极化SAR图像分类：目标分解与SVM结合的新方法

"这篇论文研究了基于目标分解的极化SAR图像SVM监督分类方法，探讨了如何利用多种目标分解技术与支持向量机(SVM)相结合来提高极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)图像的分类性能。在处理原始PolSAR图像时，采用多种目标分解方法提取特征信息，然后运用SVM进行分类。通过对不同特征组合的比较，确定最优的分类特征。实验结果表明，结合相干分解和非相干分解的信息可以达到较好的分类效果，并通过与Wishart监督分类、Wishart/H/α以及模糊C-均值H/α分类方法的对比，验证了该方法的有效性和优越性。" 本文是关于极化SAR图像分类的研究，具体关注的是如何利用支持向量机(SVM)进行监督学习，以提高分类精度。传统的单一特征往往不足以实现满意的结果，因此研究者探索了结合多种目标分解方法，如相干分解和非相干分解，来增强特征表达。目标分解能够从原始PolSAR图像中提取丰富的信息，这些信息随后被用作SVM的输入特征。 SVM是一种有效的机器学习算法，尤其在小样本训练集情况下表现良好。在PolSAR图像分类中，SVM通过构建间隔最大化的决策边界，可以有效处理高维特征空间，降低过拟合风险。论文中通过选择不同的特征组合，对比分析它们对分类性能的影响，从而找到了最佳的特征组合，即同时使用相干和非相干分解的信息，这对于提高分类准确率有显著作用。 为了验证提出的分类方法的有效性，研究者使用了NASA/JPL实验室的AIRSAR全极化SAR数据进行实验，并将其分类结果与传统的Wishart监督分类法、Wishart/H/α以及模糊C-均值H/α方法进行了比较。实验结果显示，所提出的方法在分类性能上优于这些比较方法，证实了目标分解信息在SVM分类中的价值。 此外，这篇论文还得到了多个科研基金项目的资助，包括国家自然科学基金、高等学校博士学科点专项科研基金、中央高校基本科研业务费专项资金以及江苏省的相关科研资助项目，这显示了研究的学术价值和实际应用潜力。作者团队主要研究方向涉及遥感图像处理、雷达数据处理等领域，他们的工作对于提升极化SAR图像分析和地表特征识别的准确性有着重要的贡献。