基于H/A/α-Wishart分類的極化SAR圖像船只檢測(cè)

楊 慧，吳 祥，張 建，尚曉波

(杭州電子科技大學(xué)信息與控制研究所，浙江杭州310018)

0 引言

隨著極化合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)圖像處理技術(shù)的發(fā)展，利用極化SAR圖像進(jìn)行艦船檢測(cè)，已經(jīng)成為海洋遙感領(lǐng)域的重要應(yīng)用。目標(biāo)分解是將目標(biāo)的極化散射矩陣或相干矩陣分解為幾個(gè)分量之和，每個(gè)分量對(duì)應(yīng)于基本散射體的散射機(jī)理，從而可以在海洋中區(qū)分出船只。文獻(xiàn)［1］總結(jié)了極化雷達(dá)處理中的目標(biāo)分解理論，將其分為基于Muller矩陣和Stokes矢量的分解、相干分解、特征值分解3類。文獻(xiàn)［2］利用極化熵算法進(jìn)行艦船檢測(cè)，驗(yàn)證了在入射角小于60°的情況下極化熵可以增強(qiáng)艦船和海洋的對(duì)比度。由于目標(biāo)分解的每個(gè)參數(shù)具有不同的意義，本文提出了構(gòu)造包含多個(gè)極化參數(shù)的特征向量來反映艦船和海洋的散射差異，并根據(jù)實(shí)際檢測(cè)問題采用H/A/α-Wishart分類的方法對(duì)極化SAR圖像艦船目標(biāo)進(jìn)行檢測(cè)，該方法能夠提高艦船檢測(cè)的精度，并減少了噪聲等引起的虛警。

1 H/A/α分解

H/A/α分解是一種對(duì)極化相干矩陣進(jìn)行分解的方法，它是將極化相干矩陣分解為極化熵H、反熵A和平均散射角α。

首先，對(duì)極化散射矩陣進(jìn)行Pauli基展開后得到散射矢量表示:

由式1可得到相應(yīng)的相干矩陣:

然后，將相干矩陣進(jìn)行特征值分解為:

式中，矩陣U是由3個(gè)特征向量U1、U2、U3組成的矩陣。由于矩陣T為半正定的Hermitian矩陣，因此 λ1、λ2、λ3均為非負(fù)實(shí)數(shù)。

極化熵定義為相干矩陣的各個(gè)特征值之和，即:

式中，Pi是散射過程i的相對(duì)散射強(qiáng)度。極化熵描述了散射過程的隨機(jī)性，它是反映特征值λ1和λ2、λ3之間的關(guān)系，是一個(gè)指示器，但不能反映出 λ2和 λ3之間的關(guān)系［3］。

目標(biāo)的反熵定義為:

目標(biāo)的平均散射角α定義為:

2 基于H/A/α-Wishart分類的船只檢測(cè)

2.1 H/A/α分類

由于極化熵和α角能夠很好地描述目標(biāo)的極化散射特性，可將目標(biāo)的極化散射特性用由目標(biāo)熵和α角組成的分類平面(H-α分類平面)上的某一點(diǎn)位置來描述［4］。H-α分類平面被分成了9個(gè)基本的區(qū)域，代表9類不同的散射機(jī)理?，F(xiàn)加入?yún)?shù)反熵A，使得H-α分類平面變成一個(gè)分類空間，如圖1所示。由于反熵A的范圍是0 1以將其一分為二，即0 0.5和0.5 1。這樣，原來在H/α分類平面上的9類變成了H/A/α分類空間上的18類，這就使得圖像的分類效果更加精細(xì)，且保留了船只的邊緣細(xì)節(jié)部分。

圖1 H/A/α分類空間

2.2 H/A/α-Wishart分類

H/A/α-Wishart分類是一種非監(jiān)督的分類，主要是利用遙感圖像數(shù)據(jù)的不同特性，從而分離出屬于同一類型的象素點(diǎn)［5］。先收集采樣象素點(diǎn)以計(jì)算出每個(gè)類別的矩陣估計(jì)，然后用每個(gè)象素點(diǎn)以計(jì)算出每個(gè)類別的均值之間的最小距離作為分類準(zhǔn)則。

在要進(jìn)行的極化SAR圖像監(jiān)督分類中，每個(gè)類別由其自身的相干矩陣Tm來表征，Tm是由第m類的訓(xùn)練樣本估計(jì)得到。具體的步驟為:

(1)提供一個(gè)初始點(diǎn)Tm0，作為每一類的初值i=0;

(2)用距離測(cè)量法對(duì)整幅極化SAR圖像進(jìn)行分類;

(3)用步驟2中得到的分類后的象素點(diǎn)為每一類計(jì)算Tmi+1;

(4)回到步驟2，繼續(xù)迭代，直到達(dá)到規(guī)定的中值條件。

H/A/α-Wishart分類首先是進(jìn)行H/A/α分解，將分解所得的H、A、α作為特征向量進(jìn)行初步的分類，然后利用分類的結(jié)果進(jìn)行Wishart分類。具體的流程如圖2所示。

圖2 H/A/α-Wishart分類方法的流程圖

3 實(shí)驗(yàn)結(jié)果與分析

本文選取的數(shù)據(jù)是Radarsat－2衛(wèi)星于2008－04－09拍攝的全極化SAR的C波段SLC格式的舊金山地區(qū)的影像，分辨率為10 m，影像大小2 000×2 000象素。在這里截取了有關(guān)船只部分的影像，分別如圖3、4所示。

圖3 舊金山地區(qū)的偽彩色圖

圖4 實(shí)驗(yàn)截取的圖

對(duì)極化SAR數(shù)據(jù)首先做H/A/α分解，然后以分類后各類別作為訓(xùn)練樣本集進(jìn)行迭代，得到的非監(jiān)督Wishart分類結(jié)果，如圖5所示。為了更好的證明該分類的性能，用基于Cloude分解的非監(jiān)督分類的方法與本文的方法進(jìn)行對(duì)比，如圖6所示。

圖5 H/A/α-Wishart分類的結(jié)果

圖6 Cloude-Wishart分類

圖5中(a)、(b)、(c)是 H/A/α 分解得到的 H、A、α 結(jié)果圖，圖 5(d)是 H/A/α-Wishart分類的結(jié)果。由圖5、6對(duì)比可知，基于Cloude分解的非監(jiān)督分類雖然把船只都檢測(cè)出來了，但是也產(chǎn)生了一個(gè)虛警目標(biāo)，但H/A/α-Wishart分類不但能很好的檢測(cè)出船只，并能保留船只的邊緣信息，更有利于進(jìn)行下一步的識(shí)別。

4 結(jié)束語

本文提出了一種基于H/A/α分解的Wishart非監(jiān)督分類的極化SAR船只檢測(cè)的方法。通過實(shí)驗(yàn)結(jié)果表明，該方法引入H/A/α分解進(jìn)行船只檢測(cè)，在保證檢測(cè)率的情況下，有效地減少了噪聲等因素產(chǎn)生的虛警，并保持了船只的紋理和邊緣信息，為進(jìn)行下一步的船只識(shí)別做了很好的基礎(chǔ)。

［1］Cloude S R，Pottier E.A Review of Target Decomposition Theorems in Radar Polarimetry［J］.IEEE Transaction on Geoscience and Remote Sensing，1996，34(2):498 －518.

［2］Touzi R，Charbonneau F.Characterization of Target Symmetric Scattering Using Polarimetric SARs［J］.IEEE Transaction on Geoscience and Remote Sensing，2002，(40):2 507 －2 516.

［3］汪洋.極化合成孔徑雷達(dá)圖像處理及其應(yīng)用研究［D］.合肥:安徽大學(xué)，2007:95－96.

［4］王海江.極化SAR圖像分類方法研究［D］.成都:電子科技大學(xué)，2008:34－41.

［5］李海燕.極化SAR圖像海面船只檢測(cè)方法研究［D］.北京:中國科學(xué)院海洋研究所，2007:31－35.