基于协同训练的极化SAR目标分类.docVIP

  基于协同训练的极化 SAR 目标分类# 张青，王爽，焦李成** （西安电子科技大学智能感知与图像理解教育部重点实验室，西安 710071） 5 10 15 20 25 30 35 40 摘要：地物分类是极化 SAR（POLSAR）数据应用中的一个重要问题。如何有效地利用极化 特征进行地物分类是目前极化 SAR 领域研究的热点问题。半监督学习（Semi-Supervised Learning，SSL）能够同时利用大量未标记样本和少量有标记样本信息。协同训练算法 （Co-Training）作为半监督学习的重要算法之一，可以更好的利用多视角特征。本文对基于 协同训练的极化 SAR 地物分类问题展开了研究，将协同训练与支撑矢量机（SVM）方法结 合，提出了基于 SVM 的协同训练策略，并将其应用于极化 SAR 图像地物分类。实验结果 表明，该方法相比传统协同训练算法具有较好的分类精度。 关键词：图像处理；半监督学习；协同训练；极化 SAR；图像分类 中图分类号：TP751 Polarimetric SAR Classification based on Co-Training ZHANG Qing, WANG Shuang, JIAO Licheng (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education of China, Xidian University, Xian 710071) Abstract: Terrain classification plays an important role in POLSAR image data application. It is a hot topic that how to classify the image data through using polarimetric features properly. SSL can use both major unlabeled samples and minor labeled ones. Co-training, one of the most important algorithms of SSL, utilizes the multi-view information. In this paper, the focus of the study is the terrain classification of POLSAR based on co-training. This paper proposes the SVM based co-training strategy by combining co-training and SVM together, which are then applied to terrain classification of POLSAR image. The result shows that its accuracy is much better than other traditional algorithms’. Key words: Image Processing; Semi-Supervised Learning; Co-Training; Polarimetric SAR; Image Classification 0 引言 极化合成孔径雷达(Poladmetric Synthetic Aperture Radar，POLSAR)是能对目标进行 全极化测量的合成孔径雷达[1]。由于能对目标进行更为全面的描述，其测量数据包含了更丰 富的目标极化信息，如散射矩阵、极化相干矩阵等。近年来，极化 SAR 地物分类成为极化 SAR 数据应用的重要研究内容，其目的是利用获得的极化测量数据，确定地物所属类别[2]。 而完成分类的核心步骤之一即特征提取，对极化 SAR 图像而言，它以具有更多分类特征而 越来越多的受到关注[1] 。其中最重要的两个特征就是通过上述极化相干矩阵获得的用于表 征目标散射极化程度的极化熵 H 和表征目标散射机理的角度? 。 实际生活中，人们需要处理海量数据，如极化 SAR 数据。这里可能同时包括有标记和 无标记数据。传统机器学习可分为有监督学习和无监督学习。前者训练得到的学习模型不具 有很好的泛化能力；而如果只使用大量未标签样例，无监督学习又会忽略已标签样例的价值。 基金项目：国家教育部博士点基金（200807010003） 作者简介：张青(1987-),女,主要研究方向:半监督学习,极化 SAR 数据分析 通信联系人：王爽(19