TELKOM NIKA , Vol.13, No .1, March 2 0 1 5 , pp. 146~1 5 4   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v13i1.1318        146     Re cei v ed Se ptem ber 30, 2014; Revi se d De ce m ber  11, 2014; Accepted Janu ary 9, 2015   An Improved AP-Wishart Classifier for Polarimetric  SAR Images by Incorporating a Textu r al Feat ure      Chen J u n 1 *, Du Peijun 2 , Tan Kun 1   1  Jiangsu Ke y  Lab orator y of  Reso urces an d  Environm ent al  Information En gin eeri ng, Ch in a Univ ersit y   of  Minin g  an d T e chno log y ,  Xuz hou C i t y , Jia n g s u Provinc e , 2211 16, Ch ina   2  Jiangsu Prov i n cial K e y   La bo rator y   of Geogr aph ic Informati on Scie nce a n d  T e chnolo g y ,  Nanj in g  Univers i t y , N a n jing cit y , Jia ngs u Provinc e , 21 009 3, Chi n a   Corresp on din g  author, e-mai l : stud yias@ 163 .com       A b st r a ct   An i m prove d  cl assifier  is  pres ented  by  i m p o s ing   a text ural   feature to  so lv e the  pr obl e m s  of va gu e  initia l cluster i n g  results, low  cl assificati on  accuracy a n d  unc han ge ab le class  nu mb er in the  itera t ive   classifier,  base d  on  H/Alp ha  d e co mp ositio n a nd the  co mp le x W i shart distri butio n for ful l y  pol ari m etric SA R   (Synthetic Ap erture R adar)  imag es. F i rst, w a velet transformatio n  is  used to  ext r act texture fr o m   pol ari m etric S A R images. S e con d , an AP (Affinity Propa gat io n) alg o rith m is ap pli ed to create the in itia l   clusteri ng res u lt. T h is result is then a p p lie d to t he iterat ive class i fier b a sed  on the c o mpl e x W i sha r t   distrib u tion  to  obtai n the  fin a l  result. T w o P A LSAR  (P hase d  Array typ e  L- ban d Synth e tic  Apertur e  R a d a r)   imag es fro m   ALOS (Adva n c ed  Lan d Obs e rving S a tel lite)  are  use d  for  the ex peri m ent s carrie d   out  on   exper imenta l  p l ots in Binh ai  Prefecture, Ya nche ng Cit y, Jian gsu Provi n ce. T he results show  that the  improve d  class i fier has so me  mer i ts, includ in g clear in it ia l clusterin g  results ,  flexible class  nu mb er and h i g h   classificati on  a ccuracy. T he i m pr ove d  classi fier has b e tter overa ll perf o rmance th an the  origi n a l , and c a n   be effectively  a ppli ed to the cl assificati on of pol ari m etric SA R imag es.      Ka ta  k unc i:  POLSAR, H/Alp ha-w i shart clas sifier, AP  cluster, texture, wa velet transform      1. Introduc tion  There are two main types of machin e learni ng alg o r ithm in cla s sificatio n  of PolSAR  (Polari m etri c Synthetic  Ap erture  Rada r) image s, nam ely sup e rvis e d  and  un sup e rvise d  lea r ni ng.  The forme r  requires a  ce rtain num ber of trai ning sample s; the latter doe s n o t need train i ng   sampl e s. Cl a ssifi cation a c curacy of su p e rvise d  learni ng depe nd s sub s tantially on the quality of  training  sa mp les. However,  a PolSAR im age i s  differe nt to an o p tical image. It b e long s to a c ti ve   microwave remote sen s i ng and i s  greatly affected  by the interfere n ce of different wave s. It  therefo r e ha s short c omin g s  su ch a s  se riou s  sp eckle  noise, low  contra st betwe en obje c ts a nd  backg rou nd,  edge bl urring  and othe r un certai n fa cto r s. Although  some mea s u r es  can b e  taken   to eliminate  such  noi se, im age q uality is signifi c antly  degrade d at the same time . So, after bei ng   contraste d   wi th the opti c al  image, the  PolSAR ima g e  is h a rder to i n terp ret. The r e may b e   so me  difficulty in using a su pervi sed le arni ng  algorith m  dire ctly on a PolSAR image.   The pola r ime t ric features  of a PolSAR  im age are expre s sed by a  cohe rent scattering   matrix, whi c h has  a com p lex Wi sh art probability density distri buti on. Therefore, a  classifier  develop ed u nder the s e  ci rcu m sta n ces  may achiev e  highe r  cla ssi fication a c cu racy. Le e [1]-[ 4 ]  prop osed  an  un supe rvise d  cl assifier a fter co mbini n g H/A/Alpha  decompo sitio n  [5]-[7] with  a  compl e x Wishart dist ributi on, calle d an  H / A / Alpha - W i s ha rt  cla ssif i e r .   The H/A/Alph a-Wish art cl a ssifie r  is wi d e ly  used in remote se nsi n g. Laure n t et al. [8 ]  utilized it for  cla ssifi cation  of a multi-fre quen cy  PolS AR imag e. Many improve m ents h a ve  been   made to  the  H/A/Alpha-Wi sha r t cl assifi er: Kimura et  al. [9] and  Cao  et al. [1 0] adde d  spa n  to  form the  H/Al pha/span -Wi shart  cla ssifie r . Wu  et  al. [1 1] used fo ur  comp one nt d e com p o s ition  to  divide a pixel   into a fou r  ba se  scatter-typ e and  a  com poun d scatte r-type, and th ey cla ssifie d  t he  image u s in g  the Wi sha r t classifier. Yan g  et al.  [12] imposed a n  o p timal co rrela t ion co efficie n t  and  spa n  to  the cla s sifier to automati c ally extr act road a nd  soil.  Zhang  et al.  [13] com b in ed   H/A/Alpha de comp ositio n  and the M a rkov Ran dom  Field for  cla s sifying the im age. Yang  et al.  [14] combi n e d   H / Alpha  d e com p o s ition  with a pol arimetri c  whi t ening filter  to the imag ery  cla ssifi cation.  Yang et al. [15] pro p o s ed  a weig hted u n su pervi sed  Wishart  cla s sifier. Zhao et  al.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       An Im proved  AP-Wi shart Classifier for P o larim e tr ic S A R Im age by Incorpor ating  .... (Chen Jun)  147 [16] use d  a li kelih ood -ratio  test to cal c u l ate  the dist a n ce  between  each pixel a nd every  cla s s  cente r ; and L ang et et al. [17] adde d  H ,  A  and Free m an de comp osition to the classificatio n .  All of these i m provem ents have bee n b a se d sol e ly o n  pola r imetri c information.  But at  the sa me tim e  there a r e p l enty of  other feature s , su ch a s  texture ,  in PolSAR i m age.  Ho w to  combi ne th ese features wit h  pola r imet ric informatio n f o r  cla ssifi cati on of PolSA R  image  is  still  a   hotly debate d  topic.  Liu et  al. [18] unite d texture  with  SVM into th e cl assification an d a c hiev ed   high perform ance; however, te xture is  still less com m only used i n  improvement of the  H / Alpha - Wishart  cla s sifier. The r ef ore, in this  article  a ne w un sup e rvi s ed  cla ssifi cation sche m e  is   prop osed, by imposi ng texture to  improve the accuracy of the  H / Alpha -Wisha rt cl assifier.       2. H/Alpha-Wishart Classifier  Clou de & Pot t ier [6] develo ped  H / Alpha   decompo sitio n  to extra c t  polarimetric  c h arac ters  from  scatterin g  information.  They  define d   Entropy  ( H ) as the  domi n ant scatte ring  me chani sm  i n   each pixel. Its  func tion is  as follows  [6]:    3 1 3 log i i i P P H                                                                                                                        (1)    Her e   i P  is co m puted a s  follo ws:     3 1 j j i i P                                                                                                                                         (2)    and defin e:    3 3 2 2 1 1 P P P                                                                                                            (3)     ( Alpha ) he re  stand s fo r th e  scatteri ng  an gle; it exp r e s se s the  me an  scatteri ng  de gree   of the object.  Anis otropy  [19,20] ( A ) is d e fined a s  follows:    3 2 3 2 A                                                                                                                            (4)    Anis otropy  d enote s  a  diff erent  scatteri ng m e chani sm othe r th an  the m ean   scatterin g   one. So  Entropy  ( H ),   (Alph a ) and  Anis ot ropy  ( A ) can  be used to re place scatteri ng ch ara c ters  of groun d obj ects.   On the  ba si s of  H / Alpha   decompo sitio n , Clo ude  an d Pottier [6]  prop osed  an  H / Alpha   cla ssifi cation  schem e. Th ey defined  a n   H / Alpha  pl ane to  divid e  groun d ob jects into ei ght   different types. The plan e is sh own in Figure 1:   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 1, March 2 015 :  146 – 1 5 4   148     Figure 1.  H / Alpha  p l an e      In Figu re  1,‘Zone  1’  stan ds fo r  high  e n tropy even scattering,   ‘Z one 2’ stand s  fo r  hi g h   entropy  multiple  scatte ring , ‘Zone  3’ st and s for me dium e n tropy  multiple  sca ttering, ‘Zo n e  4’   stand s fo r m edium e n tro p y  vegetation  scattering,  ‘Z one 5’  stan d s  for m ediu m  entro py su rface  scattering, ‘Z one 6’ stan d s  for low ent ropy multip le scattering, ‘Z one 7’ stan d s  for low ent rop y   dipole  scattering, and ‘ Z on e 8’ sta n d s  f o r lo w e n trop y surfa c e  sca tter [6]. If a prope r th re sho l d,  namely  Aniso t ropy  ( A ), is chosen, gro u n d  obje c ts can  be divided in to sixteen furt her types.   With the  cla ssifi cation  re sult of the  H / Alpha  initial  cla ssifie r , cl uster ce nters can  be  gathered by averagi ng  th e  f eatures wi thin ea ch  cla ss. After  this,  these cl uste r cente r s  ca n  be   importe d to the Wishart iterative classifie r  to obtain the final c l ass i fication res u lt.  The  H / Alpha -Wishart  u n su pervised cla s sifier can  fulf il l the cla ssifi cation autom atically. It  is used in so me are a s of  PolSAR imag e cla ssifi catio n , but it has the followi ng d i sadva n tage s:  The  cla ss  nu mber i s  u n ch ange able. If the H/Al ph a is use d , 8 cl asse s can b e  o b tained,   or, if the H/A/Alpha is use d , 16 classe s can be atta i ned. Ho weve r, in reality, the cla ss n u m ber  can  cha nge a t  any time.  The H/Alpha cla ssifi cation is  ba se d  o n   the  H/Alp ha p l ane, but  real  gro und  obje c ts  a r e   not st rictly  re flected i n  th e  H/Al ph a pl a ne, pa rticularl y  whe n   H i s   too hig h   (H  >0.7) to  u s e  the  H/Alpha pla n e .  The  cla s sification a c curacy of the  H/Alpha-Wi sha r t cla ssifie r   i s  d i rectly affecte d   by  the   result of the  H/Alpha i n itia l cla ssifie r ,  so  it is  n e cessa r y to imp r ove  the cl assifica tion accu ra cy  of  the  H / Alpha  classifier.       3. Impro v ed  AP-Wishar t   Classifie r   Con s id erin g the  H / Alpha -Wishart  cla s sifier’ s  di sad v antage s, an  improve d  AP-Wi sha r t   cla ssifie r  is  prop osed — one which combine s   the  AP algorith m  with the Wishart itera t ive   cla ssifi cation  to achi eve th e final result. The flo w cha r t of the AP-Wishart  cla ssifier is  sh own  in  Figure 2.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       An Im proved  AP-Wi shart Classifier for P o larim e tr ic S A R Im age by Incorpor ating  .... (Chen Jun)  149     Figure 2. Flowchart of imp r oved AP-Wishart cla s sifier      The process  of the improv ed cla s sificati on schem e is as follows:   A wavelet  ex traction  alg o ri thm is u s ed  to  extra c t texture  from  the  PolSAR ima g e. The   wavelet  as a  kin d  of i n formation extra c tion m e thod  is  wid e ly u s ed in  si gnal   pro c e ssi ng  a n d   image analy s is [21],[22]. After Daubechi es’  wa velet basi s  function is  chosen, a py ramid   algorith m  fro m  Mallat i s   use d  to extract te xture  from a  pol ari m etric  sp an  image. Ve rtical,  hori z ontal a n d  diago nal inf o rmatio n are  extracted  a s  t he texture ch ara c ter of the  PolSAR image.  The texture i n formation above  is  used to fulfill the AP initial cluster. The AP algorithm   was proposed by F r ey  and Dueck  in 2007 [23],[24]. It is one of t he best  cl ust e ring al gorithms  at  pre s ent. Mo st of the curren t cluste ring al gorithm s a r e  based on initi a l clu s ter  cen t ers, which are   comm only  rel a ted to  cl assi fication  accu racy. Howe ver, the AP al gorithm is differe nt. It con s id ers  each pie c e o f  data as a  p o tential clu s t e r cente r , wh ich i s  call ed t he ‘exempl a r’ . Con s equ ent ly,  the re sult of  the AP alg o rithm i s  not  affected  by initial clu s te r centers. T he AP algo ri thm  cal c ulate s   si milarity bet ween  different  data  point s  by a  defined  dista n ce m e asu r e,  and  then   c h an g e s  da ta va lu es  in to   N *N ( N  i s  th e  size  of the d a ta)  simila ri ty matrix S. By iterative up dat ing  of,  Responsi b ility  ( R ) and   Availability  ( A ), an exact exempla r  can  be found an d con s ide r e d  as  the final clu s ter ce nter. Th e pro c e ss of t he AP algorit hm is a s  follows:   Algorithm init ializatio n: Ca lculatin g the sim ilarity matrix using a  Euclidea n distan ce   measure,  S ( i , j ), 0< i < N ， 0< j < N , the formula is  as  follows :     22 2 2 11 ( ) () ( ) ()  i j i2 j2 i3 j3 i n j n d = T T TT T T TT                          (5)    T i  stand s fo r  ‘texture of  sa mple  i ;  T j  sta nds for ‘texture  of sampl e   j ,  n  r e p r es en ts  the  d i me ns io ns  of te xtu r e .   Iterative upda te of  R  and  A ,  R ( i , k )  sho w s that data p o int  k  is  suita b le for the ca ndidate   exempla r  of point  i  —it re flects the a ccumulated  eviden ce ab out  how  well-suit ed point  k  is  to   serve a s  the  exempla r  for point  i  [23].The formula i s  :    (, ) ( , ) m a x ( , ) (, )  R i k Si k A i j Si j                                                                (6)    subj ect to  j {1, 2 ,……,  N , but  j ≠ k }.   A ( i , k )  stand s  for the deg re e that point  i  will sel e ct point  k  as it s ca ndidate exe m plar, an d   reflect s  the  a c cumulate d e v idence on  h o w a p p r op riat e it wo uld b e  for poi nt  i  to c h oo se  po in t  k   as its exempl ar  A  [23],[24] .  The formula i s :     (, ) m i n 0 , ( , ) m a x ( 0 , ( , ) )   j Ai k R k k R j k                                             (7)  PolSAR image  Texture extra c tion u s ing  wavelet algorit hm  AP initial clustering  Wishart iterative classification  Cla ssif i cat i on  result   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 1, March 2 015 :  146 – 1 5 4   150 subj ect to  j {1,  2,   ……   N , but  j ≠ i  and  j ≠ k }.  Maximize  R ( i , k )+ A ( i , k ), if  k = i  th e n  co ns id er   i  a s  a n  exempla r , el se  co nsi der  k  as  the   exempla r  of point  i . In this  way the clu s t e r ce nters ca n be obtain e d .   Usi ng the  clu s ter  ce nters  shown ab ove  and Eu clide a n  dista n ce, e v ery data p o i n t can  be  clu s tere d to its own ce nters.  Above is the  prin ciple  an d  pro c e s s of th e AP cl uste ri ng al gorithm.  The AP al gori t hm ca n   be u s ed  on t he texture fe ature extract ed from th e  wavelet extra c tion al gorith m  to find ea ch   c l us te r  c e n t er.  Wishart ite r at ive cla ssifi cat i on: Using  cl us ter cente r s created  by t he AP alg o rit h m, a  Wishart ite r at ive cla ssifi cat i on ba sed  on  the Wi sha r t distan ce  can  be u s ed to  obtain the fin a l  c l as s i fic a tion  result. The formula is  as  follows :    1 d i s t ( [ ] | [] ) l n | [] | T r ( [] [ ] )   ii i TT                                                     (8)    ] [ i stand s for the  average p o la rimetri c  co he rency matrix o f  the cluster  center  i ,  ] [ T stand s for the  polarim etric  coh e re ncy m a trix of an unkno wn  sampl e .  Acco rdi ng to the maximum - likeliho od crit erion, when t he followi ng condition i s  met:    ]) [ | ] ([ ]) [ | ] ([ j i T dist T dist                                                                            (9)    The un kno w n  sample i s  consi dered to belon g to  clu s ter cente r  j. An iterative  pro c e s s  can b e  used i n  this way unt il all unkn o wn  sample s hav e their clu s te r centers.       4. Experiment and an aly s is  4.1. Rese arc h  area and d a ta   Two sce n e s  of the PALSAR image from ALOS were u s ed a s  data sou r ce  for this   research. The image time  was  Ap ril 9, 2009.  Res e arch areas  ar e loc a ted on the Binhai  wetland  in Yanc heng  c i ty. These ar e two  blocks of squar e   area  w i th the  s i z e   of 800*800 pixels .  Ther e  are five type s of land  cove r in ea ch of th ese  re sea r ch  area s: ‘field’,  ‘building’, ‘ r o ad’, ‘wate r ’ a nd  ‘sua eda’, which are disord erly and un systematically  located o n  the re sea r ch  area s. They  are  thus suitable  for com p a r ing  the diversity  betwe en the  origin al  H / Alpha -Wisha rt and the imp r ov ed  AP-Wi sha r t algorithm. Ima ges of sp an and pauli de co mpo s ition (p olarim etric  ca libration ) with  a  false color  co mposite a r e  shown in Figu re 3.                                                               (a)                                               (b )                                                    (c )                                               (d)          Figure 3. Pauli decom po sition and  spa n  image of two  experim ental  plots  ((a ) and  (b) a r e thePauli d e com p o s ition  and sp an im age of Re se a r ch A r ea 1;(c) and (d ) are t he  Pauli decomp o sition a nd span imag e of Re sea r ch Are a  2)     4.2. Textur e extr action  w i th  w a v e let d ecomposi t ion   T11,T22,T 33,  which are t he main dia gonal  el eme n ts of the pol arim etric coheren cy  matrix are  shown in  Figu re 4:  The  sp an ima ge  i s   extracted  fro m  T11,T2 2,T 33, an d wavelet  decompo sitio n  is co ndu cte d  on this ima ge.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       An Im proved  AP-Wi shart Classifier for P o larim e tr ic S A R Im age by Incorpor ating  .... (Chen Jun)  151                                                                           (a)                                         ( b )                                        (c )                                 ( d )                                        (e)                                        (f )         Figure 4. Main diago nal el ements of pol arimetri c coh e ren c e m a trix of two experi m ental plots  ((a )-(c) are T 11, T22, T33  im age s on ex perim ental on e; (d)-(f ) a r e  T11, T22, T3 3 image s on  experim ental two)      Span image i s  extracte d from T11, T22,  T33, and wa velet decom p o sition i s  con ducte d  with it.      4.3. The AP-Wishar t  clas sification   AP cluste rin g  wa s p e rfo r med  usi ng  texture extra c ted by the  wavelet ex traction   algorith m , the cla s s n u m ber  wa s  set  manually. A fter the AP  cl usteri ng,  clu s ter centers  were  acq u ire d . Ne xt, a refined  Lee [25] filter wa s  cond uc t ed to elimi nat e sp eckle  noi se  with a  win d o w   size of 7.Followin g  this, Wisha r t iterative clu s te rin g  wa s implem e n ted to obtai n the final re sult.  For a  comp arison of differe nt algorithm s,  SVM  was u s ed on texture  and pola r ime t ric informatio n  to fulfill the supervi sed  cla ssifi cation. F o r conv eni en ce, when eva l uating cl assif i cation a c cu racy,  simila r cla s se s of un supe rv ised  cla ssifi cation we re  m e rge d  and th e followin g  cl assificatio n  re sult  image s we re  obtaine d:    4.4. Classific a tion res u lt and analy s is   From Fi gu re  5 it can  be  observed th a t  the  H / Alpha -Wish a rt  ca nnot di stingui sh ‘field’   from ‘wate r ’ in (b) an d (c), and this rai s e s   impo rtan t question s a bout the miscla ssifi cation  of  ‘field’ into ‘water’. By contras t, the AP-Wishart is a b l e to avoid this situatio n an d perfo rm bet ter   on the  cla s sification  of ‘fiel d ’ and  ‘water’ .  From Fi gu re  5 (f) and  (g )  raise furth e r i s sue s  ab out t he  H / Alpha -Wi sh art cl assifier,  su ch a s  th e fact that it  can  extract le ss ‘ r oad’  an d ‘bui lding’ tha n  th e   AP-Wi sha r t.  After a field study on these  two experim ental  plots, some pra c tical  measu r ed d a ta were  acq u ire d  a n d  co nsi dered  as  sam p le  d a ta, to pe rform an  accu ra cy a s sessme nt. The  re sul t  is  sho w n in Ta b l e 1.      Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 1, March 2 015 :  146 – 1 5 4   152                                              (a)                                            ( b )                                             (c)                                             (d)                                                          (e )                                             (f )                                            ( g )                                          ( h)         Figure 5. Co mpari s o n  of  H / Alpha  c l assifier,  H / Alpha -Wishart  classifier, SVM classifie d  and  improve d  AP-Wishart  classifier re sult in two expe rime ntal plots  (a, b, c, d  are respe c tively result of  H / Al pha ,  H / Alpha -Wishart, SVM, AP-Wis h art c l as s i fier in  experim ental  plot one; e, f,  g, h are corre s po ndin g  re sult in experim ental plot two )       Table 1. Co m pari s ion  re sul t s from differe nt classifier o n  two experi m ental plots   Classifier   Experimental plo t s  Total accurac y  ( % )   Kappa coefficient  H/Alpha-Wishart   one 73.73   0.52  tw o  79.87   0.68  AP-Wishart  one 85.95   0.77  tw o  90.38   0.85  SVM  one 86.56   0.78  tw o  88.53   0.82      Comp ared with the  H / Alpha -Wi s ha rt cla ssifie r , the AP-Wi sha r t classifier  can be   con s id ere d  to  greatly en ha nce  cla s sifica tion ac cu ra cy from Ta ble1.  Its accu ra cy even exceed s  that of the popular  sup e rvi s ed SVM cla ssifie r .  The AP-Wi sha r t is an un supe rvi s ed  cla ssifi ca tion  scheme; it is  more  conve n i ent and effici ent than the SVM.      5. Conclusio n   In this pap e r  a  brand  n e w AP -Wi sh art  cla ssifi ca tion sch e me  wa s propo sed. By   synthe sizi ng  polarim etri c and textua l informat ion ,  which  wa s extra c ted  by the wa velet  decompo sitio n  algorith m , a high pe rformance AP  cl usteri ng alg o r ithm wa s co mbined  with  the   cla ssi c Wi sh art iterative clu s terin g  al gorithm  to form a po we rful unsupe rvised AP-Wishart   clu s terin g  al gorithm. Exp e rime nts  were co ndu cted  on two  re search a r e a s and the  re sults  demon strated  that the AP-Wi sha r t achieved  a hi gher  cla ssifi cation a c curacy and Ka ppa  coeffici ent than the  H / Alpha -Wisha rt and the supe rvised SVM. T herefore, it  can b e  con c l uded   that:  Texture extracted by a  wavelet de comp osit io n  algorith m  ca n assist p o l a rimetri c   informatio n to improve cl assificatio n  perf o rma n ce;  An AP algorithm on texture information  can obt ain b e tter initial cl uster  re sult than the   H/Alpha cl assification sch e m e.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       An Im proved  AP-Wi shart Classifier for P o larim e tr ic S A R Im age by Incorpor ating  .... (Chen Jun)  153 The AP-Wi sh art cl assification sch e me i s  more  suitabl e for u n supe rvised  cla ssifi cation of  PolSAR imag e than the  H / Alpha -W is hart.       Ackn o w l e dg ements   This  re sea r ch  is  sup porte d  by the  Natio nal Natural S c ien c e  Fou n d a tion of  Chin a und er  Grant  No.41 1713 23, a  p r oje c t fun ded  by the  Prio rity Acad emi c  Prog ram   Develo pment  of  Jian gsu  Hig her E d u c atio n Institution s  und er  Gran t No. SZBF 2011 -6 -B35,  and  the  China  Geolo g ical Survey Proje c t unde r Grant No. 121 201 1 1202 29.       Referen ces   [1]      Lee JS, Grun es MR, K w ok  R. Classificat i on of  Multi-l o ok Polar i metri c  SAR Imager y Bas ed on   Compl e x W i sh art Distributi on.   Internation a l J ourn a l of Re mote Sensi ng.  1 994; 1(1 5 ): 229 9-23 11.   [2]        Lee JS, Grun e s  MR, Ains w o r t h T L . Unsupe rvised C l assifi cation Us in g Polarim e tric De compos iti o n   and th e C o mpl e x W i s hart Cl a ssifier.  IEEE Transactions  on  Geosci ence  and Remote Sensing . 19 99 ;  37(5): 22 49- 22 58.   [3]        Lee JS, Grun es MR, Pottier E, et al. Unsuper v i sed T e rrain Cl assificati on Preservi ng  Polarimetri c   Scattering Ch aracteristics.  I EEE Transactions on Geosc i enc e and Rem o te Sens ing . 200 4; 42( 4):   722- 731.   [4]        Pottier E, Lee JS.  Appl ic ation  of the  H/A/alph a P o lari metric De compos ition T heor e m  for   Unsu pervis ed  Classific a tio n  of Fully Polar i metric  SAR D a ta Based  on  the W i shart Distributi o n .  Procee din g  of Committee o n  Earth Observin g  Satell ites SAR W o rkshop. T oul ouse. 1 999.   [5]        Clou de S R , P o ttier E. A Re vie w   of T a rget Decom positi o n T heorems i n  Rad a r Pol a ri metr y .   IEEE  T r ansactio n s o n  Geoscie n ce  and R e mote S ensi n g . 19 96; 34(2): 49 8-5 1 8 .   [6]        Cloude SR, Pottier E.  An E n trop y B a sed  Cl a ssificatio n  Sch e me for  La nd  Appl icatio ns  of Pol a rimetr i c   SAR.  IEEE Tra n sactio ns on G eosci ence  and  Re mote Se nsi n g . 199 7; 35(1) : 68-78.   [7]      Pottier  E.  T he H/A/ α  Polari metric Dec o mp o s ition A ppr oac h Ap pli ed to  P o lSAR  Data Pr ocessi ng . In  Procee din g s PIERS W o rksho p  Advanc es in  Rad a r Method s. Baveno. 19 9 8 ; (7):120-1 22.   [8]        Laur ent F F ,  Pottier E, L ee J S . Unsu pervis ed C l ass i ficati on  of Multifre q uenc y  an d F u ll y P o l a rimetri c   SAR Images  Based o n  the  H/A/Alpha –W is hart Class ifier.   IEEE Transactions on Geoscienc e and   Rem o te Sensing . 200 1; 39(1 1 ): 2332- 23 42.   [9]      Kimura  K,  Ya maguchi Y,  Yamada H.  PISAR Imag e  Analysis  Usi ng  Polarimetric Scattering  Param e ters  and Total Power . 2003 Inter n a t iona l Geosci e n ce An d Rem o te Sens ing S y mp osi u m.   T oulouse. 20 0 3 ; 1: 425-4 27.   [10]    Cao  F ,  Ho ng  W ,  W u  Y.  An  Improv ed  Cl ou de-Pottier  D e c o mpos ition  Usi ng  H SPA N a nd  Co mp l e x   W i shart Cl assif i er for Po la rimetric SAR Classification . Ra d a r, 200 6. CIE ' 06. Intern ation a l C onfere n c e   on T opic(s): Aerosp ace, C o mmunic a tio n , Net w o r ki ng  & Broadcasti n g , Engin eer ed  Materials,   Dielectrics & Plasmas, Fields,  Waves  & Electro- magn etics. 200 6: 1-4.  [11]    W u  Z C , Ouya ng QD, Sun  XA, et al. Improved Ite rative  W i shart Class ificatio n Alg o rith m Based o n   Polarim e tric Scattering C har acteristics Pre s ervatio n .  Science of Surv eyin g and Ma ppi ng . 20 11 ;   11(3 6 ):16 1-16 3.  [12]    Yang  J, Shi   L, Li P   X.  W i shart-H/Alp ha  Classific a tio n   Based  on  SP AN an d B e st Polar i metric   Coh e renc y.  Ge omatics an d Informatio n  Scien c e of W uhan U n iversity . 20 12;  1(37): 22-2 5 .  [13]    Z hang B, Ya n g  R, Xi e  X, et al. Polar i metric  SAR Image C l assificati on B a sed o n  Pol a ri metric T a rget  Decom positi o n  and W M RF .  Geomatics an d Information  Scienc e of W uhan U n ivers i ty . 2011; 3(3 6 ):   297- 300.   [14]    Yang J, La n g  F K , Li DR . A Polarimet r ic SAR Image Cl assificati on Util izin g  Clou de-P o ttier   Decom positi o n  and Po larim e tric W h itenin g  F ilte.  Geoma t ics and Infor m ati on Sci enc e of W uhan   Univers i ty . 201 1; 1(36): 10 4-1 07.   [15]    Yang  L, Li u W ,  W ang Z G. W e ighte d -bas ed  Unsu per vis ed  W i shart Class ificatio n of F u ll y Polarim e tri c   SAR Image.  Jo urna l of Electro n ics an d Informati on T e ch no logy . 20 08; 12( 30): 282 7-2 830 .  [16]    Zhao L L , YANG J, Li PX . Statistical C l assif i catio n  of Wea k  Backscatteri ng Scatterers  of PolSAR   Image.  Journ a l  of Remote Se nsin g . 201 3; 17(2): 307- 31 8.  [17]   Lan g F K , Yang J, Z hao LL. Rese arch o n  Classi fic a tio n  of SAR Image  Based o n  F r eeman Scatt e r   Entrop y an d A n isotro p y .  Acta  Geodaetic a et Cartogr aph ica  Sinic a .  201 2; 41(4): 556- 56 2.  [18]   Liu M, Z h a ng  H, W ang C.  A pplyi ng t he L o g -Cu m u l a n ts o f  T e xture Para meter t o  F u lly  Polari metri c   SAR Class ific ation  Usin g  Supp ort Vector Machi nes  Classifi er . 2011 IEEE CIE  International  Confer ence  on  Radar. 20 11;  11:72 8-7 31.   [19]   Pottier  E.  U n superv i sed  Cl as sificatio n  Sch e m e  an d T o po- grap hy D e rivat i on  of Po lSAR  Data B a se d   on the H/Al p ha/A Pol a ri me tric Deco mp os ition T h e o re m .  Proceed in gs  of the 4th Internati o n a l  W o rkshop o n  Rad a r Polar i m e tr y .  19 98; 7: 5 35-5 48.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 13, No. 1, March 2 015 :  146 – 1 5 4   154 [20]    Pottier E, Lee  JS.  Appl icatio n  of the  H/A/ α  Polari metric D e co mp ositio n  T heore m  for U n sup e rvise d   Classific a tio n   of Fully Po lari metric SA R D a ta Base d o n  the Wishart  Distributi o n . In  Procee din g   Committee o n  Earth observ i n g  Satell it es SAR  w o rksh op. T oul ouse. 1 999.   [21]    Cho y   SK, T ong CS. Statistic a l W a v e let S u bba nd  Ch aract e rizati on B a se d o n  Gen e ra li zed Gamm a   Densit y a nd Its Applic atio n i n  T e xture Retr ieval.  IEEE Transactions. on Im age Processing . 20 10 ;   19(2): 28 1-2 8 9 .   [22]    Z hou SR, Yin  JP. Lbp T e xtur e F eat ure Bas ed o n  Ha ar Ch aracteristics.  J ourn a l of Softw are . 20 13; 8:   190 9-19 26.   [23]    Fre y  BJ, Du ec k D. Clusteri n g  b y  P a ssing M e ssages Bet w een Dat a  Points.  Science.  2 0 0 7 ; 315( 581 4):   972- 976.   [24]    Xi ao Y, Y u  J. Semi-Su pervi sed C l uste ri ng  Based  on Af finit y   Prop ag ation A l gor ithm.  Jo u r na l  of  Software . 2008 ; 19(11): 28 03- 281 3.  [25]    Lee JS, Grun es MR, Gran di GD. Pol a ri metric  SAR S peckl e F ilteri n g an d Its implicati on for   Classification.  IEEE Transactions on Geosci ence and Remote Sensing . 1 999; 37( 5): 236 3-23 73.   Evaluation Warning : The document was created with Spire.PDF for Python.