結合紋理信息的極化SAR影像分類研究

安智暉，余 潔，劉利敏

（1.首都師范大學 資源環(huán)境與地理信息系統(tǒng)北京市重點實驗室，北京 100048；2.首都師范大學 資源環(huán)境與旅游學院，北京 100048；3.武漢大學 遙感信息工程學院，湖北 武漢 430079）

結合紋理信息的極化SAR影像分類研究

安智暉1,2，余 潔1,2，劉利敏3

（1.首都師范大學 資源環(huán)境與地理信息系統(tǒng)北京市重點實驗室，北京 100048；2.首都師范大學 資源環(huán)境與旅游學院，北京 100048；3.武漢大學 遙感信息工程學院，湖北 武漢 430079）

結合Gabor小波、灰度共生矩陣和FastICA方法提取的紋理信息，利用支持向量機分類器對單極化SAR影像進行分類研究。首先利用精致Lee濾波器對影像進行去噪處理；然后采用灰度共生矩陣和Gabor小波提取影像紋理特征，利用FastICA算法對紋理特征進行降維分析；最后將降維后的紋理特征與強度特征結合，采用支持向量機分類器進行分類;采用北京地區(qū)TerraSAR-X影像對該方法進行實驗，結果表明，紋理信息的引入使極化SAR影像分類精度得到提高。

極化SAR；分類；紋理特征提取

極化SAR影像分類是極化SAR信息后處理中十分重要的研究內(nèi)容之一[1,2]。對于單極化SAR影像而言，單憑其強度信息難以取得較好的分類結果。由于SAR影像亮度范圍較大，且含有較豐富的紋理結構信息，可以輔助原影像進行分類，以提高分類精度[3]。國內(nèi)外提出許多紋理特征的提取方法，包括基于灰度共生矩陣的紋理提取方法和基于Gabor小波變換的方法?；叶裙采仃嚤硎净叶鹊目臻g依賴關系，能夠很好地反映紋理中灰度級空間相關性的規(guī)律[4]；而Gabor小波符合人類視覺特征，在空間域、頻率域都有很好的分辨能力[5]，具有多尺度和多方向性[6]，適用于分析、處理紋理圖像[7]。這些特征維數(shù)較高，存在大量統(tǒng)計相關的冗余信息[8]，如果直接進行分類會影響分類結果[9]?？焖侏毩⒊煞址治觯‵astICA）算法基于非高斯最大化原理，以近似負熵為目標函數(shù)，使用定點迭代算法來尋找最優(yōu)分離矩陣，收斂速度快，同時不需要確定步長[10]，適合于紋理特征的降維處理。基于統(tǒng)計學習理論的支持向量機SVM能夠避免過學習問題[11]，對解決小樣本、非線性及高維模式識別問題具有獨特的優(yōu)勢，已在極化SAR影像分類中得到有效應用[12]。

基于上述分析，本文在單極化SAR影像的強度信息基礎上，引入紋理信息進行分類研究，紋理特征的提取選擇Gabor小波、灰度共生矩陣和FastICA算法相結合的方法，并采用SVM分類器進行分類實驗。

1 單極化SAR影像分類特征

1.1 強度特征

單極化SAR測量得到的地物復散射矩陣可表示為S，散射矢量為x=[S]。由散射矢量定義，協(xié)方差矩陣為：

式中，上標H表示共軛轉置。分類特征矢量表示為：

1.2 紋理特征提取及降維分析

1.2.1 灰度共生矩陣變換

灰度共生矩陣用2個位置的像素的聯(lián)合概率密度來定義：

式中，δ是GLCM的生成步長；θ是GLCM的生成方向；Pijδθ是滿足δ、θ條件、灰度值分別為i、j的點對數(shù)；是滿足δ、θ條件的所有點對數(shù)。

1.2.2 Gabor小波變換

Gabor小波濾波器的核函數(shù)定義如下：

式中，μ和v分別表示Gabor濾波器的方向和尺度；z=（x，y）；kμ,v的定義為：

式中，kmax為帶通濾波器中心頻率的上限；f是限定頻域中核函數(shù)距離的一個間隔因子，實驗中取f=2， σ = 2π，kmax= π/2。

假設I（x，y）表示一幅圖像的灰度分布，則該圖像的Gabor變換表示為I（x，y）與Gabor濾波器的卷積：

Oμ,v（z）就是Gabor小波的卷積結果。圖像的卷積輸出為復數(shù)形式，該復數(shù)的模即為提取的Gabor小波特征。本文選取在5個尺度和8個方向上進行紋理特征提取。圖1顯示為該濾波器組的實部和幅度。

圖1 Gabor濾波器組的實部和幅度

1.2.3 FastICA算法

假設實驗區(qū)影像經(jīng)Gabor小波和灰度共生矩陣變換得到的特征矢量都是由一些統(tǒng)計獨立的基矢量線性混合而成，用行向量Xi來表示第i幅圖像的特征矢量，將訓練集中所有特征矢量排成矩陣：X=（X1，X2，…，XM）T。假設這M個特征矢量由M個獨立的基矢量S=（s1，s2，…，sM）T線性混合而成，則：

FastICA算法步驟如下：

1）白化處理。尋找一個線性白化矩陣V，使得變換后的輸出信號Z = VX的行向量互不相關，則Z的協(xié)方差矩陣為單位矩陣，即求出Z后，令Z = X，求出分離矩陣W。

2）獨立成分提取。首先，初始化權值w(0)，令然后，迭代得：對權值進行歸一化處理若w收斂，輸出w(k)；否則，令k=k+1，繼續(xù)訓練權值。

本文首先通過GLCM和Gabor小波分別提取影像紋理特征并利用FastICA算法對特征進行降維分析，然后在單極化SAR影像強度信息的基礎上，結合提取的紋理信息，利用SVM分類器進行分類，并對實驗結果進行對比分析與精度評價。分類流程如圖2所示。

2 實驗與結果分析

選擇北京市高分辨率TerraSAR-X影像進行實驗。此影像為HH單極化，空間分辨率為3 m×3 m，實驗區(qū)大小為527×340。由于原始SAR影像成像方式特殊，存在嚴重相干斑點噪聲，而采用精致Lee濾波能在較好地去除斑點噪聲的同時保留地物的邊緣和紋理特征。圖3a為實驗區(qū)原始影像圖，圖3b是采用精致Lee濾波進行濾波處理的結果圖。

圖2 結合紋理信息的單極化SAR影像分類流程圖

圖3 實驗區(qū)的原始影像和濾波結果

實驗區(qū)主要土地利用類型為建筑、植被、水體和道路4種。首先，分別提取基于灰度共生矩陣的8維統(tǒng)計特征和基于Gabor小波的5個尺度、8個方向的40維紋理特征；再將2組紋理特征結合，構成混合矩陣，并利用FastICA算法對其進行降維處理；通過式（1）的強度特征，結合降維后的紋理特征，采用SVM的RBF核函數(shù)進行分類，得到最終的分類結果，如圖4d所示。為了進行對比分析，利用相同的訓練樣本，對強度特征影像以及強度特征分別與基于灰度共生矩陣的統(tǒng)計特征、基于Gabor小波的紋理特征和二者線性合并的特征相結合，采用SVM進行分類，分類結果如圖4a～4d所示。同時，采用分類總體精度和Kappa系數(shù)對各種方法進行定量分析，如表1所示。

表1 各種方法分類精度對比

圖4 幾種方法的分類結果

由圖4和表1可以看出，通過紋理信息的引入，相比較單純采用影像強度特征進行分類，分類精度得到大幅提高。圖4a中分布有大量雜斑，很大程度上影響了分類效果。由于采用單一特征進行分類所能獲得的信息比較有限，因此，基于強度特征與灰度共生矩陣統(tǒng)計特征的分類結果（圖4b）和強度特征與基于Gabor小波紋理特征的分類結果精度不是很高，4種類別區(qū)域雖然得到大致劃分，圖4b中類內(nèi)仍分布一定雜斑，而圖4c中類內(nèi)雜斑問題得到改善。建筑劃分為了大片連通區(qū)域，植被與城區(qū)、植被與水體之間出現(xiàn)了部分錯分現(xiàn)象，而在圖4d中，建筑與植被之間的錯分現(xiàn)象減少了很多，但水體與植被邊緣的分類還存在錯分問題，但整體分類精度已經(jīng)得到提高，說明在強度特征的基礎上，基于兩類紋理特征線性合并的分類結果要好于僅采用一類特征的分類結果。

對比圖4d與圖4e，圖4e中類內(nèi)雜斑更少，各類別結構分明，其區(qū)域一致性更好，邊緣也相對更加準確。表1中的分類精度和Kappa系數(shù)也說明了這一點。在基于特征融合的分類方法中，通常兩類特征被簡單線性合并起來作為分類的依據(jù)，未考慮不同特征之間可能存在的冗余信息和相關性，而這種相關性勢必會影響分類性能的提高。本文提出的方法考慮了不同特征間存在的冗余信息和相關性，通過FastICA算法對合并后的紋理特征進行降維處理，去除特征間的冗余和相關性，從而使得分類精度得到提高。

4個實驗對比發(fā)現(xiàn)，由于實驗區(qū)紋理信息較為豐富，因此在單極化SAR影像強度信息基礎上，通過引入紋理信息進行輔助分類，提供了類別間的差異，補充了單純利用強度信息進行分類的不足，有助于分類效果的改善。同時，在引入紋理特征的過程中，由于基于灰度共生矩陣的統(tǒng)計特征和基于Gabor小波的紋理特征維數(shù)較高，而且不同特征之間存在大量冗余信息和相關性，這種相關性會影響影像的分類效果。利用FastICA算法對紋理特征進行降維處理，去除特征間的冗余和相關性，最后利用降維后的特征進行分類可獲得更好的分類效果。

3 結 語

對于單極化SAR影像，僅利用其強度信息的分類方法難以取得較好的分類效果。本文將單極化SAR影像的強度特征，結合通過灰度共生矩陣變換和Gabor小波變換提取的紋理結構信息，采用支持向量機分類器得到最終的分類結果。實驗結果表明，紋理信息的引入提高了單極化SAR影像的分類精度，并且FastICA算法對所提取紋理信息進行降維處理，有助于分類效果的改善。

[1] 舒寧．微波遙感原理[M]．武漢:武漢大學出版社,2000

[2] 孟云閃,余潔,劉利敏,等．LSSVM 算法在極化SAR影像分類中的應用[J]．地理空間信息,2012,10(3): 43-45

[3] Henderson F M, Xia Z G． SAR Applications in Human Settlement Detection, Population Estimation and Urban Land Use Pattern Analysis: a Status Report[J]． IEEE Transactions on Geoscience and Remote Sensing, 1997,35(1):79-85

[4] 張向榮,譚山,焦李成．基于熵空間粒度計算的SAR圖像分類[J]．計算機學報,2007,30(3):483-490

[5] Daugman J G． Complete Discrete 2-D Gabor Transforms by Neural Networks for Image Analysis and Compression[J]．IEEE Transactions on Acoustics,Speech and Signal Processing, 1988,36(7):1 169-1 179

[6] 王憲,陸友桃,宋書林,等．基于Gabor小波變換與分塊PCA的人臉識別[J]．計算機工程與應用,2012,48(3):176-178

[7] 郭立,朱俊株,陸大虎．基于Gabor小波變換的無監(jiān)督紋理圖像分割[J]．微機發(fā)展,2000(5):51-54

[8] Weldon T P, Higgins W E． Design of Multiple Gabor Filters for Texture Segmentation[C]．ICASSP-96,1996

[9] 向世明, 劉國翌, 陳睿,等． Gabor 濾波器和 ICA 支持的無監(jiān)督紋理分割[J]．計算機輔助設計與圖形學學報, 2004,16(3):284-289

[10] Hyvarinen A．Fast and Robust Fixed-point Algorithms for Independent Component Analysis[J]．IEEE Trans on Neural Networks,1999,10(3):626-633

[11] Vapnik V N． 統(tǒng)計學習理論的本質[M]．北京:清華大學出版社,2000

[12] 吳永輝,計科峰,郁文賢．利用SVM的全極化、雙極化和單極化SAR圖像分類性能的比較[J]．遙感學報,2008,12(1):46-52

P237.4

B

1672-4623（2016）02-0041-03

10.3969/j.issn.1672-4623.2016.02.015

安智暉，碩士，主要研究方向為極化SAR影像處理。

2015-03-16。

項目來源：國家高技術研究發(fā)展計劃資助項目（2011AA120404）；國家自然科學基金資助項目（41130744/D0107、41171335/D010702）。