[论文解读] Region-Based Classification of PolSAR Data Using Radial Basis Kernel Functions With Stochastic Distances

R. G. Negri, A. C. Frery+3 more|arXiv (Cornell University)|May 7, 2018

Synthetic Aperture Radar (SAR) Applications and Techniques被引用 4

一句话总结

本文提出了一种基于支持向量机（SVM）的新型区域化PolSAR分类方法，采用由复Wishart分布之间的随机距离（Kullback-Leibler、Rényi、Bhattacharyya、Hellinger、卡方）导出的径向基函数核。该方法在不完美训练数据条件下相比最小距离分类（MDC）展现出更高的鲁棒性和准确性，其中Kullback-Leibler和Rényi距离表现最佳，尽管计算成本较高。

ABSTRACT

Region-based classification of PolSAR data can be effectively performed by seeking for the assignment that minimizes a distance between prototypes and segments. Silva et al (2013) used stochastic distances between complex multivariate Wishart models which, differently from other measures, are computationally tractable. In this work we assess the robustness of such approach with respect to errors in the training stage, and propose an extension that alleviates such problems. We introduce robustness in the process by incorporating a combination of radial basis kernel functions and stochastic distances with Support Vector Machines (SVM). We consider several stochastic distances between Wishart: Bhatacharyya, Kullback-Leibler, Chi-Square, Rényi, and Hellinger. We perform two case studies with PolSAR images, both simulated and from actual sensors, and different classification scenarios to compare the performance of Minimum Distance and SVM classification frameworks. With this, we model the situation of imperfect training samples. We show that SVM with the proposed kernel functions achieves better performance with respect to Minimum Distance, at the expense of more computational resources and the need of parameter tuning. Code and data are provided for reproducibility.

研究动机与目标

• 在不完美训练样本条件下，提升基于区域的PolSAR分类的鲁棒性。
• 探究Bhattacharyya、Kullback-Leibler、卡方、Rényi和Hellinger等随机距离作为SVM中核函数在PolSAR数据中的有效性。
• 比较基于随机距离的径向基核SVM与使用相同距离的最小距离分类器（MDC）的性能。
• 评估多类策略（OAA与OAO）以及类别不平衡对分类准确度的影响。
• 提供开源代码与数据，以支持可复现性及PolSAR图像分析的实际应用。

提出的方法

• 基于五种复多变量Wishart分布之间的随机距离（Bhattacharyya、Kullback-Leibler、卡方、Rényi、Hellinger）构建径向基核函数。
• 在支持向量机（SVM）框架内应用这些核函数，实现PolSAR图像的区域分类。
• 采用模拟PolSAR数据和来自实际传感器（如ALOS PALSAR）的真实数据，在多种分类场景下进行实验。
• 将SVM性能与使用相同随机距离的最小距离分类器（MDC）进行比较，评估准确度与计算成本。
• 在SVM中采用OAA（一对多）与OAO（一对一）多类策略，以评估其对分类性能的影响。
• 通过总体准确率和Kappa系数等定量指标验证结果，并进行显著性统计检验。

实验结果

研究问题

• RQ1 在基于区域的PolSAR分类中，不同随机距离（Bhattacharyya、Kullback-Leibler、卡方、Rényi、Hellinger）作为SVM的径向基核函数时，其性能表现如何？
• RQ2 在不完美训练数据条件下，基于随机距离核的SVM是否在分类准确度上优于最小距离分类器（MDC）？
• RQ3 多类策略（OAA与OAO）如何影响基于随机距离核的SVM在PolSAR分类中的性能？
• RQ4 类别不平衡与类内变异性对MDC和SVM分类准确度的影响是什么？
• RQ5 在SVM核函数中集成时，哪种随机距离能实现最鲁棒且最准确的分类结果？

主要发现

• 基于Kullback-Leibler和Rényi距离的SVM径向基核函数在所有场景下均达到最高分类准确度，优于MDC。
• 卡方距离因数值不稳定性表现较差，不推荐在MDC或SVM框架中使用。
• MDC的性能随类内变异性增加（即类别数减少）而下降，而SVM在该条件下性能反而提升。
• OAA策略的SVM计算时间长于OAO，但在复杂场景下对AA与PS等类别的分离效果更优。
• 在第一种场景（七种类别）中，MDC与SVM均难以区分农业类别（A1、A2、A3），但SVM在后续场景中表现更优。
• 在处理不完美训练样本时，SVM比MDC更具鲁棒性，尤其在类别存在重叠或模糊的情况下，实际数据实验已证实此结论。