利用可分性指数的极化SAR图像特征选择与多层SVM分类

来源：计算机应用杂志2018年第1期北京时间：

作者：李平, 徐新, 董浩, 邓旭

单位：武汉大学 电子信息学院, 武汉 430072

摘要：可分性指数（SI）可用来选择各类地物的有效分类特征，但在多维特征以及地物可分性较好的情况下，只利用可分性指数进行特征选择不能有效去除特征之间的冗余性。基于此，提出了利用可分性指数并辅以顺序后退（SBS）算法进行特征选择与多层支持向量机（SVM）分类的方法。首先，由各类地物在所有特征下的可分性指数选择分类地物和特征；然后，以该地物的分类精度为评估依据，利用顺序后退法筛选特征；其次，由剩余地物之间的可分性指数和顺序后退法依次选择各类地物的分类特征；最后利用多层SVM进行分类。实验结果表明，与只利用可分性指数选择特征进行多层SVM分类的方法相比，所提方法的分类精度提高了2%，各类地物的分类精度均高于86%，且运行时间为原来方法的一半。

关键词：合成孔径雷达,特征选择,可分性指数,顺序后退法,多层支持向量机分类

基金资助：高分辨率观测系统重大专项技术研究与开发项目（03-Y20A10-9001-15/16）；综合减灾空间信息服务应用示范项目。