一種聯(lián)合特征值信息的全極化SAR圖像監(jiān)督分類方法

邢艷肖　張　毅　李　寧　王　宇　胡桂香②

①(中國科學(xué)院電子學(xué)研究所　北京　100190)

②(中國科學(xué)院大學(xué)　北京　100039)

一種聯(lián)合特征值信息的全極化SAR圖像監(jiān)督分類方法

邢艷肖*①②張毅①李寧①王宇①胡桂香①②

①(中國科學(xué)院電子學(xué)研究所北京100190)

②(中國科學(xué)院大學(xué)北京100039)

基于H/α平面的分類器對于具有相似散射類型的地物的分類能力很差，為此該文直接使用特征值特征來進(jìn)行分類。首先提取特征值特征，并使用一種自適應(yīng)調(diào)整高斯分量個(gè)數(shù)的高斯混合模型對特征值分布進(jìn)行較為準(zhǔn)確地?cái)M合，然后采用樸素貝葉斯分類器進(jìn)行初步分類。針對可能存在特征值分布較為相近導(dǎo)致錯(cuò)分的問題，計(jì)算每兩類地物的特征值分布的相似度，將相似度大于給定閾值的類別對組成相似性表，對于這些相似對再用基于Wishart距離的K近鄰分類器進(jìn)行細(xì)分。綜合分析機(jī)載和星載SAR數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果，表明這種方法能夠克服基于H/α的非監(jiān)督分類方法對于特征值利用的一些不足，且與基于SVM的分類方法效果相當(dāng)。

極化SAR；地物分類；特征值

引用格式：邢艷肖, 張毅, 李寧, 等.一種聯(lián)合特征值信息的全極化SAR圖像監(jiān)督分類方法[J].雷達(dá)學(xué)報(bào), 2016, 5(2): 217–227.DOI: 10.12000/JR16019.

Reference format: Xing Yanxiao, Zhang Yi, Li Ning, et al..Polarimetric SAR image supervised classification method integrating eigenvalues[J].Journal of Radars, 2016, 5(2): 217–227.DOI: 10.12000/JR16019.

1　引言

合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)是一種高分辨率成像的雷達(dá)，具有全天候、全天時(shí)、遠(yuǎn)距離以及穿透能力強(qiáng)等優(yōu)點(diǎn)，目前已成為對地觀測的重要手段[1]。極化SAR分類作為SAR圖像分類的重要部分，在軍事偵察、土地勘察和城市規(guī)劃等領(lǐng)域都有著廣泛的應(yīng)用前景[2]。隨著極化SAR系統(tǒng)與成像技術(shù)的不斷發(fā)展和成熟，極化SAR地物分類成為國內(nèi)外研究的熱點(diǎn)。

發(fā)展到目前，國內(nèi)外學(xué)者已經(jīng)提出了很多關(guān)于極化分類的經(jīng)典方法[3–10]。經(jīng)典的H/α分類方法[4]是基于Cloude分解[11]發(fā)展而來，利用Cloude分解得到相干矩陣的特征值，利用特征值的函數(shù)組成的散射熵H和α角對目標(biāo)進(jìn)行分類。該分類方法的基本思想是：利用極化熵能夠反映目標(biāo)散射特性隨機(jī)性的特點(diǎn)，將極化熵H作為目標(biāo)散射隨機(jī)性的自然測度，然后再利用α角識別目標(biāo)的基本散射機(jī)制，從而完成不同散射類型的分類[4,12]。H/α分類方法對于不同區(qū)域的劃分是通過直線進(jìn)行劃分的，分界線是根據(jù)經(jīng)驗(yàn)主觀決定的，因此只適合對目標(biāo)區(qū)域的粗略分類，無法在目標(biāo)結(jié)構(gòu)分析中廣泛應(yīng)用。而且，目標(biāo)具有一定的散射不均勻性，使得分類結(jié)果雜亂且各類之間界限模糊。針對這種問題，有學(xué)者基于極化分解分類方法設(shè)計(jì)了迭代分類方法。最常用的統(tǒng)計(jì)迭代分類算法是基于Wishart距離的H/α-Wishart迭代分類方法[6,12]。這類方法的優(yōu)點(diǎn)是它們可以方便地與地物散射類型機(jī)制相對應(yīng)，實(shí)現(xiàn)非監(jiān)督分類。但是這種基于H/α散射機(jī)制的方法只能區(qū)分散射類型不同的地物，而難以區(qū)分散射類型相近的地物類型。

本文主要從充分挖掘特征值的潛力，克服基于H/α的方法對于特征值使用方式的弱點(diǎn)，使之能夠廣泛地用于不同地物分類的角度出發(fā)，給出了一種基于特征值的極化SAR圖像分類方法。首先，對極化相干矩陣做Cloude-Pottier分解，獲得相干矩陣的特征值，并用一種自適應(yīng)調(diào)整高斯分量個(gè)數(shù)的高斯混合模型(Gaussian Mixture Model, GMM)對特征值分布進(jìn)行較為準(zhǔn)確地?cái)M合，用經(jīng)k均值方法進(jìn)行參數(shù)初始化的最大期望(Expectation Maximization, EM)算法求解GMM參數(shù)。然后，基于對特征值的分布擬合，使用樸素貝葉斯分類器進(jìn)行初步分類。針對可能存在特征值分布較為相近導(dǎo)致錯(cuò)分的問題，計(jì)算每兩類地物的特征值分布的相似度[13]，將相似度大于給定閾值的類別對組成相似性表，對于初步結(jié)果中的這些相似對再用基于Wishart距離的K近鄰分類器進(jìn)行細(xì)分。綜合分析在機(jī)載和星載SAR兩個(gè)不同數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果，表明這種方法能夠克服基于H/α的非監(jiān)督分類方法對于特征值利用的一些不足，且與常用的SVM方法效果相當(dāng)。

2　基于特征值的極化分類方法

2.1特征值獲取與使用

根據(jù)單站互易理論，極化散射矩陣可以表示如下[9]：

其中，分量的第1個(gè)下標(biāo)索引代表接收極化方式，第2個(gè)下標(biāo)索引代表發(fā)射極化方式，利用Pauli基可以將散射矩陣轉(zhuǎn)化為向量：

n視極化相干矩陣為：

其中，n為視數(shù)，ki是第i個(gè)單視向量樣本。Cloude-Pottier分解是對極化相干矩陣T基于特征值/特征向量的分析。因?yàn)門是Hermitian半正定矩陣，總是可以做如下特征值/特征向量分析：

其中，λi是T的第i個(gè)特征值，且滿足λ1≥λ2≥λ3≥0, ei是對應(yīng)的正交特征向量。這樣，T被分解成3項(xiàng)，每項(xiàng)都代表了一部分散射貢獻(xiàn)，λi代表每項(xiàng)的貢獻(xiàn)量，ei代表貢獻(xiàn)的散射類型。每項(xiàng)的相對強(qiáng)度可以表示為：

H/α的定義如下：

在后文第3節(jié)實(shí)驗(yàn)結(jié)果與分析中，分別給出了兩個(gè)實(shí)驗(yàn)數(shù)據(jù)的H/α平面分布情況。AIRSAR數(shù)據(jù)的9類地物中有大量地物被其他類別覆蓋，區(qū)分性很差，而RADARSAT-2數(shù)據(jù)有相對較好的區(qū)分度。基于H/α模型的缺點(diǎn)，考慮到H和α都是特征值的函數(shù)，特征值應(yīng)包含不少于H和α的信息，而專門針對特征值的分析研究還較少，本文給出了一種基于特征值的一整套分類方法，更充分地利用相干矩陣特征值提供的極化信息。

2.2自適應(yīng)GMM和EM算法求解

通過2.1節(jié)的原理，得到每類地物樣本集的特征值之后，使用GMM對其統(tǒng)計(jì)分布進(jìn)行擬合。GMM是指具有式(7)的概率分布的模型[14]

GMM通常的求解方法是EM算法，EM算法是一個(gè)局部最優(yōu)算法，常常容易陷入局部最優(yōu)解，使得它的初始值對算法的結(jié)果有著極其重要的影響，一般的初始化方法有：隨機(jī)中心，層次聚類，k均值算法等[15]。由于k均值聚類算法也是一種動(dòng)態(tài)迭代算法且分類個(gè)數(shù)人為確定，是已知因素，與EM算法用于有限混合模型參數(shù)估計(jì)有一定吻合性，故我們可以通過k均值聚類先給出混合數(shù)據(jù)的一個(gè)粗糙分組，得到參數(shù)的粗略估計(jì)值，作為迭代的初始值。

EM算法最初由Dempster.Laird.Rubin于1977年提出[14,16]，其重要應(yīng)用之一是高斯混合模型的參數(shù)估計(jì)。本文使用的具體算法流程描述如下：

輸入：建模數(shù)據(jù)x1，x2，···，x及高斯分量個(gè)數(shù)K

步驟1使用k均值來進(jìn)行初始化。將數(shù)據(jù)使用k均值聚類成K類，取每類的均值、方差及在總樣本中的比例為初始參數(shù)。

步驟3M步：計(jì)算新一輪迭代的模型參數(shù)

步驟4重復(fù)步驟2和步驟3，直到收斂。

另一方面，直接固定個(gè)數(shù)K的GMM難以同時(shí)適應(yīng)不同的地物類型的特征值分布。分布擬合不佳將直接導(dǎo)致后續(xù)分類錯(cuò)誤。所以，本文使用了自適應(yīng)調(diào)整高斯分量個(gè)數(shù)的GMM。經(jīng)過前期實(shí)驗(yàn)，絕大多數(shù)地物的特征值都能用1–3個(gè)高斯分量較為準(zhǔn)確地?cái)M合出來，所以選擇3為初始高斯分量個(gè)數(shù)，對數(shù)據(jù)擬合，得到權(quán)重，然后查看權(quán)重值大小，若出現(xiàn)小于閾值的權(quán)重，則分量個(gè)數(shù)減1，直到每個(gè)權(quán)重都大于預(yù)先設(shè)定的閾值。閾值過大，會(huì)導(dǎo)致欠擬合，閾值過小，會(huì)導(dǎo)致過擬合，并且增加不必要的計(jì)算量。綜上所述，本文的自適應(yīng)GMM及其求解流程如圖1所示。

圖1　自適應(yīng)GMM及其求解流程Fig.1　Flowchart of adaptive GMM

2.3貝葉斯分類

貝葉斯分類是基于貝葉斯定理與特征條件獨(dú)立的假設(shè)的分類方法。對于給定的訓(xùn)練數(shù)據(jù)集，首先基于特征條件獨(dú)立假設(shè)學(xué)習(xí)輸入/輸出的聯(lián)合概率分布，然后基于此模型，對于給定的輸入，利用貝葉斯定理求出后驗(yàn)概率最大的輸出[14]。貝葉斯分類器實(shí)現(xiàn)簡單，學(xué)習(xí)和預(yù)測的效率都很高，是一種常用的方法。針對上文已求得的各類地物的3個(gè)特征值的概率分布，作為貝葉斯分類器的輸入，實(shí)現(xiàn)基于特征值的初步分類。

這是樸素貝葉斯方法的基本公式。式(12)中，分母對所有ck都是相同的，于是，本文所用的樸素貝葉斯分類器可表示為：

2.4分布相似性計(jì)算——相似性表建立

圖2　兩分布相似度計(jì)算示意圖Fig.2　Similarity calculation of two distributions

其中，f1, f2分別代表兩類地物的特征值分布，f1(x), f2(x)代表它們的概率密度函數(shù)。從上式可知，它們組成的面積越大，相似度越小，面積越小，相似度越大。

對于極化特征值的3維向量來說，相似度計(jì)算如下：

其中，a和b代表不同的類別，λai和λbi分別代表它們第i個(gè)特征值的分布。由此，得到a和b兩類的相似度similar(a,b)。根據(jù)這個(gè)度量計(jì)算出每兩類之間的相似度，然后設(shè)定閾值，相似度小于閾值的判定為不相似對，相似度大于閾值的判定為相似對，并保存在相似性表中。

2.5基于Wishart距離的K近鄰分類器

K近鄰是一種簡單直觀的機(jī)器學(xué)習(xí)算法。給定訓(xùn)練數(shù)據(jù)集，對新的輸入實(shí)例，在訓(xùn)練集中找到與該實(shí)例最鄰近的K個(gè)實(shí)例，這K個(gè)實(shí)例的多數(shù)屬于某個(gè)類，就把該輸入實(shí)例分為這個(gè)類。K近鄰使用的模型實(shí)際上對應(yīng)于對特征空間的劃分。模型由3個(gè)基本要素決定，即距離度量、K值及分類決策規(guī)則[14]。此處，我們采用Wishart距離度量。經(jīng)過實(shí)驗(yàn)，本文K值取20為佳，分類決策規(guī)則采用多數(shù)表決。

Lee等人在文獻(xiàn)[3]中提出了基于最大似然判決準(zhǔn)則的極化SAR圖像Wishart監(jiān)督分類方法，應(yīng)用最大似然法可得到每個(gè)像素的相干矩陣與類中心相干矩陣的復(fù)Wishart距離，然后將該像素分類到與其距離最近的類別。Wishart距離度量的定義為：

其中，T表示初步分類標(biāo)簽出現(xiàn)在相似性表中的樣本的相干矩陣，Tm表示相似對的某一類的參考值。對于在相似性表中的每個(gè)像素都計(jì)算其與當(dāng)前相似性對中兩類樣本點(diǎn)的距離，然后按照距離由小到大排序，取最前面的K個(gè)標(biāo)簽值，則將當(dāng)前像素歸類到出現(xiàn)次數(shù)較多的那類標(biāo)簽中。

2.6算法流程

本實(shí)驗(yàn)算法流程如圖3所示，具體流程如下：

步驟1根據(jù)2.1節(jié)的原理對全極化數(shù)據(jù)相干矩陣做Cloude-Pottier分解，獲得特征值。利用2.2節(jié)的擬合與求解方法對每類地物樣本的特征值分布進(jìn)行擬合。

步驟2根據(jù)2.4節(jié)的原理計(jì)算每兩類地物的分布相似度，將相似度大于給定閾值的類別對加入相似性表。

步驟3利用2.3節(jié)的樸素貝葉斯分類方法，結(jié)合步驟1中得到概率分布進(jìn)行初步的分類。

步驟4對于步驟3的分類結(jié)果中出現(xiàn)在相似表中的類別對，利用2.4節(jié)的基于Wishart距離的K近鄰算法進(jìn)一步分類，此處使用的訓(xùn)練樣本集與步驟1中的相同。

圖3　本文方法流程圖Fig.3　Flowchart of the proposed method

圖4　實(shí)驗(yàn)所用的數(shù)據(jù)Fig.4　The datasets used in the experiments

3　實(shí)驗(yàn)結(jié)果與分析

本節(jié)采用了兩個(gè)全極化數(shù)據(jù)集對上文給出的算法進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)1選取的是1989 年由ARISAR 獲取的荷蘭Flevoland 地區(qū)的L 波段的4視全極化機(jī)載SAR數(shù)據(jù)，該數(shù)據(jù)大小為370× 420，數(shù)據(jù)的偽彩圖、訓(xùn)練集位置、真實(shí)地物參照如圖4所示，其主要覆蓋了具有平坦地形和均勻土壤的農(nóng)田區(qū)域。數(shù)據(jù)2是C波段的RADARSAT-2星載數(shù)據(jù)，獲取時(shí)間是2008年，地點(diǎn)是荷蘭的Flevoland，選擇區(qū)域大小為520×600，主要包括的地物類型有植被、城市、水域、農(nóng)田等。數(shù)據(jù)的偽彩圖及訓(xùn)練集位置如圖4(a)和圖4(c)所示，訓(xùn)練集為紅框標(biāo)出的區(qū)域。精度驗(yàn)證采用的樣本集位置如圖4(b)所示[17]。本文中，實(shí)驗(yàn)數(shù)據(jù)都經(jīng)過了窗口大小為5×5的精制Lee濾波預(yù)處理過程。

圖5分別給出了兩個(gè)數(shù)據(jù)集中的不同類別地物樣本在H/α平面上的分布情況，其中AIRSAR數(shù)據(jù)的每類樣本點(diǎn)均取1200個(gè)點(diǎn)，RADARSAT-2數(shù)據(jù)的樣本點(diǎn)均取2000個(gè)點(diǎn)?？梢钥闯?，AIRSAR數(shù)據(jù)的9類地物中有大量地物被其他類別覆蓋，區(qū)分性很差，而RADARSAT-2數(shù)據(jù)有相對較好的區(qū)分度。這將直接導(dǎo)致基于H/α的分類方法對這兩種不同的數(shù)據(jù)集產(chǎn)生不同的效果，具體結(jié)果見后文的結(jié)果描述。

對兩個(gè)數(shù)據(jù)集特征值進(jìn)行自適應(yīng)調(diào)整高斯分量個(gè)數(shù)的GMM擬合的高斯分量個(gè)數(shù)結(jié)果分別見表1和表2。對其每種地物樣本對應(yīng)的3個(gè)歸一化特征值分布擬合結(jié)果如圖6和圖7所示。其中自適應(yīng)GMM的權(quán)重閾值設(shè)置為T=0.05。由結(jié)果可以看出本文提出的自適應(yīng)調(diào)整高斯分量個(gè)數(shù)的GMM可以準(zhǔn)確地?cái)M合不同類型的特征值分布，且對于不同類別有較好的可分性。

獲得每種地物的特征值分布后，一方面使用樸素貝葉斯分類器進(jìn)行初步分類，分類的結(jié)果分別如圖8(a)，圖9(a)所示。其必要性和優(yōu)點(diǎn)主要有3點(diǎn)。一是貝葉斯分類是本文對于特征值利用的核心思想的關(guān)鍵步驟，對相關(guān)問題對于特征值的使用研究有參考價(jià)值。二是貝葉斯分類已經(jīng)取得不錯(cuò)的結(jié)果。對于某些情況(比如只能獲取特征值特征)，是一種很好的做快速地物分類的選擇。三是在此基礎(chǔ)上，下一步的細(xì)分只對那些特征值分布相近，貝葉斯分類器容易錯(cuò)分的類別對進(jìn)行完善優(yōu)化。另一方面對于每兩種之間分布相似度進(jìn)行計(jì)算，相似度閾值設(shè)置為T=0.0030。閾值設(shè)置是根據(jù)實(shí)驗(yàn)中得到的相似度數(shù)據(jù)選擇了多個(gè)典型的閾值，通過實(shí)驗(yàn)發(fā)現(xiàn)此閾值對于兩個(gè)數(shù)據(jù)都能有較好的實(shí)驗(yàn)結(jié)果，故作此設(shè)置。相似度大于給定閾值的類別對如表3和表4所示，可以看出存在于相似性表中的類別對在初步分類的結(jié)果中存在較多錯(cuò)分情況。對這些類別對進(jìn)行進(jìn)一步細(xì)分的最終結(jié)果如圖8(b)，圖9(b)所示。因無法獲得所有像素的真實(shí)對應(yīng)類型，我們只利用圖4(b)中確定類別的像素進(jìn)行準(zhǔn)確率計(jì)算。表5分別列出了這兩步操作的正確率，由圖8(a)，圖8(b)和圖9(a)，9(b)及表5可以看出進(jìn)一步的Wishart-KNN細(xì)分提升了特征值分布相似對的分類準(zhǔn)確率。為了說明本文“統(tǒng)計(jì)分布擬合”、“相似度計(jì)算”和“貝葉斯分類”的初步分類的有效性以及實(shí)驗(yàn)結(jié)果依賴于題目中的“特征值”，有必要單獨(dú)使用相同的訓(xùn)練集進(jìn)行基于Wishart距離的KNN分類器的對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖8(d)和圖9(d)。從實(shí)驗(yàn)結(jié)果中，可以看到，其與本文方法的分類精度不相同，分別是87.93%和89.17%，本文得到的結(jié)果是題目中的“特征值”和“基于Wishart距離的K近鄰分類器”共同達(dá)到的效果，說明了本文“統(tǒng)計(jì)分布擬合”、“相似度計(jì)算”和“貝葉斯分類”的初步分類的有效性。

圖5　H/α散點(diǎn)分布圖Fig.5　Distribution of H/α

表1　AIRSAR數(shù)據(jù)特征值GMM擬合的高斯子分量的個(gè)數(shù)Tab.1　Numbers of Gaussian components of eigenvalues from AIRSAR dataset

表2　RADARSAT-2數(shù)據(jù)特征值GMM擬合的高斯子分量的個(gè)數(shù)Tab.2　Numbers of Gaussian components of eigenvalues from RADARSAT-2 dataset

圖6　AIRSAR數(shù)據(jù)歸一化特征值分布Fig.6　Distribution of normalized eigenvalue from AIRSAR dataset

圖7　RADARSAT-2數(shù)據(jù)歸一化特征值分布Fig.7　Distribution of normalized eigenvalue from RADARSAT-2 dataset

表3　AIRSAR數(shù)據(jù)的相似對表Tab.3　Similarity table of AIRSAR dataset

表4　RADARSAT-2數(shù)據(jù)的相似對表Tab.4　Similarity table of RADARSAT-2 dataset

圖8　AIRSAR數(shù)據(jù)不同方法分類結(jié)果比較Fig.8　Comparison of different methods for AIRSAR dataset

下面通過實(shí)驗(yàn)結(jié)果來驗(yàn)證本文方法的有效性，由于本文方法是一種監(jiān)督的分類方法，我們將其與典型的基于SVM的監(jiān)督分類方法[10,14]進(jìn)行比較。在基于SVM的方法中，選取與本文方法相同的訓(xùn)練樣本、相同的特征輸入即極化特征值與T矩陣的元素、相同的精度驗(yàn)證樣本，以保證比較的科學(xué)性。SVM分類器訓(xùn)練過程中需要選擇核函數(shù)和設(shè)置模型參數(shù)，本文實(shí)驗(yàn)中使用RBF核函數(shù)，需尋優(yōu)的參數(shù)包括懲罰參數(shù)C和核函數(shù)參數(shù)γ。一種實(shí)用的參數(shù)尋優(yōu)方法是對指數(shù)式增長的序列進(jìn)行實(shí)驗(yàn)，C的搜索范圍一般為C=2–5, 2–3, ··, 215, γ的搜索范圍一般是γ=2–15, 2–13, ··, 23[18]。在實(shí)驗(yàn)中，通過參數(shù)尋優(yōu)，得到AIRSAR數(shù)據(jù)的實(shí)驗(yàn)參數(shù)為C=27和γ=2–1, RADARSAT-2數(shù)據(jù)的實(shí)驗(yàn)參數(shù)為C=213和γ=2–3。同時(shí)，我們也利用H/α分類器方法、H/α-Wishart方法進(jìn)行了實(shí)驗(yàn)。所有分類結(jié)果見圖8和圖9。如前所述，單一的H/α分類器和H/α-Wishart方法對于具有相似散射類型的數(shù)據(jù)1的分類效果都很差，對于散射類型差異較大的數(shù)據(jù)2具有較好的區(qū)分能力。本文方法和基于SVM的方法對數(shù)據(jù)1和數(shù)據(jù)2都能取得較好的結(jié)果。此外，本文方法充分挖掘了特征值的利用，而且不需要SVM分類大量的參數(shù)尋優(yōu)和交叉驗(yàn)證過程。綜上所述，本文的方法能夠克服基于H/α的方法對于散射類型較為相似的地物在特征值利用方面的缺陷，是一種較為通用的有效的基于特征值的極化分類方法。

圖9　RADARSAT-2數(shù)據(jù)不同方法分類結(jié)果比較Fig.9　Comparison of different methods for RADARSAT-2 dataset

表5　AIRSAR數(shù)據(jù)分類準(zhǔn)確率(%)Tab.5　Classification accuracy of AIRSAR dataset (%)

4　結(jié)論

本文針對如何更好地利用特征值進(jìn)行極化分類的問題，給出了一整套方案，并且在方案中具有對一些問題的解決方法，充分地挖掘了特征值在極化分類中的潛力。該方法首先提出了一種自適應(yīng)調(diào)整高斯分量個(gè)數(shù)的GMM對特征值分布進(jìn)行較為準(zhǔn)確地?cái)M合，使用經(jīng)k均值方法進(jìn)行參數(shù)初始化的EM算法求解GMM模型，然后采用樸素貝葉斯分類器進(jìn)行初步分類。針對可能存在特征值分布較為相近導(dǎo)致錯(cuò)分的問題，計(jì)算每兩類地物的特征值分布的相似度，將相似度大于給定閾值的類別對組成相似性表，對于這些相似對再用基于Wishart距離的K近鄰分類器進(jìn)行細(xì)分。實(shí)驗(yàn)結(jié)果表明，對于具有相似散射類型的地物，本文方法克服了基于H/α的非監(jiān)督分類方法對于特征值利用的不足，對于散射類型相差較大的地物，本文方法和基于H/α的方法都具有很好的分類效果。另外，兩個(gè)數(shù)據(jù)的結(jié)果表明，本文方法能夠取得與經(jīng)典SVM方法相當(dāng)?shù)男Ч?。本文仍然存在不足之處，對于如何利用特征值來完成?步的細(xì)分過程，還有很大的提升空間與加深研究的價(jià)值。在接下來的工作中，我們將進(jìn)一步研究利用特征值信息構(gòu)建紋理描述子等方式來完成第2步的細(xì)分過程，以使對于特征值的使用價(jià)值得到更充分的體現(xiàn)。

[1]Lee J S and Pottier E.極化合成孔徑雷達(dá)成像基礎(chǔ)與應(yīng)用[M].北京: 電子工業(yè)出版社, 2013: 199–223.Lee J S and Pottier E.Polarimetric Radar Imaging: From Basics to Applications[M].Beijing: Publishing House of Electronics Industry, 2013: 199–223.

[2]滑文強(qiáng), 王爽, 侯彪.基于半監(jiān)督學(xué)習(xí)的SVM-Wishart極化SAR圖像分類方法[J].雷達(dá)學(xué)報(bào), 2015, 4(1): 93–98.Hua Wen-qiang, Wang Shuang, and Hou Biao.Semisupervised learning for classification of polarimetric SAR images based on SVM-Wishart[J].Journal of Radars, 2015, 4(1): 93–98.

[3]Lee J S, Grunes M R, and Kwok R.Classification of multilook polarimetric SAR imagery based on complex Wishart distribution[J].International Journal of Remote Sensing, 1994, 15(11): 2299–2311.

[4]Cloude S R and Pottier E.An entropy based classication scheme for land applications of polarimetric SAR[J].IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68–78.

[5]Tzeng Y C and Chen K S.A fuzzy neural network to SAR image classification[J].IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(1): 301–307.

[6]Lee J S, Grunes M R, Ainsworth T L, et al..Unsupervised classification using polarimetricdecomposition and the complex Wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2249–2258.

[7]Famil L F, Pottier E, and Lee J S.Unsupervised classification of multifrequency and fully polarimetric SAR images based on the H/A/α-Wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(11): 2332–2342.

[8]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.

[9]Cao F, Hong W, and Wu Y R.An unsupervised segmentation with an adaptive number of clusters using theSPAN/H/α/Aspace and the complex Wishart clusteringfor fully polarimetric SAR data analysis[J].IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3454–3467.

[10]Lardeux C, Frison P L, Tison C, et al..Support vector machine for multifrequency SAR polarimetric data classification[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(12): 4143–4151.

[11]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.

[12]周偉, 孫艷麗, 許成斌, 等.一種多極化SAR 艦船目標(biāo)與方位向模糊鑒別方法[J].雷達(dá)學(xué)報(bào), 2015, 4(1): 84–92.Zhou Wei, Sun Yan-li, Xu Cheng-bin, et al..A method for discrimination of ship target and azimuth ambiguity in multi-polarimetric SAR imagery[J].Journal of Radars, 2015, 4(1): 84–92.

[13]Gou S P, Qiao X, Zhang X R, et al..Eigenvalue analysisbased approach for POL-SAR image classification[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(2): 805–818.

[14]李航.統(tǒng)計(jì)學(xué)習(xí)方法[M].北京: 清華大學(xué)出版社, 2012: 37–53.Li Hang.Statistical Learning Methods[M].Beijing: Tsinghua University Press, 2000: 37–53.

[15]王鑫.基于高斯混合模型的k均值初始化EM 算法的研究[J].商丘師范學(xué)院學(xué)報(bào), 2012, 28(12): 11–14.Wang Xin.Gaussian mixture model based k-means to initialize the EM algorithm[J].Journal of Shangqiu Normal University, 2012, 28(12): 11–14.

[16]Dempster A P, Laird N M, and Rubin D B.Maximumlikelihood from incomplete data via the EM algorithm[J].Journal of the Royal Statistical Society, 1977, 39(1): 1–38.

[17]Liu B, Hu H, Wang H Y, et al..Superpixel-based classification with an adaptive number of classes for polarimetric SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(2): 907–924.

[18]Hsu C W, Chang C C, and Lin C J.A practical guide to support vector classication[OL].http://www.csie.ntu.edu.tw/～cjlin/papers/guide/guide.pdf.2010.

邢艷肖(1990–)，女，河北邯鄲人，中國科學(xué)院電子學(xué)研究所通信與信息系統(tǒng)專業(yè)碩士研究生，研究方向?yàn)闃O化合成孔徑雷達(dá)圖像分類方法。

E-mail: 1090433237@qq.com

張毅(1971–)，男，上海人，現(xiàn)為中國科學(xué)院電子學(xué)研究所研究員，碩士生導(dǎo)師，研究方向?yàn)楦咚贁?shù)字信號處理、合成孔徑雷達(dá)信號處理新技術(shù)研究、合成孔徑雷達(dá)系統(tǒng)設(shè)計(jì)等。

E-mail: zhangyi@mail.ie.ac.cn

李寧(1987–)，男，安徽天長人，畢業(yè)于中國科學(xué)院電子學(xué)研究所，獲得博士學(xué)位，現(xiàn)為中國科學(xué)院電子學(xué)研究所助理研究員，研究方向?yàn)槎嗄Ｊ胶铣煽讖嚼走_(dá)成像及其應(yīng)用技術(shù)。

E-mail: lining_nuaa@163.com

王宇(1980–)，男，河南人，現(xiàn)為中國科學(xué)院電子學(xué)研究所研究員，博士生導(dǎo)師，研究方向?yàn)镾AR系統(tǒng)設(shè)計(jì)與信號處理技術(shù)。

E-mail: yuwang@mail.ie.ac.cn

胡桂香(1990–)，女，黑龍江佳木斯人，在中國科學(xué)院電子學(xué)研究所攻讀碩士學(xué)位，研究方向?yàn)楹铣煽讖嚼走_(dá)海面風(fēng)場反演與油膜檢測。

Polarimetric SAR Image Supervised Classification Method Integrating Eigenvalues

Xing Yanxiao①②Zhang Yi①Li Ning①Wang Yu①Hu Guixiang①②

①(Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China)
②(University of Chinese Academy of Sciences, Beijing 100039, China)

Since classification methods based on H/α space have the drawback of yielding poor classification results for terrains with similar scattering features, in this study, we propose a polarimetric Synthetic Aperture Radar (SAR)image classification method based on eigenvalues.First, we extract eigenvalues and fit their distribution with an adaptive Gaussian mixture model.Then, using the naive Bayesian classifier, we obtain preliminary classification results.The distribution of eigenvalues in two kinds of terrains may be similar, leading to incorrect classification in the preliminary step.So, we calculate the similarity of every terrain pair, and add them to the similarity table if their similarity is greater than a given threshold.We then apply the Wishart distance-based KNN classifier to these similar pairs to obtain further classification results.We used the proposed method on both airborne and spaceborne SAR datasets, and the results show that our method can overcome the shortcoming of the H/α-based unsupervised classification method for eigenvalues usage, and produces comparable results with the Support Vector Machine (SVM)-based classification method.

Polarimetric Synthetic Aperture Radar (SAR); Terrain classification; Eigenvalues

The National Natural Science Foundation of China (61422113)

TN957.2

A

2095-283X(2016)02-0217-11

10.12000/JR16019

2016-01-25；改回日期：2016-03-11；網(wǎng)絡(luò)出版：2016-04-18

邢艷肖1090433237@qq.com

國家自然科學(xué)基金優(yōu)秀青年基金(61422113)