yamaguchi4、Neumann、Touzi 和 Van Zyl 6 种极化分解方法的分类结果进行集成，得到的分类结果如图4 所示，基于该分类结果建立的混淆矩阵如表5 所示。
从表 4 可以看出，16 种极化分解方法中，基于Yamaguchi4 的分类结果精度最高，总体精度和 Kappa系数分别为 88.00%和 0.84，基于 Barnes1 的分类结果精度最低，总体精度和 Kappa 系数分别为 55.84%和0.40。按照Kappa 系数从高到低对16 种极化分解方法进行排序，结果为 Yamaguchi4、Pauli、H/A/α、Touzi、Neumann、Freeman3、Van Zyl、Yamaguchi3、Freeman2、Krogager、Cloude、Holm1、Holm2、Huynen、Barnes2、Barnes1。
集成后分类结果的总体精度和 Kappa 系数分别为92.49%和0.90，比集成前精度最高的Yamaguchi4 的总体精度和 Kappa 系数分别高出了 4.49%和 0.06。对比表 4和表 5 发现，通过多分类器集成后，地类的生成者精度和用户精度整体上都有所提高，但从单个地物角度看，并不是所有地类的生产者精度或用户精度都比各成员分类器的高，比如Pauli 的水体的生产者精度为100.00%，而集成后的水体的生产者精度为99.92%；Van Zyl 的道路的用户精度为 98.62%，而集成后的道路的用户精度为96.47%。可见，通过多分类器集成，尽管能提高整体分类精度，但并不能保证所有地类的生产者精度和用户精度都得到提高。
表5 提出方法的分类精度Table 5 Classification accuracy of the proposed method参考数据 Reference data分类数据Classified data 水体Water道路Road居民地Building耕地Cropland林地Forest草地Lawn用户精度User’s accuracy /%水体Water 360 252 780 3 879 0 0 2 236 98.12道路Road 0 46 470 0 0 0 1 699 96.47居民地Building 287 1 839 133 060 1 665 0 17 203 86.37耕地Cropland 0 0 0 468 952 33 264 16 961 90.33林地Forest 0 0 7 055 2 577 232 876 12 503 91.32草地Lawn 0 459 434 0 0 24 146 96.43生产者精度Producer’s accuracy PA/% 99.92 93.79 92.13 99.10 87.50 32.30总体精度Overall accuracy/%92.49 Kappa 系数 Kappa coefficient 0.90
2.2 与其他方法对比
如引言部分所述，近几年，陆续有研究者在PolSAR影像分类中同时采用多种目标极化分解方法，并取得了较好的分类效果。其中较多研究都是先利用各目标极化分解方法提取出极化参数，并将所有极化参数合成一幅多通道影像，然后对多通道影像进行特征提取和特征选择，最后利用选择的最优特征子集进行分类。本研究将该方法作为对比方法，以进一步验证提出方法的有效性。利用对比方法对RADARSAT-2 影像进行分类，所用极化参数包括：Pauli_a、Pauli_b、Pauli_c、Barnes1_T22、Barnes1_T33、 Cloude_T33、 H/A/α_T22、 H/A/α_T33、Freeman2_Vol 、 Freeman2_Ground 、 Freeman_Dbl 、Yamaguchi4_Odd、Yamaguchi4_Dbl、Yamaguchi4_Hlx、TSVM_alpha_s2、Holm1_T33和 VanZyl3_Vol，分类结果如图4 所示。对比方法的总体精度和Kappa 系数分别为90.74%和0.88，比提出方法的分别低1.75%和0.02。可见，提出的方法能更有效用于PolSAR 影像分类。对比方法通过特征选择仅保留了极少数特征用于分类，造成了极化信息的严重浪费，这是其精度较低的主要原因。而本研究提出的方法则是对精度较高的目标极化分解的分类结果进行集成，实现了PolSAR 数据极化信息的充分运用，从而获得了更好的分类效果。
3 结 论
本研究提出了一种基于目标极化分解和集成学习的PolSAR 影像分类方法，并以吉林省长春市部分区域为研究区，Radarsat2 影像为数据源，将提出方法应用于土地覆被分类中，得到如下结论：
1）按照获得的 Kappa 系数从高到低对16 种极化分解方法进行排序，结果为 Yamaguchi4、Pauli、H/A/α、Touzi、Neumann、Freeman3、Van Zyl、Yamaguchi3、Freeman2、Krogager、Cloude、Holm1、Holm2、Huynen、Barnes2、Barnes1。
2）集成后分类结果的总体精度和Kappa 系数分别为92.49%和0.90，比集成前精度最高的Yamaguchi4 的总体精度和Kappa 系数分别高出了4.49%和0.06。
3）将提出的方法与其他基于多种目标极化分解的分类方法进行对比，提出的方法获得了更高的总体精度和Kappa 系数，证明提出的方法能更有效用于PolSAR 影像分类。
如何充分利用极化信息进行分类一直是 PolSAR 影像分类研究的热点问题。本研究将目标极化分解方法嵌入在集成学习框架下，从而将极化信息有效利用起来。在利用集成学习技术进行PolSAR 影像分类的研究中，集成构造方法主要集中在基于变换样本和基于不同类型分类算法两个方向上，而目前基于目标极化分解的集成学习研究还非常缺乏。本次研究不仅为PolSAR 影像分类提供了一个新的研究思路，同时也拓展了集成学习中常规“多样性”的构建方法。
文章来源：《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0307/546.html