海洋科学  2018, Vol. 42 Issue (1): 112-118   PDF    
http://dx.doi.org/10.11759/hykx20171011007

文章信息

刘善伟, 张世豪, 李翔宇, 张乃心, 张婷. 2018.
LIU Shan-wei, ZHANG Shi-hao, LI Xiang-yu, ZHANG Nai-xin, ZHANG Ting. 2018.
基于多特征多核学习的全极化SAR溢油提取方法
Full polarimetric SAR oil-spill extraction method based on multi-feature and multi-kernel learning
海洋科学, 42(1): 112-118
Marina Sciences, 42(1): 112-118.
http://dx.doi.org/10.11759/hykx20171011007

文章历史

收稿日期:2017-10-11
修回日期:2017-12-20
基于多特征多核学习的全极化SAR溢油提取方法
刘善伟1, 张世豪1, 李翔宇2, 张乃心1, 张婷3     
1. 中国石油大学(华东), 山东 青岛 266580;
2. 大连市环境监测中心, 辽宁 大连 116023;
3. 国家海洋局第一海洋研究所, 山东 青岛 266061
摘要:全极化合成孔径雷达(Synthetic Aperture Radar, SAR)数据具有丰富的极化信息, 能够提取出大量异构性特征。核学习方法在解决小样本、高维特征分类问题上具有优势, 但异构特征对不同核函数具有响应差异。本文利用一种引入先验标签的多核学习方法进行全极化SAR的溢油信息提取, 即基于分析结果对特征集进行遴选与组合, 分别在每个特征组合中训练得到一个预备层核函数, 以新获取的预备层核函数作为新的底层核函数, 对全部特征进行学习分类。通过提取与分析溢油和海水的统计特征、物理散射特征和纹理特征, 建立溢油全极化SAR特征谱, 并利用引入先验标签的多核学习分类器进行溢油提取实验。结果表明, 该方法能够利用全极化SAR多维异构特征的互补特性有效提高溢油分类提取精度。
关键词全极化SAR(Synthetic Aperture Radar)    溢油提取    多核学习    
Full polarimetric SAR oil-spill extraction method based on multi-feature and multi-kernel learning
LIU Shan-wei1, ZHANG Shi-hao1, LI Xiang-yu2, ZHANG Nai-xin1, ZHANG Ting3     
1. China University of Petroleum, Qingdao 266580, China;
2. Dalian Environmental Monitoring Centre, Dalian 116023, China;
3. First Institute of Oceanography, State Oceanic Administration, Qingdao 266061, China
Abstract: Full polarimetric SAR data contains a wealth of polarization information, so a large number of heterogeneous features can be extracted from it. The kernel learning method has advantages in solving small-sample problems and high-dimensional feature classification, but heterogeneous features have different responses to different kernel functions. In this paper, we use a multi-kernel learning method based on an a priori label to extract oil-spill information from full polarimetric SAR data. Specifically, it selects and combines feature sets based on analysis results and trains a preliminary kernel function on each feature combination. This newly acquired preliminary kernel function is used as a new underlying kernel function to classify all the features. The full polarimetric SAR characteristic spectrum of an oil spill is determined by extracting and analyzing the statistical, physical-scattering, and texture features of the oil spill and seawater. We conducted an oil-spill extraction experiment using the above multi-kernel learning classifier. The results show that this method can effectively improve the precision of oil-spill classification by using the complementary characteristics of multi-dimensional heterogeneous features of full polarimetric SAR data.
Key words: full polarimetric SAR    oil spill extraction    multi-kernel learning    

由于海洋石油开采和海洋运输造成的突发性事故, 海上溢油已成为海洋生态环境破坏的主要原因之一。合成孔径雷达(Synthetic Aperture Radar, SAR)因具有全天时全天候的特性, 已成为海上溢油监测的主要手段。

全极化SAR与单极化、双极化SAR相比含有更为丰富的目标信息, 具有更好的地物分类性能, 逐渐成为研究热点[1-2]。Velotto等[3]利用TerraSAR-X双极单视复数据进行实验分析, 发现在X波段下, 同极化相位差也可用来区分溢油与疑似溢油。Minchew等[4]分析L波段全极化无人机合成孔径雷达(Uninhabited Aerial Vehicle Synthetic Aperture Radar, UAVSAE)数据, 发现油膜表面主要以单次散射为主。Anne[5]综合利用星载和机载SAR数据, 提取多种极化参数识别溢油, 取得了良好的分类效果。Migliaccio等[6]利用墨西哥湾溢油事故的数据分析了海面溢油的极化散射模型。Li等[7]同样利用墨西哥湾溢油的数据, 分析了基于Poincare球提取的油膜多种极化特征。

上述基于全极化SAR的溢油提取研究主要采用物理散射特征, 没有建立完整的溢油全极化SAR特征谱, 导致溢油提取结果普遍缺乏细节信息[8]。此外, 支持向量机(Support Vector Machine, SVM)在多特征、小样本的二分类问题上极具优势[9-11], 但传统的单核学习在应对异构特征时表现不佳。针对以上问题, 本文对溢油的统计特征、纹理特征[12-14]和极化特征进行分析, 通过特征提取和特征选择, 建立完整的溢油SAR特征谱, 并利用引入先验标签的多核学习方法进行溢油的检测和提取。

1 方法 1.1 全极化SAR多维异构特征提取方法

全极化SAR数据包含丰富的目标信息, 通过数学统计、目标极化分解、形态学滤波等一系列方法, 能够从中提取到大量的特征, 而这些特征也具有不同的结构、物理意义。全极化SAR特征主要分三大类:原始数据的统计特征、基于目标极化分解的物理散射特征、基于图像灰度的纹理特征。

1.1.1 原始SAR数据统计特征

SAR影像中的相干斑是由大量散射单元反射波的相干叠加引起的, 利用其图像统计特性和协方差矩阵/相干矩阵元素的运算能够更好地提取所需信息。本文提取的统计特征包括极化总功率Span、复相关系数ρc、一致性参数μ、相位差ψ、同极化比γ和交叉极化比ε, 极化总功率可表征图像平均后向散射强度, 在全局响应上信息保存完整; 复相关系数的值随散射媒质类型的不同而变换; 一致性参数的正负反映了不同的散射机制; 相位差适用于描述干涉相位的统计分布; 极化比能够体现HH、HV、VV三种极化方式之间的相对关系。

1.1.2 基于目标极化分解的物理散射特征

目标极化分解是全极化SAR数据应用最广的特征提取方法之一, 主要分为相干分解与非相干分解两大类; 被分解的目标包括散射矩阵(S)、协方差矩阵(C3)、相干矩阵(T3)。本文根据分解目标与分解方式遴选出以下五种各有异同的极化分解方法。

(1) Huynen分解

该方法是将目标的相干矩阵T3用9个与目标物理特性相关的Huynen参数重新定义:

$ {\mathit{\boldsymbol{T}}_3}{\text{ = }}\left[{\begin{array}{*{20}{c}} {2{A_0}}&{C-jD}&{H + jG} \\ {C + jD}&{{B_0} + B}&{E + jF} \\ {H-jG}&{E-jF}&{{B_0} - B} \end{array}} \right] = {\mathit{\boldsymbol{T}}_0} + {\mathit{\boldsymbol{T}}_N} $ (1)

目标三分量: T11=2A0主要表征目标的对称和平滑成分; ${T_{22}} = {B_0} + B$主要表征目标的不规则成分; ${T_{33}} = {B_0}-B$主要表征目标的不对称成分。

(2) Cloude分解

对相干矩阵T3的特征矢量进行分析, 将其分解得到散射熵H、散射角α和各向异性度A三通道分量:

$ {\boldsymbol{T}_3} = \sum\nolimits_{i = 1}^3 {{\lambda _i}{T_{3i}}}, \;\;\;{P_i} = \frac{{{\lambda _i}}}{{\sum {{\lambda _i}} }}, \left\{ \begin{gathered} H =-\sum {{P_i}{{\log }_3}{P_i}} \hfill \\ \alpha = {P_1}{\alpha _1} + {P_2}{\alpha _2} + {P_3}{\alpha _3} \hfill \\ A = \frac{{\left( {{P_2}-{P_3}} \right)}}{{\left( {{P_2} + {P_3}} \right)}} \hfill \\ \end{gathered} \right. $ (2)

其中, ${\lambda _i}$对应T3的特征值, 分别描述三个归一化目标分量T3i的统计权重。

(3) Yamaguchi四分量分解

该方法将目标的协方差矩阵C3分解为表面散射(Odd)、偶次散射(Dbl)、体散射(Vol)和螺旋散射(Hlx)这四种散射机制分量, 解决了反射对称性不足的问题, 广泛应用于复杂的几何散射结构。四个分量的散射功率如下:

$ \left\{ \begin{gathered} {P_S} = {f_S}\left( {1 + {{\left| \beta \right|}^2}} \right) \hfill \\ {P_d} = {f_d}\left( {1 + {{\left| \alpha \right|}^2}} \right) \hfill \\ {P_v} = {f_v} \hfill \\ {P_h} = {f_h} \hfill \\ \end{gathered} \right. $ (3)

其中, fSfdfvfh分别为表面散射、偶次散射、体散射和螺旋体散射分量的系数。

(4) Pauli分解

该分解基于散射矩阵S, 通过定义不同的极化基矩阵进行极化特征提取, 不同的极化基矩阵代表不同的地物类型, 分解得到的极化特征向量表示为:

$ \mathit{\boldsymbol{S}} = \left[{\mathit{\boldsymbol{a}}\;\;\mathit{\boldsymbol{b}}\;\;\mathit{\boldsymbol{c}}} \right] = \frac{{\left[{{S_{{\text{HH}}}} + {S_{{\text{VV}}}}\;\;{S_{{\text{HH}}}}-{S_{{\text{VV}}}}\;\;{S_{{\text{HV}}}} + {S_{{\text{VH}}}}} \right]}}{{\sqrt 2 }} $ (4)

(5) Krogager分解

根据旋转不变性, 将散射矩阵S分解为球散射、旋转角度为θ的二面角散射和螺旋体散射三种相干分量之和。

$ \mathit{\boldsymbol{S}} = {{\text{e}}^{j\varphi }}\left\{ {{{\text{e}}^{j\varphi s}}{k_S}\left[{\begin{array}{*{20}{c}} 1&0 \\ 0&1 \end{array}} \right] + {k_d}\left[{\begin{array}{*{20}{c}} {\cos 2\theta }&{\sin 2\theta } \\ {\sin 2\theta }&{-\cos 2\theta } \end{array}} \right] + {k_h}{{\text{e}}^{ \pm j2\theta }}\left[{\begin{array}{*{20}{c}} 1&{ \pm j} \\ { \pm j}&{-1} \end{array}} \right]} \right\} $ (5)

该分解方法需要计算6个独立的实变量——{${\varphi _S}, \theta, {k_S}, {k_d}, {k_h}, \varphi $}, ${\varphi _S}$表示在同一分辨单元中球散射分量相对于二面角散射分量的相移, ${k_S}、{k_d}、{k_h}$分别为球散射、二面角散射、螺旋体散射分量的权值, $\theta $是取向角, $\varphi $是散射矩阵的绝对相位。

1.1.3 基于灰度共生矩阵的纹理特征

全极化SAR影像包含的丰富纹理特征, 能够帮助提高图像的分类精度。利用灰度共生矩阵, 基于二阶概率统计滤波, 从全极化SAR图像中得到均值、方差、反差、异质性、同质性、信息熵、二阶矩和相关性这8种纹理特征。

1.2 引入先验标签的多核学习方法

核方法是利用核函数将低维空间特征映射到高维空间, 使其变为线性可分的一类模式识别算法。该方法能够避免过学习, 具有良好的泛化性能, 对解决小样本、非线性及高维模式识别问题具有独特的优势。以SVM为代表的核学习方法因其在小样本训练时具有良好的分类性能而得到了广泛的应用与认可, 但异构特征对不同核函数往往具有响应差异, 针对这一问题, 本文引入多核学习的概念, 其基本思想是将一系列基核进行组合并生成一个等效的核, 然后由等效核替代学习器中的单核。该方法的主要步骤是:首先使用不同图像低层特征组合进行图像分类, 然后通过机器学习方法得到不同特征的权值, 将单核矩阵加权求和得到总的核矩阵, 最后利用该核矩阵进行图像分类。具体公式如下:

首先给定训练集:

$ \mathit{\boldsymbol{S}} = \left\{ {{X_1}, {X_2}, \cdots, {X_n}} \right\} $ (6)

S表示集合, Xi表示训练样本。选择一组基核Ki:

$ \left\{ {{K_1}, {K_2}, \cdots {K_n}} \right\}, {K_i} \in {\mathit{\boldsymbol{K}}^{n \times n}} $ (7)

${\mathit{\boldsymbol{K}}^{n \times n}}$表示核函数矩阵。将多个基核进行组合:

$ \begin{gathered} \mathit{\boldsymbol{K}}\left( {{X_i}, {X_j}} \right) = \sum\nolimits_{n = 1}^N {{d_n}{K_n}\left( {{X_i}, {X_j}} \right)}, \hfill \\ {\text{s}}{\text{.t}}{\text{.}}\;{d_n} \geqslant 0, \sum\nolimits_{n = 1}^N {{d_n} = 1} \hfill \\ \end{gathered} $ (8)

其中, N为基核的个数, dn是第n个基核的组合权重, 所有的权重系数都满足非负和归一化的条件, 以保证组合的核也满足半正定条件并保持数值范围的归一性。

分类器模型参数优化的目标是同时优化组合权重dn和原始学习机器的目标函数, 最终使学习得到的核尽可能地接近理想核。本文利用梯度下降法来迭代优化决策函数, 可表示为:

$ \begin{gathered} \max \left\{ {L\left( {{\alpha _i}, {\alpha _j}} \right) = \mathop {\min }\limits_d \mathop {\max }\limits_\alpha } \right.\sum\limits_{i = 1}^M {{\alpha _i}} \hfill \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\left. {- \sum\limits_{i = 1}^M {\sum\limits_{i = 1}^M {{\alpha _i}{\alpha _j}{y_i}{y_j}} } \sum\limits_{n = 1}^N {{d_n}{K_n}\left( {{X_i}, {X_j}} \right)} } \right\} \hfill \\ \;\;\;\;\;s.t.\left\{ \begin{gathered} \sum\nolimits_{i = 1}^M {{\alpha _i}{y_i} = 0} \hfill \\ {\alpha _i}, {\alpha _j} \in \left[{0, C} \right] \hfill \\ \forall i, j = 1, 2, \cdots, N \hfill \\ {d_n} \geqslant 0, \sum\nolimits_{n = 1}^N {{d_n} = 1} \hfill \\ \end{gathered} \right. \hfill \\ \end{gathered} $ (9)

由于目标函数$L\left( {{\alpha _i}, {\alpha _j}} \right)$本身特性, 优化组合权重dn可以通过迭代更新$L\left( {{\alpha _i}, {\alpha _j}} \right)$的梯度下降方向求得最优解。目标函数的梯度表示如下:

$ \frac{{\partial L}}{{\partial {d_n}}} =-\frac{1}{2}\sum\nolimits_{i = 1}^M {\sum\nolimits_{j = 1}^M {{\alpha _i}{\alpha _j}{K_n}\left( {{X_i}, {X_j}} \right), n = 1, 2, \cdots, M} } $ (10)

目前常用的核函数有线性核函数、多项式核函数、RBF核(径向基核)函数、sigmoid核函数等。在利用核学习方法进行训练时, 会涉及核函数的选择以及底层核函数组合的问题, 若仅将多维特征做简单线性拉伸组合用于学习, 盲目性太强, 没有考虑各类特征对分类任务与目标的功能性, 且由于特征维数过高, 极大的影响计算效率。为克服上述问题, 本文在进行多核学习之前, 首先在全极化SAR特征分析的基础上, 利用先验标签构建初始参数, 对底层核函数进行遴选与分配, 即在底层核函数之上建立预备层核函数${K_{re}}\left( {{X_i}, {X_j}} \right)$, 其中${\varphi _n}$为底层核函数的权重系数如公式(11)所示; 其次, 通过对预备层核函数进行多核学习的参数迭代优化, 最终得到最佳组合权重与优化后的分类器。

$ \begin{gathered} {K_{re}}\left( {{X_i}, {X_j}} \right) = \sum\nolimits_{n = 1}^N {{\varphi _n}{K_n}\left( {{X_i}, {X_j}} \right)}, \hfill \\ \;\;\;{\text{s}}{\text{.t}}{\text{.}}{\varphi _n} \geqslant 0, \sum\nolimits_{n = 1}^N {{d_n} = 1} \hfill \\ \end{gathered} $ (11)
2 实验 2.1 数据及预处理

溢油数据为2010年5月8日的Radarsat-2全极化(HH、VV、HV、VH)墨西哥湾溢油影像, 其成像波束为Q5, 距离向分辨率12 m, 方位向分辨率8 m, 是C波段单视复合数据。如图 1所示。

图 1 墨西哥湾某溢油区域Radarsat-2影像 Fig. 1 Radarsat-2 image of oil spill area in Mexico Bay

全极化SAR数据预处理具体步骤包括辐射定标、多视化处理和斑噪祛除。首先, 读取原始观测数据生成单视复数图像, 进行辐射定标, 即将影像像元亮度值转换为后向散射系数概率密度; 其次, 对数据进行多视处理, 生成强度图; 最后, 基于相干成像原理, 选择增强LEE滤波器对强度影像进行噪声抑制。

2.2 特征提取与分析

针对全极化SAR的三种特征类别, 采用多种方法进行特征提取与特征分析, 并对三类特征进行综合统计与筛选。

2.2.1 统计特征

SAR影像的统计特征包括极化总功率Span值、复相关系数${\rho _c}$、一致性参数μ、相位差ψ、同极化比γ、交叉极化比ε, 提取得到的特征如图 2所示。

图 2 统计特征 Fig. 2 Statistical characteristics

由提取结果可以看出, 极化总功率能够较好地区分海水和溢油, 这是由于海水和溢油的平均后向散射强度有明显差异; 相位差能够较好地识别溢油, 可作为优选特征; 复相关系数和一致性参数不能较好地区分海水和溢油, 因为两者的散射机制均比较单一; 同极化比较交叉极化比识别溢油的效果更佳, 原因是溢油在同极化通道上反映更明显。

2.2.2 物理散射特征

图 3显示的是利用五种各有异同的极化分解方法得到的16维物理散射特征。其中图 3a~ 图 3c为基于Kennaugh矩阵非相干分解 的Huynen分解特征, 图 3d~图 3f为基于特征矢量非相干分解的Cloude分解特征, 图 3g~图 3j为基于散射模型非相干目标分解的Yamaguchi四分量分解特征, 图 3k~图 3m为Pauli分解特征, 图 3n~图 3p为Krogager分解特征。

图 3 物理散射特征 Fig. 3 Physical scattering characteristics

从提取的物理散射特征结果来看, 以上多种极化分解均包含了比较完整的溢油信息, 不同分解方式的相同分量属于同一种散射机制, 在图像上表现为高度一致性, 仅存在细节差异。Huynen分解的T22分量识别溢油的效果较差, 表明溢油几乎不包含不规则成分; Cloude分解得到的极化熵H、散射角α和各向异性A都能在一定程度上区分海水和溢油; Yamaguchi分解、Pauli分解和Krogager分解的结果表明, 海面上的油膜主要进行表面散射, 而几乎不发生螺旋散射。

2.2.3 纹理特征

SAR图像的纹理反映了地物对雷达波束的后向散射特性, 具有连续性特征的地物在图像中呈现出相同或相似的灰度值。利用灰度共生矩阵, 基于二阶概率统计的滤波分别对四种极化方式(HH、HV、VH、VV)下的SAR图像进行纹理提取, 得到均值Mean、方差Variance、反差Contrast、异质性Dissimilarity、同质性Homogeneity、信息熵Entropy、二阶矩Second Moment和相关性Correlation等8类纹理特征, 如图 4所示。

图 4 8种纹理特征 Fig. 4 Eight types of texture feature

图 4中可知, 纹理特征能够很好的表征海水和溢油的空间分布细节, 但SAR影像本身受相干斑噪声影响严重, 虽然海水和溢油的边缘较清晰, 但强度值仍具有不连续性。在八种纹理特征中, 均值特征与其他七种特征存在较高的差异性, 呈现出较为完整的散射信息。此外, 方差、反差、异质性、信息熵这四种特征与同质性、二阶矩这两种特征呈现出了明显的反向数据结构。从整体上看, 均值、熵和二阶矩的区分海水和溢油的效果最好。

2.3 分类实验与结果分析

通过对全极化SAR的多维特征进行提取与分析, 根据其显示的异同特性, 将无法识别溢油或识别效果较差的特征以及具有相似作用的特征剔除。对原本三大类特征进行筛选后分类组合如表 1所示。

表 1 特征遴选与组合结果 Tab. 1 Feature selection and combination results
序号 特征组合 特征描述
1 Span、Mean 均值特征
2 μψ 相干统计特征
3 γε 常规极化参数
4 Yamaguchi_Odd 单次散射特征
5 Cloude_T22 二面角散射特征
6 Huynen_T33 体散射特征
7 Krogager_ks 球散射特征
8 Entropy 纹理特征
9 Second Moment 反向纹理特征

根据上述特征组合, 首先在各组合内部进行多核学习, 即每个特征组合训练得到一个预备层核函数, 以新获取的预备层核函数作为新的底层核函数, 再对全部特征进行多核学习, 得到最终分类结果。为了验证该分类器基于多维异构SAR特征的分类效果, 本文还利用传统SVM分类器以及基于简单线性拉伸的多核学习方法对该影像进行分类对比。图 5显示了三种方法的分类结果, 分类精度如表 2所示。

图 5 分类结果对比 Fig. 5 Comparison of classification results

表 2 分类结果精度 Tab. 2 Accuracy of classification results
生产者精度/% 用户精度/% 总体精度/% Kappa系数
海水 溢油 海水 溢油
SVM 75.57 74.12 53.32 78.86 85.7218 0.5304
多核学习 82.38 78.30 26.27 75.99 86.6346 0.5661
本文方法 87.72 79.38 64.55 78.17 91.7609 0.6320

图 5可知, 三种分类方法均可较为准确地提取溢油, 但在某些细节仍存在差异, 传统的SVM分类器和基于简单线性拉伸的多核学习方法在分布零散、面积较小的溢油区域提取效果不理想。相对于以上两种方法, 本文方法能够更为完整地提取溢油信息; 从表 2可以看出本文方法的分类总体精度以及Kappa系数均优于上述两种方法。

3 结论

全极化SAR数据能够反映更多的溢油特征。在统计特征及常规极化参数中, 极化总功率能够较好地区分海水和溢油, 而基于复相关系数的分类效果相对较差; 在物理散射特征中, 海面上的油膜主要进行表面散射, 而几乎不发生螺旋散射; 在纹理特征中, 均值、熵和二阶矩区分海水和溢油的效果最好。

本文采用了一种引入先验标签的多核学习方法, 即基于分析结果对特征集进行遴选与组合, 分别在每个特征组合中训练得到一个预备层核函数, 以新获取的预备层核函数作为新的底层核函数, 对全部特征进行学习分类, 有效地解决了异构特征对应不同核函数具有响应差异的问题。实验表明, 该方法能够充分利用极化SAR多维异构特征的互补特性, 有效提高溢油分类精度。

参考文献
[1]
Wang Siyuan, Fu Xingyu, Zhao Yan, et al. Modification of CFAR Algorithm for Oil Spill Detection from SAR Data[J]. Intelligent Automation and Soft Computing, 2015, 21(2): 163-174. DOI:10.1080/10798587.2014.960228
[2]
Bahia L, Aichouche B A. Sea SAR Images Analysis to Detect Oil Slicks in Algerian Coasts[J]. Journal of Mathematical Modeling and Algorithms in Operations Research, 2014, 13(4): 271-386.
[3]
Velotto M M D, Nunziata F. Oil-slick observation using single look complex TerraSAR-X dual-polarized data[J]. IGARSS, 2010.
[4]
Minchew B, Jones C E, Holt B. Polarimetric Analysis of Backscatter From the Deepwater Norizon Oil Spill Using L-Band Synthetic Aperture Radar[J]. IEEE Transa ctions on Geoscience and Remote Sensing, 2012, 50: 3812-3830. DOI:10.1109/TGRS.2012.2185804
[5]
Anne H, Solberg S. Remote Sensing of Ocean Oil-Spill Pollution[J]. Proceedings of the IEEE, 2012, 100(10): 2931-2945. DOI:10.1109/JPROC.2012.2196250
[6]
Migliaccio M, Nunziata F. On the exploitation of polarimetric SAR data to map damping properties of the deepwater horizon oil spill[J]. International Journal of Remote Sensing, 2014, 35: 3499-3519. DOI:10.1080/01431161.2014.905730
[7]
Li H, Perrie W, He Y, et al. Analysis of the polarimetric SAR Scattering Properties of Oil-Covered Waters[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015, 8(8): 3751-3759.
[8]
李仲森, 鲍狄埃. 极化雷达成像基础与应用[M]. 北京: 电子工业出版社, 2013.
Li Zhongsen, Pottier Eric. Polarimetric Radar Imaging: From Basics to Applications[M]. Beijing: Publishing House of Electronics Industry, 2013.
[9]
李湘眷, 孙显, 王宏琦. 基于多核学习的高分辨率遥感图像目标检测方法[J]. 测绘科学, 2013, 38(5): 84-87.
Li Xiangjuan, Sun Xian, Wang Hongqi. Objects detection in high-resolution remote sensing images using multiple kernel learning[J]. Science of Surveying and Mapping, 2013, 38(5): 84-87.
[10]
Cusano C, Napoletano P, Schettini R. Remote Sensing Image Classification Exploiting Multiple Kernel Learning[J]. IEEE Geoscience & Remote Sensing Letters, 2015, 12(11): 2331-2335.
[11]
Niazmardi S, Safari A, Homayouni S. Similarity-Based Multiple Kernel Learning Algorithms for Classification of Remotely Sensed Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017, 10(5): 2012-2021.
[12]
胡召玲, 李海权, 杜培军. SAR图像纹理特征提取与分类研究[J]. 中国矿业大学学报, 2009, 38(3): 422-427.
Hu Zhaoling, Li Haiquan, Du Peijun. Study on the Extraction of Texture Features and Its Application in Classifying SAR Images[J]. Journal of China University of Mining & Technology, 2009, 38(3): 422-427.
[13]
付仲良, 张文元, 孟庆祥. 灰度和纹理特征组合的SAR影像SVM分类[J]. 应用科学学报, 2012, 30(5): 498-504.
Fu Zhongliang, Zhang Wenyuan, Meng Qingxiang. SAR Image Classification Based on SVM with Fusion of Gray Scale and Texture Features[J]. Journal of Applied Sciences, 2012, 30(5): 498-504.
[14]
仲伟凡, 唐远彬, 殷腾箐. 基于纹理特征的SAR影像各拉丹冬冰川信息提取[J]. 测绘与空间地理信息, 2015, 38(10): 178-180.
Zhong Weifan, Tang Yuanbin, Yin Tengqing. Geladandong Glacier Information Extraction Based on the Texture Features of SAR Image[J]. Geomatics & Spatial Information Technology, 2015, 38(10): 178-180. DOI:10.3969/j.issn.1672-5867.2015.10.056