极化合成孔径雷达（SAR），除了具有全天候24小时工作能力，还利用不同极化通道的SAR复图像区分物体的细致结构、目标指向、几何形状以及物质组成等参数，在遥感领域具有广阔的应用前景，图像分类一直是极化SAR图像解译中的重要内容。由于支持向量机（SVM）方法在解决小样本问题时表现出良好的泛化能力和分类效果，因此应用较为广泛。但是传统的基于最大分类间隔的C-SVM很容易受到相干斑噪声以及监督信息标注区域的影响，鲁棒SVM为极化SAR图像分类提供了新的思路，引起了研究者的广泛关注。
0-1损失、Hinge损失与Pinball损失的对比
针对此问题，哈尔滨工业大学张腊梅等提出了一种基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类方法，通过求解两类训练样本之间的最大分位数距离来确定最优分类超平面，在无需迭代的前提下得到更加鲁棒的分类效果。该工作发表在《雷达学报》2019年第4期“SAR图像智能解译”专题“基于Pinball损失函数支持向量机的极化SAR图像鲁棒分类”（张腊梅，张思雨，董洪伟，朱厦）。该文首先研究了Pin-SVM的基本数学模型，并针对噪声和重采样的鲁棒性问题进行详细分析，然后利用Pin-SVM对Foulum地区的EMISAR图像进行全图分类，最后将实验结果与传统极化SAR图像分类算法进行对比，从算法的分类精度、重采样稳定性、噪声不敏感性和类内离散程度等方面详细讨论，证实了该文提出的算法相对于传统方法具有更好的地物分类效果，对特征噪声和重采样具有更强的鲁棒性。
基于Pin-SVM的极化SAR图像分类流程
EMISAR图像分类结果对比
了解详细内容请点击下面阅读原文。