Please wait a minute...
img

官方微信

遥感技术与应用
遥感应用     
基于属性差决策树的全极化SAR影像海冰分类
王常颖1,2,田德政1,韩园峰1 ,隋毅2 ,初佳兰3
(1.青岛大学 数据科学与软件工程学院,山东 青岛266071;
2.青岛大学 智慧城市与大数据技术研究院,山东 青岛266071;
3.国家海洋环境监测中心,辽宁 大连116023)
Sea Ice Classification of Polarimetric SAR Imagery based on Decision Tree Algorithm of Attributes’ Subtraction
Wang Changying1,2,Tian Dezheng1,Han Yuanfeng1,Sui Yi2,Chu Jialan3
(1.School of Data Science and Software Engineering,Qingdao University,Qingdao 266071,China;
2.Institute of Big Data Technology and Smart City of Qingdao,Qingdao 266071,China;
3.National Marine Environmental Monitoring Center,Dalian 116023,China)
 全文: PDF 
摘要:
全极化SAR影像往往具有多个极化属性,不同海冰类型在不同极化方式下的成像亮度通常具有明显的差异。提出了一种适合于SAR影像海冰分类的属性差决策树分类分析(SDDT)方法,即在给定n个属性特征的样本基础上,通过计算任何两个属性的属性差特征的分类能力,选择出具有最优分类能力的属性差特征及其最优分裂值,实现海冰分类决策树的构建。采用这种策略,相当于n+C2n个属性(原始n个属性与C2n个属性差)中寻找最优分类能力的属性,不仅充分考虑了影像中原始多极化属性特征,而且增加了属性差特征的有效利用,进而提高了分类精度。另外,针对计算属性分类能力的衡量指标,在C4.5算法中提出的信息增益比GainRatio基础上,进一步考虑了分裂点的宽度ΔWidth以及分裂点属性总宽度TotalWidth,定义了分类能力指数ClassifyAbility=GainRatio*ΔWidth/TotalWidth。实验表明:采用同样的训练样本,应用SDDT算法挖掘出的海冰分类规则,比C4.5算法挖掘出的分类规则的检测精度至少提高10%以上。
关键词: SAR影像属性差决策树海冰分类    
Abstract: Polarimetric SAR image usually has multiple polarization attributes,and the imaging brightness of different sea ice types in different polarization modes is obviously different.A decision tree (SDDT) analysis method on attributes’ subtractions suited for sea ice classification of polarimetric SAR imagery is proposed in this paper.The subtractions between any two attributes based on a given n attributes are calculated.Then their classification ability and optimal divided threshold are calculated.The most effective attribute is discovered and used to construct classification tree.According to this strategy,it equal to find the optimal subtraction attributefrom n+C 2 n features for classification,which include original n attributes and C2n  subtraction attributes.In addition,we use GainRatio to compare the classification ability between different attributes firstly.When there are several attributes with a same GainRatio,we consider the width of the split point (ΔWidth) and the total width of the attribute (TotalWidth) and define a classification ability index ClassifyAbility=GainRatio* ΔWidth/TotalWidth.By calculating and comparing ClassifyAbility index,an optimal attribute with the largest attribute classification abilitycan be selected.Experiments show that the accuracy of SDDT algorithmhas ten percent higher than that of C4.5 algorithm using a same training samples.
Key words: SAR image    Attributes subtraction    Decision tree    Sea ice classification
收稿日期: 2017-11-01
:  TP 79  
基金资助: 国家自然科学青年基金项目“基于复杂网络的国产高分卫星影像海岸线自动提取方法研究”(41506198),国家自然科学面上基金项目“海洋灾害大数据分析的系统模型研究及应用”(41476101)、“基于多时相高分遥感影像的筏式养殖藻类分类识别方法”(41706105)和“基于复杂网络的国产高分影像围填海类型早期识别方法研究”(41706198),全国统计科学研究项目“基于系统级模型构建的关系复杂大数据分析方法及其应用”(2017LY14)资助。
作者简介: 王常颖(1980-),女,内蒙古通辽人,博士,副教授,主要从事海洋复杂性与数据挖掘研究。Email:wcing80@126.com。
服务  
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章  
王常颖
田德政
韩园峰
隋毅
初佳兰

引用本文:

王常颖,田德政,韩园峰,隋毅,初佳兰. 基于属性差决策树的全极化SAR影像海冰分类[J]. 遥感技术与应用, 10.11873/j.issn.1004-0323.2018.5.0975.

Wang Changying,Tian Dezheng,Han Yuanfeng,Sui Yi,Chu Jialan. Sea Ice Classification of Polarimetric SAR Imagery based on Decision Tree Algorithm of Attributes’ Subtraction. Remote Sensing Technology and Application, 10.11873/j.issn.1004-0323.2018.5.0975.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2018.5.0975        http://www.rsta.ac.cn/CN/Y2018/V33/I5/975

[1] 刘建歌,慕德俊. 基于SAR影像海冰动态特征的提取方法[J]. 遥感技术与应用, 2018, 33(1): 55-60.
[2] 王凯,赵军,朱国锋. 基于GF-1遥感数据决策树与混合像元分解模型的冬小麦种植面积早期估算[J]. 遥感技术与应用, 2018, 33(1): 158-167.
[3] 周晓宇,陈富龙. 四川大熊猫栖息地PALSAR时序数据森林覆盖动态监测研究[J]. 遥感技术与应用, 2017, 32(6): 1100-1106.
[4] 姬忠林,张月平,李乔玄,刘绍贵,李淑娟,任红艳. 基于GF-1影像的冬小麦和油菜种植信息提取[J]. 遥感技术与应用, 2017, 32(4): 760-765.
[5] 吕利利,颉耀文,黄晓君,张秀霞,李汝嫣. 基于CART决策树分类的沙漠化信息提取方法研究[J]. 遥感技术与应用, 2017, 32(3): 499-506.
[6] 郝泷,陈永富,刘华,朱雪林,达哇扎西,李伟娜. 基于纹理信息CART决策树的林芝县森林植被面向对象分类[J]. 遥感技术与应用, 2017, 32(2): 386-394.
[7] 桂容,徐新,董浩,宋超. 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.
[8] 雷光斌,李爱农,谭剑波,张正健,边金虎,靳华安,赵伟,曹小敏. 基于多源多时相遥感影像的山地森林分类决策树模型研究[J]. 遥感技术与应用, 2016, 31(1): 31-41.
[9] 董保根,马洪超,车森,解龙根,何乔. LiDAR点云支持下地物精细分类的实现方法[J]. 遥感技术与应用, 2016, 31(1): 165-169.
[10] 林志垒,晏路明. 高光谱影像的BDT-SVM地物分类算法与应用[J]. 遥感技术与应用, 2016, 31(1): 177-185.
[11] 韩忻忆,颉耀文. 基于决策树的干旱区湿地信息自动提取—以疏勒河流域为例[J]. 遥感技术与应用, 2015, 30(6): 1146-1152.
[12] 王颖洁,刘良云,王志慧. 基于时序Landsat数据的三江平原植被地表类型变化遥感探测研究[J]. 遥感技术与应用, 2015, 30(5): 959-968.
[13] 刘吉凯,钟仕全,梁文海. 基于多时相Landsat8 OLI影像的作物种植结构提取[J]. 遥感技术与应用, 2015, 30(4): 775-783.
[14] 韩婷婷,习晓环,王成,包玉海,骆社周. 基于决策树方法的云南省森林分类研究[J]. 遥感技术与应用, 2014, 29(5): 744-751.
[15] 白秀莲,巴雅尔,哈斯其其格. 基于C5.0的遥感影像决策树分类实验研究[J]. 遥感技术与应用, 2014, 29(2): 338-343.