李 平，徐 新，董 浩，邓 旭

(武汉大学 电子信息学院，武汉 430072)(*通信作者电子邮箱xinxu@whu.edu.cn)

0 引言

合成孔径雷达(Synthetic Aperture Radar, SAR)是一种主动式高分辨率微波遥感器，并且具备全天候昼夜对地成像的能力[1]。极化信息提取能最大限度地将不同地物的散射特征以量的形式表现出来，揭示地物的散射差别，进而实现目标的分类与识别。目前，地物覆盖类型和土地利用分类已经成为极化SAR最重要的应用之一[2]。

极化SAR可以通过极化分解得到大量的极化分解特征，然而，特征数量的增加并不能导致相应的分类精度提高，相反，有时可能会降低分类精度，同时增加计算时间和复杂度。目前，常用的方法有以支持向量个数作为评估准则，并辅助常用的搜寻策略进行特征寻优[3-7]，但这种方法需要遍历所有特征，在面对特征维数较多的情况下，该方法明显比较繁琐。文献[8]通过特征线性判别分析(Linear Discriminant Analysis， LDA)来优选特征，提出一种面向对象的极化SAR分类方法；文献[9]分析了极化特征对不同地物类型的刻画能力，选择适合每类地物类型的特征，提出一种多层分类的方法；文献[10-14]利用可分性指数来选择特征，但其所用的特征维数都较少，并基本上是极化SAR中的纹理特征和相关的指数特征，缺少对极化SAR目标分解特征的分析与描述，并且该方法中构建的发展决策树算法，通过阈值分析来进行分类对于大样本数据分类具有一定的局限性。支持向量机(Support Vector Machine， SVM)在非线性分类、样本数目有限和高维模式识别中具有诸多的优势[15]，并且适用于小样本情况，具有良好的泛化性。……