SLDA:一种极化SAR影像分类的半监督降维新方法

0 下载量 72 浏览量 更新于2024-08-28 收藏 18.1MB PDF 举报
"本文介绍了一种应用于极化合成孔径雷达(SAR)影像分类的半监督降维方法——半监督局部判别分析(SLDA)。这种方法旨在解决SAR影像特征冗余的问题,通过结合线性判别分析(LDA)和局部线性嵌入(LLE)的思想,实现有效的数据降维。SLDA首先利用LLE的局部保持特性来建立正则项,防止过拟合。接着,在有限的标记样本集上进行正则化的判别分析,以提高模型的泛化能力,同时保持原始数据的空间结构。实验在Flevoland地区的全极化SAR数据上进行,结果显示SLDA提取的低维特征能够实现“类内紧聚,类间分离”,且只需少量标记样本(1‰~2‰)即可达到约90%的分类精度,其性能优于其他比较方法。" 在SAR影像处理中,特征冗余是一个常见的问题,这可能导致分类和分析效率低下。LDA是一种经典的降维方法,它基于最大类间方差和最小类内方差的原则,但往往假设数据分布为高斯分布,这在实际SAR数据中可能不成立。另一方面,LLE是一种非线性降维技术,它能保持样本点之间的局部几何结构,但不考虑全局分类信息。 SLDA是将LDA和LLE的优势结合起来的半监督学习方法。通过引入LLE的正则项,SLDA能够保持数据的局部结构,减少过拟合风险。同时,通过在标记样本集上执行正则化的判别分析,SLDA可以提升对未标记样本的分类能力,从而实现更好的泛化性能。 在Flevoland地区的全极化SAR数据实验中,SLDA的性能得到了验证。降维后的特征不仅具有良好的类间区分性和类内聚性,而且在使用极少量标记样本的情况下,仍能保持高分类精度。这一点对于实际应用至关重要,因为它大大减少了手动标注样本的需求,降低了人力成本,同时也提升了分类效率。 SLDA为极化SAR影像分类提供了一种有效且高效的解决方案,它在处理大量复杂数据时,既能保持数据的局部结构,又能提高分类性能,具有广泛的应用潜力。这种方法对于地球观测、环境监测、灾害评估等SAR遥感领域的研究具有重要的理论和实践意义。