全極化SAR數(shù)據(jù)土地覆蓋分類精度分析

楊靖，蘇彩霞，曹永鋒

(貴州師范大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，貴陽 550000)

全極化SAR數(shù)據(jù)土地覆蓋分類精度分析

楊靖，蘇彩霞，曹永鋒

(貴州師范大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，貴陽 550000)

鑒于全極化SAR數(shù)據(jù)進(jìn)行土地覆蓋分類時不同特征組合會對分類結(jié)果帶來巨大的影響，該文以美國國家土地覆蓋數(shù)據(jù)為參考分析全極化SAR數(shù)據(jù)不同特征組合的土地覆蓋分類精度。文中以分類精度為準(zhǔn)則選取適用的分類方法，對比分析了不同分解組合和波段組合對分類結(jié)果的影響，同時給出同一時期成像的TM數(shù)據(jù)分類結(jié)果做比較。結(jié)果表明，SAR數(shù)據(jù)通過有效的分解組合能提高總體分類精度。同時，SAR數(shù)據(jù)不同分解特征之間有信息冗余和信息互補(bǔ)的關(guān)系，波段組合分類時需考慮其對分類結(jié)果的影響。波段組合分類得到了最高的總體分類精度71.6%和Kappa系數(shù)0.6，表明全極化SAR數(shù)據(jù)土地覆蓋分類，尤其對于一些如“有林濕地”等待定類別，可以達(dá)到很好的分類質(zhì)量。

全極化SAR；土地覆蓋分類；目標(biāo)分解；精度分析；特征組合

0 引 言

合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)作為遙感技術(shù)的重要組成部分，因其高分辨率、全天候、全天時和大面積的數(shù)據(jù)獲取能力已經(jīng)成為光學(xué)遙感的有益補(bǔ)充，有時甚至是數(shù)據(jù)獲取的唯一手段。全極化SAR數(shù)據(jù)包含目標(biāo)更完備的物理信息和結(jié)構(gòu)信息，為土地覆蓋分類提供了新的技術(shù)方法[1]。目前，Lee 等[2-5]對比分析了全極化和多極化SAR數(shù)據(jù)的土地覆蓋分類精度，Varshat等人[6]分析了多極化、多頻率SAR數(shù)據(jù)對土地覆蓋分類精度的影響，Rusanova等人[7]評估了極化SAR數(shù)據(jù)的土地覆蓋分類潛力，都得到了全極化SAR數(shù)據(jù)會有更高的土地覆蓋分類精度的結(jié)論。系統(tǒng)研究和分析全極化SAR數(shù)據(jù)的土地覆蓋分類性能因此具有重要意義。

NLCD (National Land Cover Database) 數(shù)據(jù)是美國建立的基于Landsat5 TM遙感數(shù)據(jù)的國家土地覆蓋數(shù)據(jù)集，其具有標(biāo)準(zhǔn)數(shù)據(jù)的作用。2010年Atwood等人[8]就利用NLCD數(shù)據(jù)分析了全極化SAR數(shù)據(jù)土地覆蓋分類精度，其總體分類精度為73%，但所選取的檢驗(yàn)樣本總量為165個像元，樣本量明顯不足。2012年Atwood等人[9]利用NLCD數(shù)據(jù)分析了輻射校正對全極化SAR數(shù)據(jù)土地覆蓋分類精度的影響，其樣本量充足，但總體分類精度為54%，分類精度不高。以上都不能充分地說明全極化SAR數(shù)據(jù)的土地覆蓋分類性能。本文以全極化ALOS PalSAR數(shù)據(jù)的9種分解特征(共計(jì)28個特征波段)為分類特征數(shù)據(jù)，以NLCD2006數(shù)據(jù)作為真實(shí)的地物類別標(biāo)準(zhǔn)數(shù)據(jù)，從中提取訓(xùn)練樣本區(qū)和檢驗(yàn)樣本區(qū)進(jìn)行土地覆蓋分類精度分析。首先以分類總體精度為準(zhǔn)則選取適用的分類方法，然后進(jìn)行不同的分解組合分類和波段組合分類，分析不同分解組合和不同波段組合對分類結(jié)果的影響。同時，本文也給出了2景同時期成像的光學(xué)TM數(shù)據(jù)分類結(jié)果作為對比。結(jié)果表明全極化SAR數(shù)據(jù)土地覆蓋分類(尤其在特定地物類別上)可以達(dá)到很好的分類質(zhì)量。

1 數(shù)據(jù)處理

1.1 數(shù)據(jù)源

本文采用的數(shù)據(jù)如表1所示，數(shù)據(jù)區(qū)域?yàn)槊绹笨_來納州的華盛頓縣，經(jīng)緯度為76.2°E～76.5°E，35.5°N～36.2°N。

表1 數(shù)據(jù)源

其中NLCD2006數(shù)據(jù)分類系統(tǒng)是由Anderson土地利用/土地覆蓋分類系統(tǒng)二級類別派生的20類土地覆蓋分類系統(tǒng)[10]，如表2所示。

表2 NLCD2006土地覆蓋分類系統(tǒng)

該數(shù)據(jù)每隔5年更新1次，本文利用的是2006版數(shù)據(jù)對研究區(qū)土地覆蓋分類做精度分析。全極化SAR數(shù)據(jù)采用的是ALOS Palsar傳感器的L波段全極化數(shù)據(jù)。光學(xué)數(shù)據(jù)采用的是與SAR數(shù)據(jù)成像時間接近的2景Landsat 5 TM數(shù)據(jù)。

1.2 數(shù)據(jù)預(yù)處理

SAR數(shù)據(jù)預(yù)處理是SAR數(shù)據(jù)用于土地覆蓋分類關(guān)鍵的一步，本文數(shù)據(jù)預(yù)處理流程如下：

①SAR數(shù)據(jù)濾波。對SAR數(shù)據(jù)進(jìn)行精制lee濾波，濾波窗口選擇為5×5[11]。

②SAR數(shù)據(jù)特征提取。對SAR數(shù)據(jù)進(jìn)行各種不同的目標(biāo)分解，包括Pauli分解(3維)、Krogager分解(3維)[12]、Huynen分解(3維)、Freeman分解(3維)、Yamaguchi分解(4維)[13]、Could分解(3維)、VanZyl分解(3維)、Barnes分解(3維)、Holm分解(3維)等共計(jì)9種分解28個波段。

③波段聯(lián)合。在ENVI軟件中使用Layer stacking工具把28個波段組合成為一個特征數(shù)據(jù)集代替原始的全極化SAR數(shù)據(jù)作為分類數(shù)據(jù)。

④特征數(shù)據(jù)與NLCD2006數(shù)據(jù)配準(zhǔn)。在ENVI軟件中進(jìn)行采用2次多項(xiàng)式進(jìn)行圖像配準(zhǔn)，配準(zhǔn)精度高于0.5個像元。本文的配準(zhǔn)精度為0.4個像元。

2 分類方法

2.1 分類特征選擇

特征是分類的基礎(chǔ)，特征選擇在分類中有著極其重要的作用。通常情況下，特征選擇包括特征選擇的策略和特征評價的準(zhǔn)則兩點(diǎn)。本文以總體分類精度作為特征的評價準(zhǔn)則，采用馮琦介紹的啟發(fā)式特征收索策略[14]中的序列前向選擇方法進(jìn)行特征選擇。具體過程是：先將特征集合設(shè)為一個空集，同時把所有特征按照單個特征總體分類精度從高到低排序；接著按照特征序列每次向特征集合中添加1個特征，如果新加入的特征使特征集合的總體分類精度降低，則去掉新加入的特征；當(dāng)特征集合達(dá)到要求(總體分類精度大于90%或者沒有可加入的特征)時所得到的特征集合作為最優(yōu)特征組合。該算法的計(jì)算量相對較小，但是沒有充分考慮特征之間的互補(bǔ)性。

2.2 分類類別確定和樣本區(qū)制作

本文利用NLCD2006數(shù)據(jù)作為真實(shí)地物類別數(shù)據(jù)提取制作訓(xùn)練樣本區(qū)和檢驗(yàn)樣本區(qū)，土地覆蓋分類系統(tǒng)則采用與NLCD2006數(shù)據(jù)一致的分類系統(tǒng)，如表2所示。具體的制作過程如下：首先，對研究區(qū)NLCD2006數(shù)據(jù)進(jìn)行類別統(tǒng)計(jì)和類別所占面積統(tǒng)計(jì)(表3)。面積統(tǒng)計(jì)比例大于2%的類別選定為分類類別。其中包含了7個類別，分別是11、21、42、52、82、90、95。7個類別面積統(tǒng)計(jì)總占比96.89%，其余類別所占面積都太少，不進(jìn)行監(jiān)督分類。

表3 研究區(qū)域各類別面積統(tǒng)計(jì)

然后，利用ARCGIS軟件對NLCD2006數(shù)據(jù)按類別屬性提取出研究區(qū)各個類別的矢量圖，然后把各個類別矢量區(qū)分為兩個部分：①訓(xùn)練樣本區(qū)是在7大類別的矢量圖層中進(jìn)行縮小矢量區(qū)域制得；②檢驗(yàn)樣本區(qū)是除去訓(xùn)練樣本區(qū)的剩余區(qū)域。這樣就保證檢驗(yàn)樣本量比較充足且訓(xùn)練樣本比較純凈。

2.3 分類器選擇

在進(jìn)行土地覆蓋分類研究中，不僅分類特征數(shù)據(jù)會影響分類的結(jié)果，而一個好的、適合的分類方法更會影響最終的分類結(jié)果。本文以每種分解特征分類的總體分類精度為準(zhǔn)則，在常用的監(jiān)督分類方法包含最大似然法(Maximum Likelihood，ML)、神經(jīng)網(wǎng)絡(luò)(Neural Networks，NNs)、支持向量機(jī)(Support Vector Machine，SVM)中選取一種適合本文全極化數(shù)據(jù)特征的分類方法進(jìn)行分類和分類精度分析。

3 結(jié)果分析

本文以全極化SAR數(shù)據(jù)的9種分解特征(共計(jì)28個波段)為分類數(shù)據(jù)，以NLCD2006數(shù)據(jù)提取制作的樣本區(qū)為訓(xùn)練樣本區(qū)和檢驗(yàn)樣本區(qū)進(jìn)行土地覆蓋分類精度分析。首先以分解特征分類總體精度為準(zhǔn)則選取適用的分類方法，然后進(jìn)行不同的分解組合分類和波段組合分類，分析不同分解組合和不同波段組合對分類結(jié)果的影響。本文在進(jìn)行分解組合的時候，把每一種分解當(dāng)成一種特征，進(jìn)行波段組合的時候，把每一個波段數(shù)據(jù)當(dāng)成一種特征。為表述方便，圖表中分別以B、C、F、Ho、Hu、K、P、Y、V代表Barnes分解、Could分解、Freeman分解、Holm分解、Huyene分解、Krogager分解、Pauli分解、Yamaguchi分解、VanZyl分解，以TM06、TM08分別代表Landsat5 TM 2006年和2008年成像的兩景數(shù)據(jù)。

3.1 不同分類方法分類

基于同一樣本區(qū)的全極化SAR數(shù)據(jù)的9種分解特征在3種分類方法下的分類結(jié)果如圖1所示。由圖1可以看出同一種分解特征在不同的分類方法下分類精度差別很大。SVM與ML分類結(jié)果對比，對于本文SAR數(shù)據(jù)的9種分解特征，每種分解特征SVM分類精度都比ML分類精度高。SVM與NNs分類結(jié)果對比，除了在huyene分解特征上NNs分類精度比SVM分類精度略高，其余的8種分解特征都是SVM分類精度比NNs分類精度高。整體而言SVM比NNs表現(xiàn)出更穩(wěn)定、更好的分類精度。綜上，3種分類方法中SVM更適合用于對本文SAR數(shù)據(jù)的9種分解特征進(jìn)行分類，本文后續(xù)實(shí)驗(yàn)都采用SVM分類方法。

圖1 3種分類方法分類結(jié)果

3.2 不同目標(biāo)分解組合分類

圖1中基于SVM分類，單個分解分類總體分類精度最高為Krogager分解，達(dá)到了67.52%，其次是Yamaguchi分解，總體分類精度為63.47%。由此可以得出Krogager分解和Yamaguchi分解對于本文分類都是比較重要的。TM06和TM08數(shù)據(jù)SVM分類的總體分類精度分別為77.50%和78.97%。表4為根據(jù)序列前向選擇法選擇下分解組合分類結(jié)果，其中最好的分類結(jié)果為Krogager、Yamaguchi、Freeman和Could分解組合分類，總體分類精度為71.3%，與同時期成像的TM圖像分類結(jié)果僅相差了6.2%和7.67%。

表4 目標(biāo)分解組合分類結(jié)果

由表4可以看出單獨(dú)分類較好的分解特征加入到分解組合中不一定會提高分類精度，甚至可能降低總體分類精度。例如單獨(dú)分類較好的VanZyl分解特征在加入到K、Y分解組合和K、Y、F、C分解組合分類中都降低了分類總體精度。

由表4還可以看出Could分解特征加入到K、Y組合中明顯地提高了分解組合分類的總體分類精度，總體分類精度提高了2.67%，貢獻(xiàn)較大(加入使總體分類精度至少提高0.5%)。但Cloud分解特征單獨(dú)用于分類總體分類精度并不高，總體分類精度為52.5%，說明針對本文數(shù)據(jù)，Could分解特征能與其他分解特征起到信息互補(bǔ)的作用來提高總體分類的精度。

3.3 不同波段組合分類

目標(biāo)分解是把一個隨機(jī)媒質(zhì)散射問題的各種矩陣表現(xiàn)形式(散射矩陣、Mueller矩陣 、協(xié)方差矩陣、相干矩陣等)描述為獨(dú)立分量之和，并把每一種成分與相應(yīng)的物理機(jī)制聯(lián)系起來[15]。本文28個波段(由9種不同分解方法得來)的物理含義或散射類型如表5所示。

表5 28個波段的物理含義/散射類型

圖2 28個波段SVM分類結(jié)果

圖2給出了28個波段單獨(dú)分類的總體分類精度。由圖2可以看出單波段分類最佳的是k_kd波段，總體精度為63.5%。以下分別對圖2中的28波段依次編號為0到27，利用序列前向選擇法進(jìn)行波段組合分類。表6是波段組合分類結(jié)果的一部分(波段加入造成總體分類精度降低部分未列出)。由序列前向選擇法方法得出最佳波段組合為(15、22、1、17、2、16、25、6、8、21、19、20、7、26、11)，分類總體精度71.35%，Kappa系數(shù)0.595。

表6 波段組合分類結(jié)果

各個波段都有自己的物理含義，進(jìn)行波段組合分類時必然會存在相同物理含義波段之間信息的冗余和不同物理含義波段之間信息的互補(bǔ)關(guān)系。波段之間的信息冗余和信息互補(bǔ)都會對最終波段組合分類結(jié)果帶來影響。對比分析最佳波段組合分類與波段15、波段22組合分類的結(jié)果，波段15、波段22組合在加入13個波段進(jìn)行組合后包含表5中的散射類型由2種變成9種，分類總體精度由65.31%提高到71.35%，這說明不同物理含義的特征之間存在互補(bǔ)，它們同時存在于特征組合中會對分類性能產(chǎn)生大的提升。分析最佳波段組合可知波段組合中有許多相同物理含義的波段存在，本文把加入到波段組合中明顯提高分類精度的波段取出作為一個波段組合，該組合是15、22、17、16、6、8、7(即：K_kd、Y_Hlx、K_ks、K_kh、C_a、C_h、C_e)。這7個波段分別對應(yīng)于表5中的7種不同散射類型，測試這7個波段組合的分類精度，總體分類精度為71.14%，Kappa系數(shù)為0.593，與最佳波段組合分類精度僅相差了0.21%，這說明具有相同物理含義的特征之間存在冗余，它們同時存在于特征組合中不會對分類性能產(chǎn)生大的提升。

圖3 分類結(jié)果對比

圖像分類后通常都會對圖像進(jìn)行分類后處理，分類后處理包含對分類中大量的小圖斑進(jìn)行合并等。最佳波段組合分類聚類處理后的結(jié)果如圖3所示，處理后的總體分類精度為71.6%，Kappa系數(shù)為0.6。

3.4 分類結(jié)果總結(jié)

總結(jié)以上分類結(jié)果，各種分類特征分類結(jié)果對比如表7所示。由表7可以看出SAR數(shù)據(jù)最佳分類結(jié)果和TM數(shù)據(jù)分類結(jié)果總體分類精度相差6～7個百分點(diǎn)。由于本文的評價基準(zhǔn)NLCD本身是基于TM數(shù)據(jù)的分類結(jié)果，因此可以相信，在真實(shí)的分類精度上SAR數(shù)據(jù)和TM數(shù)據(jù)之間的差別會小于7%。表7各類別分類正確率中可以看出全極化SAR數(shù)據(jù)在有些類別上比TM數(shù)據(jù)分類更好，如：有林濕地。這是由于SAR圖像成像機(jī)制決定了SAR系統(tǒng)對地物表面粗糙度比較敏感。SAR數(shù)據(jù)不同分解之間通過有效的分解組合能提高分類精度，分解進(jìn)行組合時需要到考慮分解信息的互補(bǔ)作用。在波段組合分類過程中，不同的波段加入都會對某些類別的識別造成影響。如最佳波段組合分類與K_kd波段分類對比，開闊水域的分類正確率在加入波段進(jìn)行組合分類時降低了18.7%，耕地的分類正確率提升了44.53%，這種情況下就需要給定相應(yīng)的準(zhǔn)則來選取波段組合。由于進(jìn)行分類特征選擇時未使用窮舉法，所以本文選取的分解組合和波段組合不一定是最好的一個組合，但已經(jīng)足以說明SAR數(shù)據(jù)的土地覆蓋分類能力。

表7 不同特征數(shù)據(jù)分類結(jié)果

4 結(jié)束語

本文分析了全極化數(shù)據(jù)不同分解、不同分解組合、不同波段、不同波段組合的土地覆蓋分類精度。分析表明：①總體而言，全極化SAR數(shù)據(jù)土地覆蓋分類精度較高，Kappa系數(shù)最高達(dá)到0.6，分類質(zhì)量達(dá)到很好層次[16]。②全極化SAR數(shù)據(jù)不同分解組合用于土地覆蓋分類有助于提高分類精度。③全極化SAR數(shù)據(jù)不同分解特征之間有信息冗余和信息互補(bǔ)的關(guān)系，進(jìn)行波段組合分類時應(yīng)考慮這種關(guān)系對分類結(jié)果的影響。④SAR數(shù)據(jù)對分類系統(tǒng)中的某些類別比TM數(shù)據(jù)有更好的判別能力，未來可以結(jié)合SAR數(shù)據(jù)的這種特性與TM數(shù)據(jù)進(jìn)行聯(lián)合土地覆蓋分類。

本文的不足和未來研究方向：①由于全極化SAR數(shù)據(jù)及對應(yīng)地物分類參考數(shù)據(jù)獲取困難，研究區(qū)內(nèi)僅包含了有限土地覆蓋類別，未來可以在包含類別更全面的數(shù)據(jù)上測試全極化SAR數(shù)據(jù)的土地覆蓋分類精度。②不同分解特征之間有信息冗余和互補(bǔ)的關(guān)系，但沒有研究如何利用這個關(guān)系來進(jìn)行最優(yōu)特征選擇，這亦可作為未來一個研究方向。③沒有考慮不同成像參數(shù)(如波段、分辨率、入射角度等)和地形對于分類精度的影響。

[1] 王超，張紅，陳曦，等.全極化合成孔徑雷達(dá)圖像處理[M].北京：北京科學(xué)出版社，2008.

[2] TURKAR V，DEO R，HARIHARAN S，et al.Comparison of classification accuracy between fully polarimetric and dual-polarization SAR images[C]//Geoscience and Remote Sensing Symposium (IGARSS)，2011：440-443.

[3] AINSWORTH T L，KELLY J P，LEE J S.Classification comparisons between dual-pol，compact polarimetric and quad-pol SAR imagery[J].International Journal of Photogrammetry and Remote，2009，64(5)：464-471.

[4] LEE J S，GRUNES M R，POTTIER E.Quantitative comparison of classification capability：fully polarimetric versus dual and single-polarization SAR[J].IEEE Transactions on Geoscience and Remote Sensing，2001，39(11)：2343-2351.

[5] POTTIER E，LEE J S，F(xiàn)ERRO-F L.Unsupervised classification of multifrequency 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.

[6] TURKAR V，DEO R，RAO Y S.Classification accuracy of multi-frequency and multi-Polarization SAR images for various land covers[J].Applied Earth Observations and Remote Sensing，2012，5(3)：936-941.

[7] RUSANOVA A，SMIRNOVA I.Evaluation of the potential of ALOS PALSAR polarimetric data for land-cover classification in the northern part of Timan-Pechorian petroleum province[C]//Geoscience and Remote Sensing Symposium (IGARSS)，2012：6291-6629.

[8] RIPKA B，ATWOOD D K.Accuracy assessment of polarimetric SAR land cover classification for boreal regions with moderate topography[C]//Synthetic Aperture Radar (EUSAR).European Conference on.VDE，2010：1-4.

[9] ATWOOD D K，SMALL D，GENS R.Improving PolSAR land cover classification with radiometric correction of the coherency matrix[J].IEEE Journal of Selected Topics in Applied Earth O，2012，4(3)：848-856.

[10] VOGELMANN J E，HOWARD S M，YANG L-m，et al.Completion of the 1990s national land cover data set for the conterminous united states from Landsat thematic mapper data and ancillary data sources[J].Photogrammetric Engineering and Remote Sensing，2001，67(6)：652-662.

[11] LEE J S，JEN-HUNG W，AINSWORTH T L，et al.Improved sigma filter for speckle filtering of SAR imagery[J].IEEE Transactions on Geoscience & Remote Sensing，2009，47(1)：202-213.

[12] KROGAGER E.New decompostion of the radar target scattering matrix[J].Electonics Letters，1990，26(18)：1525-1526.

[13] YAMAGUCHI Y，YAJIMA Y，YAMADA H.A four-component decomposition of POLSAR images based on the coherency matrix[J].IEEE Transactions on Geoscience and Remote Sensing，2006，3(3)：292-296.

[14] 馮琦.基于SVM的多時相極化SAR影像土地覆蓋分類方法研究[D].北京：中國林業(yè)科學(xué)研究院，2012.

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

[16] 朱述龍，朱寶山，王紅衛(wèi).遙感圖像處理與應(yīng)用[M].北京：科學(xué)出版社，2006.

Accuracy Analysis of Fully Polarimetric SAR for Land Cover Classification

YANG Jing，SU Cai-xia，CAO Yong-feng

(SchoolofMathematicsandComputerScience，GuizhouNormalUniversity，Guiyang550000)

Because different features of the fully polarization SAR data combination get a different land cover classification result，this paper uses NLCD land cover classification results as a reference analyzing the fully polarization SAR data land cover classification accuracy.We select a suitable classification method with classification accuracy as a guideline，and then analysis the influence of different decomposition combination and band combination on the classification results.At the same time，classification results of the TM data imaging during the same period are given as a comparison.The results show that an effective decomposition combination can improve the overall classification accuracy and there is a information redundancy and complementary relationship between different decomposition characteristics of SAR data；we should consider its impact on the classification results when using band combination to classify land cover.Band combination classification has got the highest overall classification accuracy of 71.6% and Kappa coefficient of 0.6，which shows that the fully polarization SAR data，especially in class of woody wetlands，can achieve good classification quality.

fully polarization SAR；land cover classification；target decomposition；accuracy analysis；feature combination

2014-07-07

2014-09-05

國家自然科學(xué)基金(41161065、40901207)；貴州省科學(xué)技術(shù)廳、貴州師范大學(xué)聯(lián)合科技基金資助項(xiàng)目(黔科合J字LKS[2013]28號)。

楊靖(1989—)，男，碩士研究生，主要從事遙感圖像計(jì)算機(jī)處理與解譯方面的研究。

E-mail：23117300@163.com

曹永鋒(1976—)，男，教授，主要從事SAR圖像處理與解譯研究。

E-mail：yongfengcao.cyf@gmail.com

10.3969/j.issn.1000-3177.2015.05.014

TP75

A

1000-3177(2015)141-0088-06