Abstract
Due to the severe speckle noise of a fully polarimetric synthetic aperture radar image and the complex backscattering mechanism at the junction of different land covers, some of the pixels are easily mislabeled, especially on the edge of the land covers. To address this issue, this study presents a novel scheme that selects polarimetric features step by step to participate in classification through different classification mechanisms. Different from previous classification methods where all land covers are described by the same polarimetric features, we make a fine selection of polarimetric features for each land cover with the help of information entropy and contextual information. Among many polarimetric features, elements of the covariance matrix and the coherence matrix are selected to optimize the original classification results. The experimental results show that the proposed method can achieve good classification results, especially in the edge area of land covers. Compared to traditional classification methods, the proposed method is robust and is able to improve the overall accuracy by more than 5.58% and the kappa coefficient by more than 0.0613.
Résumé
En raison du chatoiement observé sur les images Radar à ouverture de synthèse (ROS) entièrement polarimétriques et du mécanisme complexe de la rétrodiffusion à la jonction de différentes occupations du sol, certains pixels sont facilement mal classés, particulièrement aux frontières des différentes catégories. Pour résoudre ce problème, cette étude présente un nouveau concept lequel sélectionne les paramètres polarimétriques, étape par étape, afin de les intégrer à la classification au moyen de différents mécanismes. Contrairement aux méthodes de classification habituelles qui utilisent les mêmes paramètres polarimétriques pour toutes les classes d’occupation du sol, nous faisons pour chaque classe une sélection fine de ces paramètres à l'aide de l'entropie et de l'information contextuelle. Parmi les nombreux paramètres polarimétriques, des éléments de la matrice de covariance et de la matrice de cohérence sont sélectionnés pour optimiser les résultats de la classification originale. Les résultats expérimentaux montrent que la méthode proposée peut obtenir de bons résultats de classification, en particulier dans la zone limitrophe des classes d’occupation du sol. Par rapport aux méthodes de classification traditionnelles, la méthode proposée est robuste et améliore la précision globale de plus de 5,58% et le coefficient kappa de plus de 0,0613.
Acknowledgment
The authors would like to thank the anonymous reviewers and the editor for their constructive comments and suggestions.
Disclosure statement
The authors declare no conflict of interest.