基于Freeman散射熵和各向異性度的極化SAR影像分類算法研究

郎豐鎧，楊 杰，趙伶俐，張 兢，李德仁

1.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北武漢430079；2.91635部隊(duì)，北京102249

基于Freeman散射熵和各向異性度的極化SAR影像分類算法研究

郎豐鎧1，楊 杰1，趙伶俐1，張 兢2，李德仁1

1.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北武漢430079；2.91635部隊(duì)，北京102249

極化SAR影像中陰影、水體和裸露的耕地3種地物類型有非常相似的極化散射特性，常規(guī)基于非相干分解的分類方法難以將其有效地區(qū)分。對此，本文引入基于Freeman分解的散射熵Hf和各向異性度Af兩個(gè)特征參數(shù)，并將其用于極化SAR影像分類。首先利用Hf和Af參數(shù)將陰影和水體提取出來，然后將其他地物按散射機(jī)制分為3大類，并對每一類再次利用Hf和Af參數(shù)進(jìn)行細(xì)分，最后通過基于Wishart分布的聚類和迭代分類，得到最終的分類結(jié)果。通過利用Radarsat－2在河南登封獲取的全極化SAR數(shù)據(jù)進(jìn)行試驗(yàn)，表明該算法執(zhí)行效率高，能夠有效地區(qū)分陰影、水體和裸露的耕地，并且對其他地物類型也有很好的分類效果。

極化SAR；分類；Freeman分解；散射熵；各向異性度

1 引 言

合成孔徑雷達(dá)以其全天時(shí)、全天候的優(yōu)勢，在測繪制圖、變化監(jiān)測等方面得到了廣泛應(yīng)用［1－3］。SAR影像分類是SAR影像處理的重要組成部分，是SAR影像解譯的基礎(chǔ)［3－4］。近年來，極化SAR系統(tǒng)發(fā)展迅速，利用極化SAR影像分類已經(jīng)成為SAR影像分類的研究熱點(diǎn)［5－9，12－18］。隨著相關(guān)研究的不斷深入，相對于傳統(tǒng)的僅僅利用SAR影像強(qiáng)度信息而言，充分提取和利用極化SAR影像中能表征地物特性的極化散射信息，能有效地提高極化SAR影像的分類效果。文獻(xiàn)［7］利用H／α分解得到的散射熵H 和平均散射角α將地物分為8種散射機(jī)制，實(shí)現(xiàn)了極化SAR影像的無監(jiān)督分類。文獻(xiàn)［8］在H／α分類方法的基礎(chǔ)上引入Wishart分類器，通過對H／α分類方法的結(jié)果進(jìn)行Wishart迭代，克服H／α分類邊界過于武斷的缺陷，提高了分類的精度。文獻(xiàn)［9］又進(jìn)一步提出將各向異性度A加入到Wishart H／α分類中，將分類數(shù)目由原來的8類增加到16類，進(jìn)一步克服了H／α分類中同一區(qū)域同時(shí)存在幾種不同地物時(shí)，不能有效區(qū)分的缺陷，得到了更加精細(xì)的分類結(jié)果。文獻(xiàn)［10］將此方法擴(kuò)展到了多頻的情況。文獻(xiàn)［11］結(jié)合Freeman分解和Wishart分類器提出了一種保持極化散射特性的分類方法，該方法首先按照Freeman分解得到的3個(gè)分量的功率將數(shù)據(jù)分為3大類散射機(jī)制，然后對每一大類分別進(jìn)行基于Wishart分布的類合并與迭代分類，克服了通常利用Wishart分類器時(shí)忽略像素的散射機(jī)制而導(dǎo)致不同散射機(jī)制的像素被分為一類的問題，達(dá)到了更好的分類效果。近年來基于散射信息進(jìn)行極化SAR影像分類的文獻(xiàn)［12－18］基本是在以上幾種方法的基礎(chǔ)上進(jìn)行的改進(jìn)。

然而，在利用實(shí)際數(shù)據(jù)進(jìn)行試驗(yàn)時(shí)發(fā)現(xiàn)，常規(guī)非監(jiān)督分類方法均不能將水體、陰影和耕地3種地物有效地區(qū)分。如圖4、圖5所示，水體（橢圓區(qū)域）、陰影（圓角矩形內(nèi)的深色區(qū)域）、耕地（尖角矩形內(nèi)的深色區(qū)域）三者在兩幅分類結(jié)果圖上都有嚴(yán)重的混淆現(xiàn)象。針對此問題，本文借鑒Cloude分解所得到的散射熵H和各向異性度A兩個(gè)參數(shù)的意義，引入基于Freeman 3分量分解［19］的散射熵Hf和各向異性度Af兩個(gè)特征參數(shù)，并基于這兩個(gè)參數(shù)提出了一種新的全極化SAR分類算法。該算法充分利用了地物的極化散射信息，能將水體、陰影和耕地有效地區(qū)分，并且有較高的運(yùn)行效率。最后通過Radarsat－2全極化SAR數(shù)據(jù)試驗(yàn)驗(yàn)證了該算法的有效性。

2 Freeman 3分量分解

Freeman－Durden分解［19］是一種基于3種基本散射機(jī)制模型建立的目標(biāo)分解方法。它將目標(biāo)的協(xié)方差矩陣分解為3種基本散射分量之和

式中，〈［C3］〉v對應(yīng)體散射；〈［C3］〉d對應(yīng)二面角散射；〈［C3］〉s對應(yīng)表面散射。在假設(shè)散射體滿足互易性、反射對稱性以及3種散射分量相互獨(dú)立的情況下，根據(jù)式（1）可以得到如下總的后向散射模型

由式（2）可以進(jìn)一步得到3種散射分量的散射功率

由于Freeman 3分量分解是在假設(shè)散射體滿足互易性、反射對稱性的前提下進(jìn)行的，而通常地物尤其是人工建筑是不滿足反射對稱性的，并且在地形起伏較大或建筑物排列方向跟雷達(dá)視角有一定夾角等情況下，都會(huì)引起極化方位角的偏移，進(jìn)而影響Freeman分解的正確性。因此，當(dāng)極化SAR影像中地形起伏較大或建筑物排列方向跟雷達(dá)視角有一定夾角時(shí)，需要首先對極化SAR數(shù)據(jù)進(jìn)行極化方位角補(bǔ)償，以獲得更好的分解結(jié)果［20－22］。

為了能表示3種散射機(jī)制間的大小關(guān)系，本文借鑒文獻(xiàn)［9］引入Freeman散射熵Hf和各向異性度Af兩個(gè)特征參數(shù)，分別定義如下

散射熵Hf反映了目標(biāo)散射機(jī)制的隨機(jī)性，隨著Hf值的增大，散射過程的隨機(jī)性也逐漸增加。Hf值較低時(shí)表明只有一種散射機(jī)制占優(yōu)，占優(yōu)的散射機(jī)制可根據(jù)最大散射功率確定；Hf值較高時(shí)則表明有兩種以上的主要散射機(jī)制，此時(shí)不應(yīng)只考慮具有最大散射功率的散射機(jī)制，而應(yīng)該進(jìn)一步通過各向異性度Af來對數(shù)據(jù)進(jìn)行分析。Af反映了兩個(gè)較小散射機(jī)制間的大小關(guān)系。Af較大時(shí)，說明有兩種散射機(jī)制占優(yōu)；Af較小時(shí)，低Hf值說明只有一種散射機(jī)制占優(yōu)，高Hf值說明3種散射機(jī)制相近，散射近乎隨機(jī)散射。這樣，當(dāng)不同類型地物的最大散射功率大小相近而兩個(gè)次要散射機(jī)制功率不同時(shí)，就可以通過分析Hf和Af兩個(gè)參數(shù)將其有效地區(qū)分開。

3 分類算法

通過利用Wishart H／α／A分類算法和保持極化散射特性的分類算法對C波段全極化數(shù)據(jù)進(jìn)行分類試驗(yàn)發(fā)現(xiàn)，由于翻耕過的耕地、陰影以及水體3類地物的散射特性非常相近，始終無法有效區(qū)分（圖4、圖5）。結(jié)合光學(xué)影像及實(shí)地調(diào)繪成果，究其原因，主要有以下幾個(gè)方面：

（1）數(shù)據(jù)獲取時(shí)間剛好處于收割季節(jié)末尾，絕大多數(shù)的耕地已經(jīng)收割完畢，有的已經(jīng)翻耕過或焚燒過，地表是大片裸露的土壤，因此反映在圖像上就是略微粗糙的面散射，其VV通道散射回波略強(qiáng)，而其他通道散射回波較弱，散射特性跟水體非常相似。

（2）試驗(yàn)區(qū)地勢復(fù)雜，以山地、丘陵、溝壑為主，最高海拔為1470m，最低海拔為215m，起伏很大，因此不可避免的有大量陰影存在，而陰影區(qū)域的各通道散射回波均非常弱，因此散射特性跟水體、耕地也非常相似。

綜合上面兩點(diǎn)，由于保持極化散射特性的分類算法是按照Freeman 3分量的功率最大值將地物分為3大類散射機(jī)制，并且對3大類散射機(jī)制內(nèi)部進(jìn)行細(xì)分時(shí)仍然僅按照各自的功率值大小來進(jìn)行，因此該方法實(shí)際只用到了最優(yōu)散射機(jī)制的功率信息，而兩個(gè)次要散射機(jī)制信息則沒有充分利用，從而導(dǎo)致當(dāng)不同類型地物屬于同一大類散射機(jī)制，而且其最大散射機(jī)制的值也相近時(shí)，這種方法不能將其有效地區(qū)分開。

（3）從散射機(jī)制上分析，水體和耕地的面散射應(yīng)該是占優(yōu)的，其散射熵H值應(yīng)該偏低，而陰影3種散射機(jī)制分量應(yīng)該都很低，因此其H值應(yīng)該較高。并且從試驗(yàn)所得的Cloude分解參數(shù)圖上來看，三者在參數(shù)圖上的值的確有所不同。但是進(jìn)一步跟蹤分析發(fā)現(xiàn)，雖然在初始劃分時(shí)3種地物僅有小部分被分到同一類中，僅經(jīng)過一次Wishart迭代之后，三者便立刻被分到了同一種類別中。

而利用第2節(jié)提出的散射熵Hf和各向異性度Af組成的特征空間進(jìn)行分析發(fā)現(xiàn)，利用Hf和Af參數(shù)可以有效地將陰影、水體、耕地區(qū)分開。為了更好地說明這種有效性，本文對試驗(yàn)數(shù)據(jù)選取樣本并進(jìn)行統(tǒng)計(jì)，結(jié)果如圖1所示。容易看出，利用Hf參數(shù)可以將陰影提取出來，利用Af參數(shù)可以進(jìn)一步將耕地和水體區(qū)分開，因此綜合兩個(gè)參數(shù)可以將這3類地物有效地進(jìn)行區(qū)分。

圖1 水體、陰影、耕地的Hf和Af參數(shù)統(tǒng)計(jì)圖Fig.1 Hfand Afcartograms of water，shadow and farmland

基于以上分析，本文提出一種基于Freeman散射熵和各向異性度的極化SAR圖像分類算法，算法整體流程圖如圖2所示。具體流程如下：

（1）預(yù)處理。為減小相干斑噪聲的影響，需首先對原始數(shù)據(jù)進(jìn)行多視或?yàn)V波處理。當(dāng)極化SAR數(shù)據(jù)中人工建筑或地形起伏較大的區(qū)域較多時(shí)，需進(jìn)行方位角補(bǔ)償，以獲得更好的分類效果。

（2）進(jìn)行Freeman 3分量分解，獲得3個(gè)分解參數(shù)Ps、Pd、Pv。

（3）由3個(gè)分解參數(shù)，根據(jù)式（4）和式（5）計(jì)算Hf和Af參數(shù)。

（4）通過對Hf和Af閾值分割，提取陰影和水體。具體方法為：設(shè)定閾值kh和ka，將Hf＞kh且Af≤ka的像素劃分為陰影，將Hf≤kh且Af≤ka的像素劃分為水體。為防止在Wishart迭代的過程中，3種散射類型重新迭代為一類，將提取出的陰影和水體作為最終結(jié)果。

（5）對于其他像素，首先按照Freeman 3參數(shù)值的大小分為3大類，然后對每一大類分別進(jìn)行細(xì)分并進(jìn)行Wishart迭代以獲得具有自適應(yīng)性的分類結(jié)果。由于Wishart分類器是一種最大似然分類器，因此初始劃分結(jié)果對最終分類結(jié)果有較大的影響，為了得到比較精確的初始分類結(jié)果，采用如下方法：①按照Hf～Af平面進(jìn)行初始劃分，一般分為25～100類，具體分類數(shù)量和邊界由Hf和Af閾值數(shù)量和數(shù)值控制，在實(shí)際分類時(shí)可根據(jù)Hf～Af平面圖來確定，劃分時(shí)按照盡量使各類所分配的像素?cái)?shù)相等的原則；② 合并聚類到指定類別數(shù)，一般為3～10類，合并規(guī)則采用類間Wishart距離［11］最小的原則，為防止在合并過程中某些類過大，限制類別中像素?cái)?shù)不大于Nmax

式中，N表示本大類中總的像素?cái)?shù)，Nd表示指定類別數(shù)，這樣對每大類處理后便得到具有一定自適應(yīng)性的初始聚類結(jié)果；③ 對初始聚類結(jié)果分別進(jìn)行Wishart迭代，得到最終的分類結(jié)果。

圖2 算法流程圖Fig.2 Flowchart of the proposed algorithm

陰影的提取除上述步驟（4）中提到的方法外，還可以直接利用Freeman分解3分量來進(jìn)行。對Freeman 3分量進(jìn)行直方圖統(tǒng)計(jì)發(fā)現(xiàn)，均近似服從Rayleigh分布，如圖3所示。其中圖3（a）為了更清楚地顯示出主體部分的變化趨勢，將大于1.5的值均設(shè)為1.5。如前面所分析的，由于陰影的特殊性，其3種散射機(jī)制分量都很低，因此可以對Freeman 3分量進(jìn)行直方圖統(tǒng)計(jì)，3分量像素值均位于0～kpσ之間的像素判定為陰影（σ為Rayleigh分布參數(shù)），kp的取值一般為0～0.5，當(dāng)kp＝0時(shí)表示圖像中無陰影區(qū)。也可以以kpσ對應(yīng)的CDF（累積分布函數(shù)）kc作為參數(shù)進(jìn)行取值，kc的取值一般為0～0.1。本文試驗(yàn)中，當(dāng)kc取0.06時(shí)，所得結(jié)果與圖6試驗(yàn)結(jié)果十分相近。

圖3 Freeman分量直方圖與Rayleigh分布PDF對比圖Fig.3 Histogram of Freeman＿Odd component and Rayleigh PDF plot withσ＝0.1

4 試驗(yàn)及結(jié)果分析

4.1 試驗(yàn)數(shù)據(jù)介紹

本文采用的試驗(yàn)數(shù)據(jù)為Radarsat－2衛(wèi)星于2011－06－12在中國河南省登封市試驗(yàn)區(qū)獲取的C波段全極化SAR數(shù)據(jù)。試驗(yàn)區(qū)地物覆蓋類型非常豐富，有水體、道路、耕地、林地、草地、建筑等，并且地勢起伏非常大，山嶺和溝壑較多，在山區(qū)還有較多陰影存在，這些因素給SAR圖像分類解譯帶來很大困難。為了便于研究分析，筆者于2011－06－10—2011－06－12在試驗(yàn)區(qū)進(jìn)行了詳細(xì)的實(shí)地調(diào)繪，取得了第一手相關(guān)資料。圖像原始分辨率為6259像素×2588像素，為減少噪聲影響及便于目視判讀，本文對試驗(yàn)數(shù)據(jù)在方位向和距離向分別作了4視和2視的多視處理。

4.2 試驗(yàn)結(jié)果及分析

為了進(jìn)行對比，首先利用經(jīng)典的Wishart H／α／A和保持極化散射特性的分類算法對試驗(yàn)數(shù)據(jù)進(jìn)行分類，其中保持極化散射特性的分類算法將面散射、二面角散射、體散射3大類散射類型分別分為16類、3類、5類，并且為保證對比的公平性，在進(jìn)行Freeman分解之前已經(jīng)對試驗(yàn)數(shù)據(jù)作了極化方位角補(bǔ)償。最終的分類結(jié)果如圖4、圖5所示。

圖4 Wishart H／α／A分類算法結(jié)果圖Fig.4 Classification map of Wishart H／α／A

圖5 保持極化散射特性的分類算法結(jié)果圖Fig.5 Classification map of Freeman－Durden PPSC

兩圖的顏色表排列順序是按照分類類別代號順序排列的。其中，Wishart H／α／A算法分類結(jié)果中所標(biāo)示的散射機(jī)制，并不是由類別代號對應(yīng)的H／α／A三參數(shù)的意義所確定，而是人工通過對比Pauli RGB合成圖確定的，可以看出，Wishart H／α／A分類算法結(jié)果比較雜亂。而保持極化散射特性的分類算法結(jié)果中雖然各類散射機(jī)制由算法直接確定，并且顏色表也可根據(jù)分類數(shù)目及顏色亮暗事先排好順序，但是在后面作分類精度評價(jià)、確定各類的具體類別時(shí)發(fā)現(xiàn)，雖然有部分類別被分到面散射中去，但是其對應(yīng)的地物類型卻不是通常屬于面散射的耕地等類型，而是既有建筑、林地，也有同時(shí)屬于山體迎坡面和建筑的混合類，因此在實(shí)際分配顏色表時(shí)，面散射中第10～16類的顏色是根據(jù)各類實(shí)際所屬的地物類型來分配的。

從圖4、圖5中可以發(fā)現(xiàn)，水體（橢圓區(qū)域）、陰影（圓角矩形內(nèi)的深色區(qū)域）、耕地（尖角矩形內(nèi)的深色區(qū)域）在兩幅分類結(jié)果圖上都有嚴(yán)重的混淆現(xiàn)象，可見這兩種分類算法都無法將其有效地區(qū)分開。

利用本文第3節(jié)提出的算法對試驗(yàn)數(shù)據(jù)進(jìn)行分類。其中，ka取0，kh取0.9，除陰影和水體外，3大類散射類型同樣均分為8類，最終分類結(jié)果見圖6。圖中顏色表的分配與圖5中顏色表的分配方法類似。從圖6中可以看出，水體、陰影和耕地3種地物類型被有效地區(qū)分開，除水體區(qū)域有少量像素被分為陰影和耕地外，總體分類結(jié)果令人滿意。

圖6 本文算法分類結(jié)果圖Fig.6 Classification map of the proposed algorithm

圖7 地面情況參考圖Fig.7 Ground truth map

為了更精確地分析3種分類方法的優(yōu)劣，下面對試驗(yàn)結(jié)果進(jìn)行分類精度評價(jià)。

由實(shí)地調(diào)繪數(shù)據(jù)結(jié)合PauliRGB合成圖和光學(xué)圖像人工對AOI區(qū)域勾繪的地面分類情況參考圖見圖7。由于圖7中僅有5類地物，因此要作分類結(jié)果評價(jià)需要首先將以上3種分類方法所得的結(jié)果進(jìn)行合并，即將屬于同一大類的合并到一起。由于篇幅所限，合并結(jié)果圖略。

根據(jù)圖7，得到3種分類方法的分類精度表見表1。由表1可見，Wishart H／α／A分類算法和保持極化散射特性的分類算法都無法將陰影分出來，其分類識別率均為0%，并且由于水體和耕地的混淆，這兩者的分類精度也都很低。相比之下，本文提出的分類算法陰影的生產(chǎn)者分類精度達(dá)到96.67%，水體和耕地的分類正確率也大大提高。同時(shí)，對于林地和建筑也有較高的分類精度。

另外，保持極化散射特性的分類算法在對3大類散射機(jī)制進(jìn)行細(xì)分時(shí)是按照各大類主散射機(jī)制的功率大小進(jìn)行的，因此需要對像素按照功率大小進(jìn)行排序。而本文提出的方法在步驟（5）中用的是Hf和Af參數(shù)平面，省略了排序的步驟，因此在執(zhí)行效率上，本文提出的方法更高。限于篇幅，執(zhí)行效率表略。

5 結(jié) 論

由于陰影、水體和耕地3種地物散射機(jī)制的相似性，導(dǎo)致常規(guī)基于散射特性的分類算法難以將它們有效區(qū)分，這里通過引入基于Freeman分解的散射熵Hf和各向異性度Af，提出了一種新的分類算法。該算法充分利用了地物極化散射機(jī)制上的差異，并且借鑒了保持極化散射特性的思想。利用Radarsat－2數(shù)據(jù)進(jìn)行的試驗(yàn)結(jié)果表明：該算法執(zhí)行效率高，能夠有效地區(qū)分陰影、水體和耕地（由于耕地剛收割完畢并進(jìn)行了翻耕，因此實(shí)際上應(yīng)該為裸地），其分類精度有較大幅度的提高，并且對其他地物類型也有很好的分類效果，總體分類精度及Kappa系數(shù)均有明顯提高。

然而，由于本文算法中步驟（4）是基于人工設(shè)定閾值方法來提取陰影和水體的，因此其通用性較差，對于不同的數(shù)據(jù)可能需要重新確定不同的閾值。因此后續(xù)將研究閾值的自適應(yīng)選擇方法，提高算法的自動(dòng)化程度。并且，由于不同波段的SAR信號對地物的穿透性不同，所獲取的數(shù)據(jù)中地物的散射特性也不同，從而可能導(dǎo)致散射熵和各向異性度的差異，進(jìn)而影響算法結(jié)果。因此，下一步研究還需要收集其他波段的極化SAR數(shù)據(jù)來對算法進(jìn)行進(jìn)一步的驗(yàn)證及改進(jìn)。

表1 3種算法分類精度表Tab.1 Classification accuracy of the three algorithms

［1］ LU Lijun，ZHANG Jixian，WANG Teng.A DEM Mapping Method Assisted by External DEM with High Resolution InSAR Data in Complex Terrain Area［J］.Acta Geodaetica et Cartographica Sinica，2011，40（4）：459－463.（盧麗君，張繼賢，王騰.一種基于高分辨率雷達(dá)影像以及外部DEM輔助的復(fù)雜地形制圖方法［J］.測繪學(xué)報(bào)，2011，40（4）：459－463.）

［2］ WAN Honglin，JIAO Licheng，XIN Fangfang.Interactive Segmentation Technique and Decision－level Fusion Based Change Detection for SAR Images［J］.Acta Geodaetica et Cartographica Sinica，2012，41（1）：74－80.（萬紅林，焦李成，辛芳芳.基于交互式分割技術(shù)和決策級融合的SAR圖像變化檢測［J］.測繪學(xué)報(bào)，2012，41（1）：74－80.）

［3］ GUO Huadong.Theories and Application of Radar for Earth Observation［M］.Beijing：Science Press，2000.（郭華東.雷達(dá)對地觀測理論與應(yīng)用［M］.北京：科學(xué)出版社，2000.）

［4］ LEE J S，POTTIER E.Polarimetric Radar Imaging：from Basics to Applications［M］.Boca Raton：CRC Press，2009.

［5］ FORMONT P，PASCAL F，VASILE G，et al.Statistical Classification for Heterogeneous Polarimetric SAR Images［J］.IEEE Selected Topics in Signal Processing，2011，5（3）：567－576.

［6］ HOEKMAN D H，VISSERS M A M，TRAN T N.Unsupervised Full－Polarimetric SAR Data Segmentation as a Tool for Classification of Agricultural Areas［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2011，4（2）：402－411.

［7］ CLOUDE S R，POTTIER E.An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（1）：68－78.

［8］ LEE J S，GRUNES M R，AINSWORTH T L，et al.Unsupervised Classification Using Polarimetric Decomposition and Complex Wishart Classifier［J］.IEEE Transactions on Geoscience and Remote Sensing，1999，37（5）：2249－2258.

［9］ POTTIER E，LEE J S.Application of the H／A／alpha Polarimetric Decomposition Theorem for Unsupervised Classification of Fully Polarimetric SAR Data Based on the Wishart Distribution［C］∥Proceeding of Committee on Earth Observing Satellites SAR Workshop.［S.l.］：Geophysical Institute，1999：335－340.

［10］ FERRO－FAMIL L，POTTIER E.Unsupervised Classification of Multi－frequency and Fully Polarimetric SAR Images Based on the H／A／Alpha－Wishart Classifier［J］.IEEE Transactions on Geoscience and Remote Sensing，2001，39（11）：2332－2342.

［11］ LEE J S，GRUNES M R，POTTIER E，et al.Unsupervised Terrain Classification Preserving Polarimetric Scattering Characteristics［J］.IEEE Transactions on Geoscience and Remote Sensing，2004，42（4）：722－731.

［12］ CAO F，HONG W，WU Y R.An Improved Cloude－Pottier Decomposition Using H／α／SPAN and Complex Wishart Classifier for Polarimetric SAR Classification［C］∥Proceedings of 2006IEEE CIE International Conference on Radar.Shanghai：IEEE，2006.

［13］ CAO Fang，HONG Wen，WU Yirong.An Unsupervised

Classification for Fully Polarimetric SAR Data Using Cloude－Pottier Decomposition and Agglomerative Hierarchical Clustering Algorithm［J］.Acta Electronica Sinica，2008，36（3）：543－546.（曹芳，洪文，吳一戎.基于Cloude－Pottier目標(biāo)分解和聚合的層次聚類算法的全極化SAR數(shù)據(jù)的非監(jiān)督分類算法研究［J］.電子學(xué)報(bào)，2008，36（3）：543－546.）

［14］ ZHAO Liwen，ZHOU Xiaoguang，JIANG Yongmei，et al.Iterative Classification of Polarimetric SAR Image Based on Freeman Decomposition and Scattering Entropy［J］.Journal of Electronics and Information Technology，2008，30（11）：2698－2701.（趙力文，周曉光，蔣詠梅，等.一種基于Freeman分解與散射熵的極化SAR圖像迭代分類方法［J］.電子與信息學(xué)報(bào)，2008，30（11）：2698－2701.）

［15］ ZHANG Haijian，YANG Wen，ZOU Tongyuan，et al.Classification of Polarimetric SAR Image Based on Four－component Scattering Model［J］.Geomatics and Information Science of Wuhan University，2009，34（1）：122－125.（張海劍，楊文，鄒同元，等.基于四分量散射模型的多極化SAR圖像分類［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2009，34（1）：122－125.）

［16］ YANG Jie，LANG Fengkai，Li Deren.An Unsupervised Wishart Classification for Fully Polarimetric SAR Image Based on Cloude－Pottier Decomposition and Polarimetric Whitening Filter［J］.Geomatics and Information Science of Wuhan University，2011，36（1）：104－107.（楊杰，郎豐鎧，李德仁.一種利用Cloude－Pottier分解和極化白化濾波的全極化SAR圖像分類算法［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2011，36（1）：104－107.）

［17］ PARK S，MOON W M.Unsupervised Classification of Scattering Mechanisms in Polarimetric SAR Data Using Fuzzy Logic in Entropy and Alpha Plane［J］.IEEE Transactions on Geoscience and Remote Sensing，2007，45（8）：2652－2664.

［18］ YANG Lei，LIU Wei，WANG Zhigang.Weighted－based Unsupervised Wishart Classification of Fully Polarimetric SAR Image［J］.Journal of Electronics and Information Technology，2008，30（12）：2827－2830.（楊磊，劉偉，王志剛.加權(quán)全極化SAR圖像非監(jiān)督Wishart分類方法［J］.電子與信息學(xué)報(bào)，2008，30（12）：2827－2830.）

［19］ FREEMAN A，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.

［20］ 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.

［21］ LEE J S，SCHULER D L，AINSWORTH T L.Polarimetric SAR Data Compensation for Terrain Azimuth Slope Variation［J］.IEEE Transactions on Geoscience and Remote Sensing，2000，38（5）：2153－2163.

［22］ LEE J S，SCHULER D L，AINSWORTH T L，et al.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.

E－mail：lfkupc＠126.com

Polarimetric SAR Data Classification with Freeman Entropy and Anisotropy Analysis

LANG Fengkai1，YANG Jie1，ZHAO Lingli1，ZHANG Jing2，LI Deren1
1.State Key Laboratory of Information Engineering in Surveying，Mapping and Remote Sensing，Wuhan University，Wuhan430079，China；2.91635 Troop，Beijing102249，China

The unsupervised classification of preserving polarimetric scattering characteristics is a classic classification method.But this method cannot classify the different objects with similar main scattering mechanism powers，especially for shadow，water and bare soil，which have very low backscattering powers.So the entropy and anisotropy parameters based on Freeman three－component decomposition is introduced，and applied into polarimetric SAR classification.Before applying the decomposition，apolarimetric orientation compensation（POC）procedure is performed for a better result.And then，the entropy Hfand anisotropy Afare calculated after Freeman decomposition.Through choosing appropriate values of Hfand Af，the shadow and water can be extracted out.The other pixels are then divided into three categories by their dominant scattering mechanisms.Each category is divided into25～100 classes by the Hf～Afplane to preserve the purity of scattering characteristics，and merged into specified number of classes by Wishart distance measure.At last pixels in each category are iteratively classified by the Wishart classifier independently.A Radarsat－2 C band polarimetric SAR image was used to illustrate the effectiveness of the proposed method.

polarimetric SAR；classification；Freeman decomposition；entropy；anisotropy

LANG Fengkai（1987—），male，PhD candidate，majors in PolSAR image processing.

LANG Fengkai，YANG Jie，ZHAO Lingli，et al.Polarimetric SAR Data Classification with Freeman Entropy and Anisotropy Analysis［J］.Acta Geodaetica et Cartographica Sinica，2012，41（4）：556－562.（郎豐鎧，楊杰，趙伶俐，等.基于Freeman散射熵和各向異性度的極化SAR影像分類算法研究［J］.測繪學(xué)報(bào)，2012，41（4）：556－562.）

P237

A

1001－1595（2012）04－0556－07

國家自然科學(xué)基金（60890074）；國家863計(jì)劃（2011AA120404）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金（201161902020003）

宋啟凡）

2011－09－26

2012－05－24

郎豐鎧（1987—），男，博士生，主要研究方向?yàn)闃O化SAR圖像處理。