基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类

考虑到极化合成孔径雷达(PolSAR)图像标注信息量低以及相干斑噪声难以消除的问题，该文从鲁棒统计学习的角度提出了一种基于Pin-SVM的极化SAR图像鲁棒分类方法，根据极化SAR图像的散射特性和地物的纹理特性，通过求解两类样本之间的最大分位数距离来确定分类超平面，在无需迭代的前提下得到更加鲁棒的分类结果。相比传统的基于最大间隔的极化SAR图像分类算法，该文所提算法一方面在对极化SAR图像提取到的特征中包含的噪声具有更好的鲁棒性，另一方面对于训练样本的抽样范围不敏感，即重采样具有更好的鲁棒性。利用EMISAR的Foulum地区极化SAR数据进行了算法验证，多种情况的对比实验的结果验证了该算法的有效性。