A Novel Classification Method for PolSAR Image Combining the Deep Learning Model and Adaptive Boosting of Shallow Classifiers

Abstract

Polarimetric synthetic aperture radar (PolSAR) images are classified mainly according to the backscattering information of ground objects. For regions with complex backscattering information, misclassification is easy to occur, which leads to challenges in improving the classification accuracy of the PolSAR image. Given this situation, this paper combines the Deep Learning Model and traditional classifiers to classify PolSAR image. First, the Convolution Neural Network (CNN) was used to classify the PolSAR image and according to the category prediction probability of pixels, the key pixels easily misclassified are located. Then, the adaptive boosting (AdaBoost) algorithm combined the three shallow classifiers (the Support Vector Machine (SVM), the Wishart and the Decision Tree classifier) into strong classifiers to reclassify the key pixels. Finally, the labels of key pixels and other pixels are output as the final classification result. Experiments on two PolSAR images show that the proposed method can improve classification performance and obtain better classification results.

Résumé

Les images d’un radar à synthèse d’ouverture polarimétrique (PolSAR) sont classées principalement en fonction des informations de rétrodiffusion des objets au sol. Pour les régions où l’information de rétrodiffusion est complexe, il est facile de produire des erreurs de classification, ce qui pose des défis pour l’amélioration de la précision des classifications des images PolSAR. Dans ce contexte, cet article combine un modèle d’apprentissage profond et des algorithmes traditionnels pour classer l’image PolSAR. Tout d’abord, un réseau neuronal de convolution (CNN) est utilisé pour classer l’image PolSAR et les pixels clés, facilement mal classés, sont localisés selon la probabilité de bonne classification d'une classe donnée. Ensuite, l’algorithme d’optimisation adaptatif (AdaBoost) a combiné les trois algorithmes traditionnels (la machine à vecteurs de support (SVM), Wishart et l’arbre de décision) en des algorithmes puissants pour reclasser les pixels clés. Enfin, les étiquettes des pixels clés et des autres pixels de l’image sont extraites en tant que résultat final de la classification. Des expériences sur deux images PolSAR montrent que la méthode proposée peut améliorer les performances de la classification et obtenir des résultats plus précis.

Acknowledgement

The authors would like to thank the anonymous reviewers and the editor for their constructive comments and suggestions.

Disclosure statement

No potential conflict of interest was reported by the author(s).

Additional information

Funding

This work was supported by the Science and Technology Research Project of Hubei Province, Department of Education and Excellent Young and Middle-aged Science and Technology Innovation Team Program for Colleges and Universities in Hubei Province under [Grant Q20203006]; University-level research start-up fund under [Grant ESRC20220046]; and Natural Science Foundation of Hubei Province, [2019CFB827].