计算机应用   2017, Vol. 37 Issue (1): 244-250  DOI: 10.11772/j.issn.1001-9081.2017.01.0244
0

引用本文 

宋超, 徐新, 桂容, 谢欣芳, 徐丰. 基于多层支持向量机的极化合成孔径雷达特征分析与分类[J]. 计算机应用, 2017, 37(1): 244-250.DOI: 10.11772/j.issn.1001-9081.2017.01.0244.
SONG Chao, XU Xin, GUI Rong, XIE Xinfang, XU Feng. Polarimetric synthetic aperture radar feature analysis and classification based on multi-layer support vector machine classifier[J]. JOURNAL OF COMPUTER APPLICATIONS, 2017, 37(1): 244-250. DOI: 10.11772/j.issn.1001-9081.2017.01.0244.

基金项目

高分辨率对地观测系统重大专项技术与开发项目(03-Y20A10-9001-15/16);综合减灾空间信息服务应用示范项目

通信作者

徐新(1967-),男,湖北武汉人,教授,博士生导师,博士,主要研究方向:信号与信息处理,xinxu@whu.edu.cn

作者简介

宋超(1992-),男,福建福州人,硕士研究生,主要研究方向:合成孔径雷达图像解译;
桂容(1990-),女,湖北武汉人,硕士研究生,主要研究方向:合成孔径雷达图像解译;
谢欣芳(1994-),女,河南周口人,硕士研究生,主要研究方向:合成孔径雷达图像解译;
徐丰(1980-),男,北京人,副研究员,硕士,主要研究方向:合成孔径雷达图像在防灾减灾方面的应用

文章历史

收稿日期:2016-06-02
修回日期:2016-07-25
基于多层支持向量机的极化合成孔径雷达特征分析与分类
宋超, 徐新, 桂容, 谢欣芳, 徐丰    
武汉大学 电子信息学院, 武汉 430072
摘要: 为了充分利用极化合成孔径雷达(SAR)图像不同极化特征对不同地物目标类型的刻画能力,提出一种基于多层支持向量机(SVM)的极化SAR特征分析与分类方法。该方法首先通过特征分析确定适合不同地物类型的最佳特征子集;然后采用分层分类树的方式,根据每一种地物类型的特征子集逐层进行SVM分类;最终得到整体分类结果。RadarSAT-2极化SAR图像分类实验结果表明所提方法水域、耕地、林地、城区4类地物分类精度为85%左右,总体分类精度达到86%。该算法充分利用了不同地物目标类型的特性,提高了分类精度,也降低了算法时间复杂度。
关键词: 极化合成孔径雷达图像    地物目标特征分析    多层支持向量机    监督分类    
Polarimetric synthetic aperture radar feature analysis and classification based on multi-layer support vector machine classifier
SONG Chao, XU Xin, GUI Rong, XIE Xinfang, XU Feng     
School of Electronic Information, Wuhan University, Wuhan Hubei 430072, China
Abstract: In order to make full use of the ability of of Synthetic Aperture Radar (SAR) images with different polarization features for characterizing different types of ground objects, an analysis and classification approach of polarimetric SAR feature based on multi-layer Support Vector Machine (SVM) classifier was proposed. Firstly, the optimal feature subsets suitable for different terrain types were determined through the feature analysis. Then, the method of hierarchical classification tree was used for SVM classification step by step according to the feature subset of each object type.Finally, the overall final result was obtained. The experimental results of RadarSAT-2 polarimetric SAR image classification show that, the classification accuracy of the proposed approach is approximately 85% for four kinds of ground objects such as water area, cultivated land, forest land and urban area and the overall classification accuracy is up to 86%. The proposed approach can make full use of the characteristics of the different ground object target types, improve the classification accuracy and reduce the time complexity.
Key words: polarimetric Synthetic Aperture Radar (SAR) image    feature analysis of ground object    multi-layer Support Vector Machine (SVM)    supervised classification    
0 引言

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动微波成像雷达,能够不受云层等自然不良天气的影响获取地表数据。极化SAR相对于单极化SAR,其地物目标信息更加丰富,能更好地应用在分类等领域。

极化SAR的监督分类方法主要使用“特征+表达+分类器”的模式。极化SAR的特征主要来源是目标分解。目标分解的概念是由Huynen[1]首次提出,其目的是得到切合实际的物理约束解译目标的散射机制,使之更好地表征极化SAR数据。之后随着极化SAR研究[2-7]的不断深入,其分解方式也越来越多,如图 1所示。

图 1 极化特征 Figure 1 Polarization features

分类器作为图像分类最重要的组成部分之一。在光学图像中运用成熟的各种分类器也在逐步结合不同的目标分解方法应用于极化SAR图像分类中。目前主要的分类器包括:贝叶斯选择[8-9]、马尔可夫随机场(Markov Random Field,MRF)[10]、支持向量机(Support Vector Machine,SVM)[11-13]等。其中比较有代表性的就是SVM分类器。SVM分类器在小训练样本情况下有良好的分类性能,相比其他分类器,更适合应用于极化SAR图像分类。本文也是采用SVM分类器进行分类。

由于极化SAR图像的某些特征具有相似的物理意义,直接利用全部特征进行分类会带来严重的维数灾难,故需要根据具体的应用需求对特征进行有效的表达,如文献[14]针对城区建筑密度提出基于极化特征共生矩阵的城区分类方法。解决这一问题的常规方法是特征选择。文献[15]提出一种wrapper特征选择方法用于森林地物SVM分类;文献[16]通过特征线性判别分析(Linear Discriminant Analysis,LDA)对近200维的特征进行优选,提出一种面向对象的极化SAR 分类方法。文献[17]通过最小冗余最大关联(minimum Redundancy and Maximum Relevance,mRMR)特征选择算法[18],利用互信息量来衡量特征之间的相关性和冗余度,利用信息差和信息熵进行特征选择。

虽然这些方法能够在一定程度上解决维数灾难的问题,分类效果也有了较大的改进,但是并没有充分考虑不同地物的典型特点,并不适用于复杂的应用场景。

基于上述问题,本文提出一种基于多层SVM的极化SAR特征分析与分类方法。该方法充分利用不同极化特征对不同地物类型的刻画能力,选择适合每一类地物类型具有足够区分能力的特征子集,分层特征表达,使之更有效地表征地物类型。

1 地物目标特征分析

通过地物目标特征分析可以得到描述某类地物目标比较好的特征子集,使该类地物可以取得更好的监督分类结果。

实验数据1为荷兰Flevoland省Radarsat-2极化SAR数据,图像时间为2008年,图像大小为1400×1200,图像分辨率为8 m,如图 2所示。实验数据2为加拿大Vancouver市 Radarsat-2极化SAR数据,图像大小为2600×1600,图像分辨率为8 m,如图 3所示。

图 2 Flevoland实验数据 Figure 2 Experimental data of Flevoland
图 3 Vancouver实验数据 Figure 3 Experimental data of Vancouver

实验数据中主要的地物类型为水域、耕地、林地和城区。主要研究的极化特征包括:极化相干矩阵分量幅值|Tij|(0 <i≤j≤3) 、Span功率|PSpan|,极化相干矩阵特征值λi(i=1,2,3) ,特征值对应伪概率Pi(i=1,2,3) ,香农熵强度值CSEI、极化值CSEP,雷达植被指数CRVI,反射特征值差异度CSERDCDERD,极化不对称性CPA,基准高CPH,极化比CPF,目标随机性CPR,线性极化相关系数ρHH-HVρHH-VVρVV-HV,圆极化相关系数ρRR-LL,Pauli分解PaPbPc,Krogager分解Ks、Kd、Kh,Freeman分解PsPvPd,Yamaguchi分解PsPvPdPf,van Zyl分解Λ1、Λ2、Λ3,Cloude分解H、α、A,及其组合特征CHAC1mHACH1mAC1mH1mA,共计65维特征。

得到地物类型具有足够区分能力的特征子集来源主要包括两个方面:一方面是极化SAR特征的物理意义及其特性,使得特征与地物类型之间存在对应关系;另一方面是具体考察特征直方图类间的区分能力,直接建立地物类型和极化特征的关联关系,构造地物的具有足够区分能力的特征子集。

1.1 水域

水域主要包括海洋、河流和湖泊。根据地物目标特征分析得到水域和其他地物区分明显的特征包括:|T22|、|T23|、|T33|、P3C1mHACSERD。其特征如图 4所示,样本直方图如图 5所示。

图 4 Flevoland水域特征子集特征 Figure 4 Feature subset of water area in Flevoland
图 5 Flevoland水域特征子集样本直方图 Figure 5 Histogram subset of water area in Flevoland

其中,C1mHA是在Cloude分解中的极化熵H和极化散射各向异性度A组合生成的新特征,具体计算式见式(1) ,可以从理论上解释C1mHA对水域有效的原因。当极化熵H值较低时可以认为是弱去极化,低熵散射一般发生在海洋地区。而各向异性度A较高说明λ2 和λ3差别较大,在城区和海区混合了中等和较高的各向异性度。

${{C}_{1mHA}}=\left( 1-H \right)A$ (1)

从特征图和样本直方图中可以看出,上述6维特征能够有效区分水域和其他地物类型。

1.2 耕地

耕地主要包括旱地、水田等。根据地物目标特征分析得到耕地和其他地物(不包括水域)区分明显的特征包括: α、CPRP1P2C1mH1mA=(1-H)(1-A)、φρHH-HV(线性极化相关系数ρHH-HV相位)。其特征如图 6所示,样本直方图如图 7所示。

图 7 Flevoland耕地特征子集样本直方图 Figure 7 Histogram subset of cultivated land in Flevoland

从理论分析,平均散射角α与平均物理散射机制直接相关。具体见式(2) 。其中Pk是伪概率,αk是特征矢量参数。较低的α出现在水域和耕地区域,表示单次散射是主要散射机制,中等或者较高的α值出现在城区和园林地区。这样在没有水域的区域就容易将耕地和其他两类地物进行区分。

$\alpha =\sum\limits_{k=1}^{3}{{{P}_{k}}{{\alpha }_{k}}}$ (2)

从特征图和样本直方图分析,上述6维特征在无水域情况下,可有效区分耕地区域和林地、城区。

通过上述理论公式和特征图分析发现,并不存在单独区分耕地区域的特征,但是在无水域情况下,较容易区分耕地和其他地物。

图 6 Flevoland耕地特征子集特征 Figure 6 Feature subset of cultivated land in Flevoland
1.3 林地、城区

林地主要指植被高度比较高的植被区,城区主要指的是人工建筑区。根据地物目标特征分析得到林地和城区区分明显的特征包括:ARρRR-LL(圆极化相关系数ρRR-LL实部)、|ρRR-LL|(圆极化相关系数ρRR-LL幅值)、CHm1mA=H(1-A)、CRVIP3。其特征如图 8所示,样本直方图如图 9所示。

图 8 Flevoland林地城区特征子集特征 Figure 8 Feature subset of forest land and urban area in Flevoland
图 9 Flevoland林地城区特征子集样本直方图 Figure 9 Histogram subset of forest land and urban area in Flevoland

从理论分析,各向异性度A反映特征分解得到的第二个、第三个特征值的相对大小,具体表达形式见式(3) 。各向异性度在海洋和园林区域中较低,在城区和沿海地区较高。比较容易区分林地和城区;圆极化相关系数ρRR-LL是处理当同极化和交叉极化相关系数为0时无法描述非对称目标的情况所构建的相关系数,具体见式(4) 。文献[20]证明圆极化相关系数对区分林地和城区是有效的。

$A=\frac{{{\lambda }_{2}}-{{\lambda }_{3}}}{{{\lambda }_{2}}+{{\lambda }_{3}}}$ (3)
${{\rho }_{RRLL}}=\frac{\left\langle {{S}_{RR}}{{S}_{LL}}^{*} \right\rangle }{\sqrt{\left\langle {{S}_{RR}}{{S}_{RR}}^{*} \right\rangle \left\langle {{S}_{LL}}{{S}_{LL}}^{*} \right\rangle }}=\left| {{\rho }_{RRLL}} \right|{{e}^{i\theta }}$ (4)

从特征图和样本直方图分析,上述6维特征对林地城区有较好的可分性,但是如果掺杂其他地物则容易出现错分。

通过对特征图和样本直方图的分析,可以得到如下结论:

1) |T22|、|T23|等特征可以单独区分水域和其他地物(耕地、林地、城区)。

2) 在无水域地物的情况下,α、CPR等特征可以区分耕地和其他地物(林地、城区)。

3) 在无其他地物的情况下,A、RρRR-LL等特征可以区分林地和城区地物。

2 基于多层SVM的极化SAR特征分析与分类

基于多层SVM的极化SAR特征分析与分类方法的流程如图 10所示。主要针对地物目标类型包括:水域、城区、林地和耕地。

图 10 基于多层SVM的极化SAR特征分析与分类方法流程 Figure 10 Analysis and classification approach's flow chart of polarimetric SAR feature based on multi-layer SVM classifier
2.1 预处理:轮廓检测和分级图像分割算法

轮廓检测和分级图像分割算法是Arbelaez等[19]于2011年提出的。该算法使用一种结合局部和全局信息的高性能边缘检测器——gPb算子来提取场景轮廓,其基于谱聚类将多尺度局部亮度、颜色、纹理四个通道的信息融入到全局框架中,并定义关联矩阵来表征图像块的相似度,使用全局化分类器优化局部线索。在此基础上,该方法引入方向分水岭变换(Oriented Watershed Transformation,OWT)从有向轮廓信息中构造初始化区域集合,然后使用聚类算法得到超度量等高线图,各个尺度上每条边缘的权重由轮廓线在尺度上的相对频率决定,最后根据阈值k 得到相应的边缘,确定最终的分割结果。

Flevoland局部轮廓检测分级图像(Contour Detection and Hierarchical Image Segmentation,CDHIS)分割和线性迭代聚类(Simple Linear Iterative Clustering,SLIC)分割结果对比如图 11所示。从分割结果上看,相对于SLIC分割结果,CDHIS对细小区域的解析能力有明显提高,并且对于介质相同的区域得到的分割块比较大。这样的分割结果使得计算特征均值更加准确,出现奇异值的概率降低,对分类起到更好的作用。

图 11 Flevoland局部CDHIS分割和SLIC分割结果对比 Figure 11 Contrast of CDHIS segmentation and SLIC segmentation in Flevoland
2.2 基于多层SVM的极化SAR特征分析分类方法

基于多层SVM的特征分析分类方法的具体步骤如图 12

图 12 基于多层SVM的特征分析分类方法的具体步骤 Figure 12 Analysis and classification approach's procedure of polarimetric SAR feature based on multi-layer SVM classifier

该方法中SVM分类器的核函数为径向基函数(Radial Basis Function,RBF)。RBF核函数在处理线性不可分的分类问题有较大优势,其SVM核参数为默认参数。

通过上述地物目标特性分析发现:仅利用一种或几种特征是无法对每一类的地物和其他类地物类型进行有效区分的,因此本文采用了一种多层树结构进行分类,其分类顺序为:水域、耕地、林地和城区。基于多层SVM的特征分析分类方法是基于由易到难的准则,结合地物目标特性分析结论,得出分类顺序。各特征子集典型特征直方图如图 13所示。

图 13 各特征子集典型特征直方图 Figure 13 Histogram of typical features

首先,水域特征子集(|T22|、|T23|等)的特征能很好地区分水域和其他三个类别,其典型特征直方图如图 13(a)。预处理后得到数据根据水域特征子集进行第一次SVM分类,样本为两类:一类为水域样本;一类为其他三类地物的混合样本。其次,耕地特征子集(α、CPR等)在无水域的情况下很好地区分耕地和其他两个类别,其典型特征直方图如图 13(b)。第一次SVM结果其他类别根据耕地特征子集进行第二次SVM分类,样本分为耕地样本和林地城区混合样本两类。最后,林地城区特征子集(A、RρRR-LL等)在无耕地和水域的情况下较好地区分林地和城区两个类别,其典型特征直方图如图 13(c)。第二次SVM分类的其他结果根据林地城区特征子集进行第三次SVM分类,样本分为林地样本和城区样本两类。通过上述三次SVM分类就可以得到全部的分类结果。

3 实验结果及分析

本文通过分析Flevoland实验数据中的水域、城区、林地、耕地及总体的分类精度来评价本文方法及对比算法。该算法的硬件平台为PC,配置为i5处理器/16 GB内存,软件平台为Matlab 2014a。对比实验1为Wishart监督分类;对比实验2为|Tij|+SVM(0 <i≤j≤3) ;对比实验3为多维特征+SVM,使用的特征是上述65维特征;对比实验4为多维特征+mRMR+ SVM,使用的特征是65维特征经过mRMR特征选择后选择的20维特征。实验样本为全数据的10%。其分类结果和分类精度如图 14表 1所示。本文的时间复杂度是通过Matlab自带的耗时工具得到的算法耗时进行比较,以秒为单位,数值越小复杂度越低。

图 14 Flevoland实验结果 Figure 14 Experimental results of Flevoland
表 1 Flevoland不同方法分类准确率对比 Table 1 Classification accuracy comparison of different methods in Flevoland

对本文方法和对比实验方法的结果进行分析:1) 对比实验1是较为经典的极化分类方法,并在分类结果后面增加马尔可夫后处理,时间复杂度较小,主要针对自然地物。从分类结果上可以看出其区分水域和林地的效果好,但是对人工地物效果不好,总体分类精度一般。2) 对比实验2只提取单一特征|Tij|(0 <i≤j≤3) ,特征类型不够丰富,导致较低的分类准确率。但是对水域的分类准确率较高,符合对相干矩阵幅值的特征分析结果。3) 对比实验3特征维数增加到65维,虽然通过增加维数可以表达更多的信息,但其中存在很多的特征冗余和重复,容易造成错分和误分,因此导致最后的分类准确率略低于对比实验1。4) 对比实验4是在对比实验3的基础上加入了mRMR特征选择,从65维特征中选择前20维差异明显特征进行分类。从分类结果上看,mRMR特征选择方法能提高整体的分类精度,但城区分类结果一般。5) 基于多层SVM的极化SAR特征分析与分类方法是针对每一种地物类型的特点,利用特征选择得到每一个地物类型最好的特征子集,用多层SVM的分类方法逐步得到分类结果。从分类结果上看,相比其他的对比实验有较大提升,并且总体精度也是最高。从分类结果也能印证该分类方法对于复杂地物类型分类问题的有效性。此外由于特征子集的维数较少,并且采用CDHIS分割,使得算法时间复杂度相对于对比实验2~4大大降低。

Vancouver实验数据实验结果如图 15表 2所示。从目视解译和分类结果评估两个方面得到了相似的实验结论。

图 15 Vancouver实验结果 Figure 15 Experimental results of Vancouver
表 2 Vancouver不同方法分类准确率对比 Table 2 Classification accuracy comparison of different methods in Vancouver

通过重复实验评估样本数量对分类精度的影响。每组重复次数为15次,重复实验的样本是通过随机选择得到的。实验结果如图 16

图 16 样本数量对总体分类精度影响 Figure 16 Impact of sample quantity on overall classification accuracy

图 16和数据分析得出,当样本百分比超过5%,其总体分类精度的标准差小于0.002。结果表明:一方面,本文方法有较好的稳定性,在同等实验条件下得到一致的实验结论;另一方面,本文方法受样本量的影响较小,随着样本量的增加,总体分类精度迅速增加并保持稳定。

4 结语

本文提出一种基于多层支持向量机(SVM)的极化SAR特征分析与分类方法。通过特征分析确定适合不同地物类型的最佳特征子集,采用多层树结构根据每一种地物类型的特征子集进行SVM分类。该算法充分利用了地物目标类型的特性,提高了分类精度,也降低了算法时间复杂度。实验结果验证了该方法的有效性和稳定性。

下一步的研究方向主要是面向更丰富地物目标类型,通过更细致物理机制的研究,选择更为精确的SVM核参数,构造更好的分类框架,以期在各种复杂地物类型中获得更精确的分类结果,在减灾、土地利用等重要领域发挥积极作用。

参考文献
[1] HUYNEN J R. Phenomenological theory of radar targets[D]. TU Delft, Holland:Delft University of Technology, 1970:157-179.
[2] HOLM W A, BARNES R M. On radar polarization mixed target state decomposition techniques[C]//Proceedings of the 1988 IEEE National Radar Conference. Piscataway, NJ:IEEE, 1988:249-254.
[3] FREEMAN A, DURDEN S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36 (3) : 963-973. doi: 10.1109/36.673687
[4] YAMAGUCHI Y, MORIYAMA T, ISHIDO M, et al. Four-component scattering model for polarimetric SAR image decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43 (8) : 1699-1706. doi: 10.1109/TGRS.2005.852084
[5] CLOUDE S R. Target decomposition theorems in radar scattering[J]. Electronics Letters, 1985, 21 (1) : 22-24. doi: 10.1049/el:19850018
[6] DURDEN S L, VAN ZYL J J, ZEBKER H A. The unpolarized component in polarimetric radar observations of forested areas[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28 (2) : 268-271. doi: 10.1109/36.46706
[7] KROGAGER E. New decomposition of the radar target scattering matrix[J]. Electronics Letters, 1990, 26 (18) : 1525-1527. doi: 10.1049/el:19900979
[8] SAEPULOH A, KOIKE K, OMURA M. Applying Bayesian decision classification to Pi-SAR polarimetric data for detailed extraction of the geomorphologic and structural features of an active volcano[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9 (4) : 554-558. doi: 10.1109/LGRS.2011.2174611
[9] LÖNNQVIST A, RAUSTE Y, MOLINIER M, et al. Polarimetric SAR data in land cover mapping in boreal zone[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48 (10) : 3652-3662. doi: 10.1109/TGRS.2010.2048115
[10] VOISIN A, KRYLOV V A, MOSER G, et al. Classification of very high resolution SAR images of urban areas using copulas and texture in a hierarchical Markov random field model[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10 (1) : 96-100. doi: 10.1109/LGRS.2012.2193869
[11] FUKUDA S, HIROSAWA H. Support vector machine classification of land cover:application to polarimetric SAR data[C]//IGARSS'01:Proceedings of the IEEE 2001 International Geoscience and Remote Sensing Symposium. Piscataway, NJ:IEEE, 2001:187-189.
[12] WASKE B, VAN DER LINDEN S. Classifying multilevel imagery from SAR and optical sensors by decision fusion[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46 (5) : 1457-1466. doi: 10.1109/TGRS.2008.916089
[13] 何吟, 程建. 基于商空间粒度的极化SAR图像分类[J]. 计算机应用, 2013, 33 (8) : 2351-2354. ( HE Y, CHENG J. Classification of polarimetric SAR images based on quotient space granularity composition theory[J]. Journal of Computer Applications, 2013, 33 (8) : 2351-2354. doi: 10.3724/SP.J.1087.2013.02351 )
[14] 桂容, 徐新, 董浩, 等. 全极化SAR影像城区建筑密度分析[J]. 遥感技术与应用, 2016, 31 (2) : 267-274. ( GUI R, XU X, DONG H, et al. Urban building density analysis from polarimetric SAR images[J]. Remote Sensing Technology and Application, 2016, 31 (2) : 267-274. )
[15] MAGHSOUDI Y, COLLINS M J, LECKIE D G. Radarsat-2 polarimetric SAR data for boreal forest classification using SVM and a wrapper feature selector[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6 (3) : 1531-1538. doi: 10.1109/JSTARS.2013.2259219
[16] 李雪薇, 郭艺友, 方涛. 基于对象的合成孔径雷达影像极化分解方法[J]. 计算机应用, 2014, 34 (5) : 1473-1476. ( LI X W, GUO Y Y, FANG T. Object-based polarimetric decomposition method for polarimetric synthetic aperture radar images[J]. Journal of Computer Applications, 2014, 34 (5) : 1473-1476. )
[17] 王云艳, 何楚, 涂峰, 等. 特征选择双层SVM的融合算法用于极化SAR图像分类[J]. 武汉大学学报(信息科学版), 2015, 40 (9) : 1157-1162. ( WANG Y Y, HE C, TU F, et al. PolSAR image classification using feature fusion algorithm based on feature selection and bilayer SVM[J]. Geomatics and Information Science of Wuhan University, 2015, 40 (9) : 1157-1162. )
[18] DING C, PENG H. Minimum redundancy feature selection from microarray gene expression data[J]. Journal of Bioinformatics and Computational Biology, 2005, 3 (2) : 185-205. doi: 10.1142/S0219720005001004
[19] ARBELAEZ P, MAIRE M, FOWLKES C, et al. Contour detection and hierarchical image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33 (5) : 898-916. doi: 10.1109/TPAMI.2010.161
[20] 杨杰, 赵伶俐, 李平湘, 等. 引入规范化圆极化相关系数的保持极化散射特性的分类算法[J]. 武汉大学学报(信息科学版), 2012, 37 (8) : 911-914. ( YANG J, ZHAO L L, LI P X, et al. Preserving polarimetric scattering characteristics classification by introducing normalized circular-pol correlation coefficient[J]. Geomatics and Information Science of Wuhan University, 2012, 37 (8) : 911-914. )