基于相似性的POLSAR占優(yōu)散射歸類及非監(jiān)督聚類

李洪忠 陳勁松 王 超 張 紅

①(中國科學院深圳先進技術研究院 深圳 518055)

②(中國科學院對地觀測與數(shù)字地球科學中心 北京 100094)

1 引言

目標的極化特性與其形狀結(jié)構有著本質(zhì)的聯(lián)系，是完整刻畫目標特征不可或缺的。極化分解[1?3]將復雜的目標分解為典型散射類型加權和的形式，是實現(xiàn)目標極化特性提取的主要工具。文獻[4]提出了一種三分量的散射分解模型，實驗表明，F(xiàn)reeman分解對描述熱帶雨林的極化散射特征非常有效。文獻[5]認為相比于其他方法，F(xiàn)reeman分解在地物分類應用中更具魯棒性。然而，F(xiàn)reeman分解仍存在若干問題：(1)由于Freeman分解模型不滿足旋轉(zhuǎn)不變性，產(chǎn)生誤分類；(2)當應用Freeman分解時，對某些像元，表面散射或二次散射強度為負數(shù)。

本文提出一種基于極化相似性的極化 SAR地物分類方法，將極化相似性[6]概念與 Freeman分解模型相結(jié)合。因為相似性參數(shù)具有非負性，F(xiàn)reeman分解時出現(xiàn)散射強度為負數(shù)的情況可以避免，而且相似性參數(shù)具有旋轉(zhuǎn)不變性，建筑物誤分類的現(xiàn)象得到抑制。最后以AirSAR數(shù)據(jù)進行實驗，驗證了該方法的有效性。

2 相關理論基礎

2.1 Freeman分解

Freeman等人[4]在Van Zyl的工作基礎上，建立3種散射機制的二階極化協(xié)方差/相干矩陣模型：

(1)體散射，冠層散射體的模型是一組方位隨機的細長偶極子。

(2)二次散射，其模型是一個二面角反射器。

(3)表面或單次散射，其模型是一階布拉格表面散射體。

Freeman分解將目標相干矩陣表示為

fs,fd,fv均為未知變量，分別表示三分量對散射目標的貢獻。

2.2 極化相似性

Yang等人[6]定義了極化相似性參數(shù)來度量目標之間的散射相似性。

k1,k2為散射矩陣S1,S2Pauli矢量，k2表示矢量k的2-范數(shù)。極化相似性具有如下性質(zhì)：

(1)旋轉(zhuǎn)不變性

R(q)為旋轉(zhuǎn)變換算子，q1,q2分別為S1,S2的旋轉(zhuǎn)角。

(2)尺度無關性

其中a1,a2為任意非零復數(shù)。

(3)有界性

2010年，陳強等人[7,8]定義了分布式目標的二階相干矩陣與典型目標 Pauli基矢量ki的散射相似性：

3 基于極化相似性的占優(yōu)散射歸類及地物分類

3.1 Freeman分解的不足

Freeman分解模型是模擬地物的散射機理建立，實驗表明[4]，該分解能夠準確地描述熱帶雨林的極化散射特征，將 Freeman分解應用到地物分類中[5]，相比于其他極化分解方法，更具魯棒性。

然而，理論及實驗結(jié)果同時表明，F(xiàn)reeman分解仍存在若干問題：

(1)不滿足旋轉(zhuǎn)不變性 不滿足旋轉(zhuǎn)不變性是指分解結(jié)果隨目標定向角的變化而變化。定向角并非目標的固有屬性，表示目標反射所引起的雷達視線方向電磁波極化方向角的變化[9]。Freeman分解中，并沒有體現(xiàn)定向角的參數(shù)，使得同類目標分解后的結(jié)果也不同。文獻[5]在將Freeman分解引入到地物分類中時，也發(fā)現(xiàn)目標定向角的變化會引起誤分類，如建筑物朝向與雷達視線方向不對齊時，在分類結(jié)果中被歸類為體散射，而不是二次散射。

近些年，去取向(Deorientation)理論被廣泛的應用進行定向角的補償[10?12]。然而定向角的變化所產(chǎn)生的影響主要體現(xiàn)在二次散射分量中，對整個目標，而不是僅僅對二次散射分量進行去取向的計算，將會產(chǎn)生定向角過補償?shù)默F(xiàn)象，在分解結(jié)果中體現(xiàn)為二次散射分量過強，許多表面散射或體散射占優(yōu)的地物目標被誤歸類為二次散射占優(yōu)。

(2)散射分量強度為負數(shù) 當應用 Freeman分解到實際PolSAR數(shù)據(jù)時，對某些像元，表面散射或二次散射強度為負數(shù)，這主要是由模型求解過程引起的。Freeman分解首先確定體散射分量pv=，然后由SPAN-pv計算表面散射分量ps，二次散射分量pd, SPAN表示目標的回波強度。當，此時ps,pd為負數(shù)。此外，先求解體散射分量的計算流程容易導致表面、二次散射分量較小，使得在應用分解結(jié)果進行地物分類時，按體散射占優(yōu)進行歸類的植被冠層散射較實際情況明顯增加。

文獻[13]定義了根據(jù)植被冠層覆蓋程度自適應選取的體散射模型，然而自適應選取建立在體散射模型自由度增加的前提上，增加了求解的難度。文獻[10,14]通過改進Freeman分解的求解流程消除了散射分量為負數(shù)的情況，然而求解流程較復雜，且缺少實際的物理意義對應，并沒有從根本上解決先確定體散射分量，再計算其他兩分量的求解流程。

綜上所述，F(xiàn)reeman分解的不足在于分解模型不滿足旋轉(zhuǎn)不變性以及求解過程無法保證散射分量非負性。由 2.2節(jié)，極化相似性滿足旋轉(zhuǎn)不變性以及有界性，因此可以通過建立極化相干矩陣與Freeman 3種散射機制模型之間的極化相似性來度量地物目標的極化散射特征，從而避免Freeman分解中所遇到的問題。

3.2 基于極化相似性的占優(yōu)散射歸類

為了更加準確的描述植被冠層的散射機制，本文應用文獻[13,14]提出的自適應體散射模型

? 1 ≤r≤ 1 為形狀參數(shù)，與植被冠層的隨機散射媒質(zhì)有關。r≠±1時，體散射模型秩為3，不能由單個穩(wěn)態(tài)目標的散射矩陣來描述，即無法表示為典型目標的Pauli基矢量形式，式(9)的相似性無法應用，因此需要重新定義3種散射模型與目標二階相關矩陣的極化相似性。本文應用 Cloude分解[2]的相干矩陣特征矢量分析方法將散射模型分解為3個獨立的穩(wěn)態(tài)相干矩陣之和：

其中l(wèi)i和ei分別表示特征值和特征向量，Ti均表示秩為1的獨立相干矩陣，分別表示一種散射機制，其對應的li表示該散射機制的強度。將式(2)，式(3)，式(10)代入式(11)，得到

容易驗證，式(12)定義的極化相似性仍然滿足旋轉(zhuǎn)不變性、尺度無關性以及有界性。

由式(2)，式(3)，式(10)，參數(shù)b,a,r均為未知變量，要計算極化相似性，必須進行未知參數(shù)的估計。本文依據(jù)最大似然原則建立參數(shù)估計：若表面散射占優(yōu)，則由式(3)，式(4)，；若二次散射占優(yōu)，則由式(2)，式(4)，；若體散射占優(yōu)，則由式(4)，式(10),，參數(shù)估計如下：

上標～表示參數(shù)的估計值，函數(shù)Im, Re分別表示元素的虛部和實部。

由式(12)，式(13)可以分別建立Freeman 3種散射模型與目標相干矩陣的極化相似性，分別標記為，則認為目標以表面散射為主，以表面散射作為占優(yōu)散射機制對目標進行標記；同理，當rd,rv為最大值時，分別以二次散射、體散射作為占優(yōu)散射機制對目標進行標記。

3.3 Wishart最大似然分類

極化相似性滿足尺度不變性，因此僅僅表示目標的極化散射特征，而與目標散射回波強度信息無關。為了綜合利用目標的極化特征和回波強度信息，本文以 2維變量(D M, DP)進行目標散射的描述，DM 表示占優(yōu)散射機制(Dominant scattering Mechanism),, DP表示占優(yōu)散射強度 (Dominant scattering Power), DP=rDM·Tr a ce(T)。例如：對于某地物目標，若以表面散射為占優(yōu)散射機制，

基于2維變量與Wishart分類器，分類流程如下：

(1)根據(jù)DP值將每種占優(yōu)散射類別中的像元分成30個或更多具有相似像元個數(shù)的小聚類。于是，可以得到總數(shù)為90個或更多的初始聚類。

(2)計算每個聚類的平均相干矩陣。

(3)在每個類別中，根據(jù)類間 Wishart距離[5,15]進行初始類別的合并。如果兩類具有最短的距離，且在同一散射類別中，那么合并這兩個類別。只有占優(yōu)散射類別相同的聚類才能進行類別合并以保持極化散射特征的純度。

(4)將初始的類別合并到最終分類所需的類別個數(shù) 。

(5)計算各個聚類的期望相干矩陣作為聚類中心，所有像元只能分配給具有相同散射類別的聚類。迭代地應用Wishart分類器2到4次，即可終止聚類過程。

4 實驗及結(jié)果分析

在本節(jié)中我們以美國舊金山地區(qū) L波段AIRSAR全極化數(shù)據(jù)進行實驗，圖1(a)為該景數(shù)據(jù)的 Google Earth截圖顯示，圖1(b)為 Pauli 分解效果顯示。圖2 為占優(yōu)散射類型歸類的比較效果圖。圖2(a)顯示的為Freeman分解結(jié)果，圖2(b)顯示的為本文提出的極化相似性標記結(jié)果。

我們劃分實驗區(qū)域內(nèi)4個典型區(qū)域進行兩種占優(yōu)散射歸類的比較，在圖2(a)中以A,B,C,D進行標示，其中A為海洋，D為山地，B為城鎮(zhèn)街區(qū)，下方為金門公園，區(qū)域C也是整齊分布的城鎮(zhèn)街區(qū)，與B所示街區(qū)區(qū)別在于兩處街區(qū)建筑物的分布方向不同。B,C街區(qū)建筑物分布方向不同，使得路面與建筑之間二次散射的定向角不同，這正是 Lee等發(fā)現(xiàn)的由于Freeman分解方法不滿足旋轉(zhuǎn)不變性，目標定向角的變化而引起誤分類的區(qū)域，建筑物朝向與雷達視線方向不對齊，在分類結(jié)果中被歸類為體散射，而不是二次散射。相比于圖2(a)，圖2(b)中沒有出現(xiàn)類似的問題，區(qū)域C仍以，二次散射為主，這是因為本文所介紹的極化相似性滿足旋轉(zhuǎn)不變性，從而避免了誤分類的發(fā)生。

表1顯示的為4個典型地物區(qū)域兩種方法占優(yōu)散射歸類比較結(jié)果。對于A所示海洋區(qū)域，表面散射占優(yōu)的像元從 88.11%增加到 99.72%，相應的體散射占優(yōu)像元由11.77%減少為0.12%。平靜的海面以bragg散射為主，在Freeman 3種散射機制中，表現(xiàn)為表面散射，而當風浪較大時，海面的粗糙度變大，使得部分散射產(chǎn)生較強的交叉極化響應，在應用Freeman分解時，就表現(xiàn)為體散射占優(yōu)。本文應用的自適應體散射模型，可以根據(jù)海面的粗糙度自適應的進行體散射模型的建立，使得海面像元與體散射的相似性小于與表面散射的相似性，從而實現(xiàn)海面準確的占優(yōu)散射歸類。

對于D所示山地區(qū)域，從Google Earth上可以清晰的看出，該區(qū)域并不是連續(xù)分布的森林，還分布有大面積的草地以及裸露的山地，對于L波段成像特點，草地及裸地均應以表面散射為主，然而圖3(a)中顯示，F(xiàn)reeman分解的占優(yōu)散射歸類顯然不夠準確。與Freeman分解相比，本文方法對區(qū)域D散射類型的描述更加準確，表面散射占優(yōu)像元從32.95%增加到 71.13%，而體散射占優(yōu)像元則從64.72%減少為23.88%。

對于B,C所示城鎮(zhèn)區(qū)域，Google Earth顯示，具有植被冠層體散射的樹木在城區(qū)所占比例較小，僅僅零星分布于街道兩側(cè)，而以表面散射為主的街道和以二次散射為主的建筑則占據(jù)了大部分區(qū)域。本文方法除消除了街區(qū)朝向不同所引起的誤分類，對城鎮(zhèn)實際散射類型的描述也更準確，兩個區(qū)域表面散射與二次散射占優(yōu)像元均有增加，而體散射占優(yōu)像元減少。

圖3為Wishart分類比較效果，圖3(a)是以圖2(a)為初始歸類進行迭代的分類結(jié)果，圖 3(b)以圖2(b)為初始聚類。各類別顏色的分配依據(jù)圖右側(cè)的標簽，每種顏色的深淺根據(jù)所在散射類型中類別的平均能量按亮度遞增的方式分配。比較兩幅圖，相比于基于Freeman分解的結(jié)果，本文方法除了在散射機理描述上更加準確外，在分類的視覺效果上也更加具有層次感。

圖1 實驗區(qū)域顯示

圖2 占優(yōu)散射歸類

圖3 分類結(jié)果

表1 典型區(qū)域占優(yōu)散射歸類比較(%)

5 結(jié)論

本文在充分分析Freeman分解模型的基礎上，提出了一種基于極化相似性的極化 SAR地物分類方法，將極化相似性與Freeman分解模型相結(jié)合，通過比較各分解模型與目標相干矩陣的相似性確定占優(yōu)散射類型以實現(xiàn)目標的初始歸類，最后應用Wishart分類器對初始類別進行迭代以得到最終的分類結(jié)果。理論及實驗均表明，本文方法解決了Freeman分解所存在的不足，而且在地物極化散射特征的描述上更加準確。

[1] 王超, 張紅, 陳曦, 等. 全極化合成孔徑雷達圖像處理[M]. 北京: 科學出版社, 2008: 113-114.

[2] Cloude S R and Pottier E. A review of target decomposition theorems in radar polarimetry[J].IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498-518.

[3] Touzi R, Boerner W M, and Lee J S. A review of polarimetry in the context of synthetic aperture radar: concepts and information extraction[J].Canadian Journal of Remote Sensing, 2004, 30(3): 380-407.

[4] Freeman A and Durden S L. A three component scattering model for polarimetric SAR data[J].IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973.

[5] Lee J S, Grunes M R, and Pottier E. Unsupervised terrain classification preserving scattering characteristics[J].IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4):722-731.

[6] Yang J, Peng Y N, and Lin S M. Similarity between two scattering matrices[J].Electronics Letters, 2001, 37(3):193-194.

[7] 陳強, 蔣詠梅, 匡綱要. 一種度量目標散射相似性的新參數(shù)[J].信號處理, 2010, 26(3): 332-336.Chen Qiang, Jiang Yong-mei, and Kuang Gang-yao. A new parameter to measure the scattering similarity between distributed targets and canonical targets[J].Signal Processing,2010, 26(3): 332-336.

[8] Chen Q, Jiang Y M, Zhao L J,et al.. A scattering similarity based classification scheme for land applications of polarimetric SAR image[C]. Proceedings of 2010 IEEE 17th International Conference on Image Processing, Hong Kong,2010: 1361-1364.

[9] Lee J S, Schuler D L, and Ainsworth T L. On the estimation of radar polarization orientation shifts induced by terrain slopes[J].IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(1): 30-41.

[10] An W T, Cui Y, and Yang J. Three-component model-based decomposition for polarimetric SAR data[J].IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(6):2732-2739.

[11] Yamaguchi Y, Sato A, Boerner W M,et al..Four-component scattering power decomposition with rotation of coherency matrix[J].IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2251-2258.

[12] Lee J S and Ainsworth T L. The effect of orientation angle compensation on coherency matrix and polarimetric target decompositions[J].IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 53-64.

[13] Freeman A. Fitting a two component scattering model to polarimetric SAR data from forests[J].IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(8): 2583-2592.

[14] An W T, Cui Y, and Yang J. Three-component decomposition for polarimetric SAR[C]. IEEE International Geoscience and Remote Sensing Symposium, Cape Town,2009: III 713-III 716.

[15] Lee J S, Hoppel K W, and Mango S A. Intensity and phase statistics of multi-look polarimetric and interferometric SAR imagery[J].IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(5): 1017-1028.