[论文解读] 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 7

一句话总结

本研究评估了在温哥华地区使用Wishart和SVM分类器对RADARSAT-2全极化SAR数据进行监督分类的性能。研究应用了3×3多 looks斑点噪声滤波、协方差矩阵计算及H/A/α分解，采用RBF-SVM与基于Wishart分布的分类方法；Wishart分类器达到93.3%的总体准确率，优于SVM的87.3%，表明在该数据集和地表类型分布下Wishart表现更优。

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.

研究动机与目标

• 评估并比较Wishart和SVM分类器在全极化RADARSAT-2数据上的监督分类性能。
• 评估极化分解（H/A/α）和多looks斑点噪声滤波对分类准确率的提升效果。
• 利用混淆矩阵分析在多样化测试区域中城市、植被和水体地表覆盖类型的分类结果。
• 确定在使用高分辨率全极化SAR数据进行地物分类时，最优的分类器。

提出的方法

• 使用Pauli基和Lee滤波器计算3×3多looks相干性矩阵T，以减少斑点噪声。
• 提取极化分解参数H（熵）、A（非均一性）和α（取向角），用于目标散射特性表征。
• 基于协方差矩阵Z的Wishart分布，采用最大似然估计实施Wishart分类。
• 采用径向基函数（RBF）核SVM，参数γ = 0.444，C = 100，实现非线性分类。
• 为两种分类器使用相同的由地面真实数据定义的训练区域，确保公平比较。
• 生成混淆矩阵，评估用户定义的类别分配与分类聚类结果的一致性。

实验结果

研究问题

• RQ1 在RADARSAT-2精细四极化SLC数据上，Wishart分类与SVM分类在地表覆盖分类中的表现如何？
• RQ2 多looks斑点噪声滤波和极化分解对分类准确率有何影响？
• RQ3 在温哥华测试区域中，Wishart分类器与SVM分类器中哪一个在总体和各类别分类准确率上更高？
• RQ4 混淆矩阵如何反映城市、植被和水体类别之间的误分类模式？
• RQ5 选择RBF核在极化SAR数据上在多大程度上提升了SVM的性能？

主要发现

• Wishart分类器实现了93.3%的总体分类准确率，优于SVM的87.3%。
• 在城市类别中，Wishart正确分类了87.78%的像元，而SVM为72.53%。
• 植被类别在两种分类器中均表现出最高准确率：Wishart为99.95%，SVM为97.70%。
• 水体类别的分类准确率在两种方法中均较低，Wishart为90.43%，SVM为83.30%。
• SVM中城市类别被误分类为水体的比例更高（27.22%），而Wishart为12.22%。
• 混淆矩阵结果表明，尽管SVM在其他研究中表现出较强的鲁棒性，Wishart在城市和水体特征的类别分离上表现更优。