[論文レビュー] Supervised Classification of RADARSAT-2 Polarimetric Data for Different Land Features

Abhishek Maity|arXiv (Cornell University)|Aug 1, 2016

Remote-Sensing Image Classification被引用数 7

ひとこと要約

本研究では、バンクーバーにおけるRADARSAT-2完全ポラリメトリックSARデータの教師あり分類をWishartおよびSVM分類器を用いて評価した。3×3マルチルックスペックルノイズ低減フィルタリング、コherェンシーマトリクス計算、H/A/α分解を実施し、RBF-SVMおよびWishart分布に基づく分類を適用した。Wishart分類器は全体正解率93.3%を達成したのに対し、SVMは87.3%であった。これは、本データセットおよび地形クラス分布においてWishart分類器が優れた性能を示していることを示している。

ABSTRACT

The pixel percentage belonging to the user defined area that are assigned to cluster in a confusion matrix for RADARSAT-2 over Vancouver area has been analysed for classification. In this study, supervised Wishart and Support Vector Machine (SVM) classifiers over RADARSAT-2 (RS2) fine quadpol mode Single Look Complex (SLC) product data is computed and compared. In comparison with conventional single channel or dual channel polarization, RADARSAT-2 is fully polarimetric, making it to offer better land feature contrast for classification operation.

研究の動機と目的

• 完全ポラリメトリックRADARSAT-2データにおけるWishartおよびSVM分類器の分類性能を評価・比較すること。
• ポラリメトリック分解（H/A/α）およびマルチルックスペックルノイズ低減が分類精度を向上させる有効性を評価すること。
• 多様なテストサイトにおける都市、植生、水域の土地被覆タイプの分類結果を、誤分類行列を用いて分析すること。
• 高分解能で完全ポラリメトリックSARデータを用いた土地特徴分類の最適な分類器を特定すること。

提案手法

• スペックルノイズ低減のため、パウリ基底およびリー・フィルタを用いて3×3マルチルックコherェンシーマトリクスTを計算した。
• ターゲット散乱特性の特徴付けのため、極化分解パラメータH（エントロピー）、A（非一様性）、α（方位角）を抽出した。
• 共分散行列ZのWishart分布に基づく分類を、最尤推定法を用いて実施した。
• 非線形分類のため、γ = 0.444およびC = 100のラジアルベース関数（RBF）カーネルを用いたSVMを実装した。
• 両分類器の公平な比較を確保するため、同じ地面真値に基づく訓練領域を用いた。
• ユーザー定義のクラス割り当てと分類クラスタとの一致を評価するため、誤分類行列を生成した。

実験結果

リサーチクエスチョン

• RQ1 Wishart分類器は、RADARSAT-2の高分解能四極化SLCデータに対して、SVMと比較してどのように分類性能を示すか？
• RQ2 マルチルックスペックルノイズ低減およびポラリメトリック分解は、分類精度にどのような影響を及えるか？
• RQ3 バンクーバーのテストサイトにおいて、Wishart分類器とSVM分類器のうち、どちらが全体的およびクラス別に高い分類精度を達成するか？
• RQ4 誤分類行列は、都市、植生、水域の各クラス間での誤分類パターンをどのように反映しているか？
• RQ5 RBFカーネルの選択が、ポラリメトリックSARデータにおけるSVM性能をどの程度向上させるか？

主な発見

• Wishart分類器は全体正解率93.3%を達成し、SVM分類器の87.3%を上回った。
• 都市クラスでは、Wishart分類器が87.78%のピクセルを正しく分類したが、SVMでは72.53%であった。
• 植生クラスは両分類器とも最も高い正解率を示した：Wishartは99.95%、SVMは97.70%であった。
• 水域クラスの分類精度は両者とも低かったが、Wishartは90.43%、SVMは83.30%であった。
• 都市と水域の間での誤分類は、SVM（都市が水域と誤分類される割合が27.22%）の方がWishart（12.22%）よりも顕著であった。
• 誤分類行列の結果から、SVMの他の研究における一般の頑健性にもかかわらず、Wishart分類器は特に都市および水域の特徴において、より優れたクラス分離を示していることがわかった。