基于特征值和Singh分解的全極化Radarsat-2圖像分類(lèi)

曲永超，趙書(shū)河,3，莊喜陽(yáng)，姜騰龍，張 宇

（1.南京大學(xué) 地理與海洋科學(xué)學(xué)院，江蘇 南京 210023；2.江蘇省地理信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 南京210023；3.江蘇省地理信息資源開(kāi)發(fā)與利用協(xié)同創(chuàng)新中心，江蘇 南京 210023；4.濟(jì)南市環(huán)境監(jiān)測(cè)中心站，山東 濟(jì)南 250014；5.78125部隊(duì)，四川 成都 610066）

基于特征值和Singh分解的全極化Radarsat-2圖像分類(lèi)

曲永超1,2，趙書(shū)河1,2,3，莊喜陽(yáng)1,2，姜騰龍4，張 宇5

（1.南京大學(xué) 地理與海洋科學(xué)學(xué)院，江蘇 南京 210023；2.江蘇省地理信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 南京210023；3.江蘇省地理信息資源開(kāi)發(fā)與利用協(xié)同創(chuàng)新中心，江蘇 南京 210023；4.濟(jì)南市環(huán)境監(jiān)測(cè)中心站，山東 濟(jì)南 250014；5.78125部隊(duì)，四川 成都 610066）

基于模型的分解發(fā)展較快，但存在負(fù)功率、體散射過(guò)估計(jì)、未充分利用相干矩陣等問(wèn)題，考慮到基于模型分解的優(yōu)點(diǎn)，采用Singh分解提取極化信息，同時(shí)用散射角、極化熵和極化總功率進(jìn)行補(bǔ)充，再利用SVM對(duì)山東禹城地區(qū)全極化Radarsat-2數(shù)據(jù)進(jìn)行分類(lèi)。為驗(yàn)證該方法的有效性，將其與H/α/A-Wishart和Yamaguchi-SVM兩種分類(lèi)方法進(jìn)行比較。結(jié)果表明，該方法分類(lèi)效果較好，總體精度分別提高了6.4%和3.48%。

全極化SAR圖像分類(lèi)；Singh分解；Cloude分解；極化總功率；SVM

非相干極化分解是全極化SAR圖像分類(lèi)的重要方法之一，近年來(lái)得到廣泛應(yīng)用[1-6]。非相干極化分解主要有基于特征值分解和基于模型分解兩大類(lèi)[7-13]?；谀Ｐ偷姆纸獾玫綆追N確定的散射機(jī)制，但是這是一種理想化的處理，實(shí)際情況常常包含未知的散射機(jī)制。近年來(lái)，基于模型的分解有較多進(jìn)展。2010年An[14]等提出一種采用去方位處理的分解，降低了負(fù)功率出現(xiàn)的概率，但是僅利用了相干矩陣中的6個(gè)元素；2012年Arii[15]等用極化方位補(bǔ)償改進(jìn)了自適應(yīng)的體散射模型，能夠應(yīng)對(duì)植被和地形的影響，但是分解的結(jié)果不符合部分觀測(cè)值；

2014年Chen[16]等利用了相干矩陣中的全部元素，但是為了實(shí)現(xiàn)自適應(yīng)，計(jì)算復(fù)雜度非常高。本文采用Singh分解[17]，該方法不依賴(lài)反射對(duì)稱(chēng)假設(shè)，并且計(jì)算了相干矩陣中的全部參數(shù)，充分利用了極化信息[18]。

1 研究區(qū)與數(shù)據(jù)

研究區(qū)位于山東省西北部，覆蓋禹城市大部，齊河縣部分面積，平均海拔28 m。該市地形自西南向東北緩緩傾斜，屬典型的沖積平原地質(zhì)區(qū)。禹城地區(qū)屬于暖溫帶半濕潤(rùn)季風(fēng)氣候區(qū)，光熱資源豐富，雨熱同期，利于農(nóng)業(yè)生產(chǎn)，多年平均溫度13.1℃，年降水量582 mm。其自然條件和農(nóng)業(yè)生產(chǎn)模式在黃淮海平原具有一定代表性，主要土地覆蓋類(lèi)型為耕地、林地、水體和居民地等。轄區(qū)內(nèi)種植的主要作物為冬小麥和玉米（兩季輪作），冬小麥種植比例高達(dá) 90%。正常情況下，冬小麥播種期是 10 月上旬，收獲期為次年 6 月中上旬。研究數(shù)據(jù)獲取時(shí)間在6月中旬，正值冬小麥?zhǔn)崭钔戤叀Ｒ虼?，耕地上主要是冬小麥的殘茬。作物茬作為農(nóng)田生態(tài)系統(tǒng)的重要組成部分，影響著農(nóng)田生態(tài)系統(tǒng)中的營(yíng)養(yǎng)物質(zhì)、碳、水和能量的流動(dòng)與循環(huán)[19-20]。

本文實(shí)驗(yàn)采用全極化Radarsat-2數(shù)據(jù)。Radarsat-2是一顆搭載C波段傳感器的高分辨率商用雷達(dá)衛(wèi)星，由加拿大太空署與MDA公司合作，于2007-12-14在哈薩克斯坦拜科努爾基地發(fā)射升空。極化方式為HH、VV、HV、VH四種，波段為C波段，分辨率為8 m，獲取時(shí)間為2014-06-17。圖1為研究區(qū)Pauli RGB合成圖。

采用30 m分辨率DEM進(jìn)行地理編碼處理，DEM數(shù)據(jù)是由ASTER GDEM第一版本的數(shù)據(jù)進(jìn)行加工得來(lái)，數(shù)據(jù)時(shí)間為2009年，數(shù)據(jù)類(lèi)型為IMG，投影為UTM/WGS84。

圖1 Pauli RGB合成圖

2 研究方法

首先對(duì)Radarsat-2數(shù)據(jù)進(jìn)行預(yù)處理，包括多視處理、圖像濾波和地理編碼3個(gè)步驟；然后對(duì)數(shù)據(jù)進(jìn)行Singh分解，得到表面散射、二面角散射、體散射、螺旋體散射4種散射機(jī)制；隨后進(jìn)行Cloude分解以及矩陣元素計(jì)算，得到散射角、極化熵和極化總功率；最后利用SVM進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。研究方法流程如圖2所示。

圖2 研究方法流程

2.1 數(shù)據(jù)預(yù)處理

首先對(duì)Radarsat-2數(shù)據(jù)進(jìn)行多視處理，比例為5：2，使得該數(shù)據(jù)更適于分析分布式目標(biāo)。然后對(duì)圖像進(jìn)行濾波，本文采用Lee Refined濾波器，嘗試3×3、5×5、7×7的窗口，通過(guò)對(duì)比其結(jié)果發(fā)現(xiàn)3×3窗口能夠除去部分噪聲，并能夠保持較為清晰的地物邊界。最后，對(duì)圖像進(jìn)行地理編碼，采用30 m分辨率DEM賦予圖像投影和坐標(biāo)系統(tǒng)，處理后的圖像分辨率為15 m。

2.2 Singh分解

相干矩陣T可以表示為：

式中，?表示共軛轉(zhuǎn)置； 〈.〉表示統(tǒng)計(jì)平均；kp為Pauli矢量，其表達(dá)式為：

酉變換之后極化信息得以完整保存，為了減少參數(shù)并保存完整極化信息，需要對(duì)T進(jìn)行兩次酉變換：

此時(shí)，T23被消除。

第1次酉變換：

酉旋轉(zhuǎn)矩陣：

第2次酉變換：

酉旋轉(zhuǎn)矩陣：

然后對(duì)式（6）進(jìn)行四分量分解得到表面散射P、s偶次散射Pd、體散射Pv和螺旋體散射Pc。

式中，fs、fd、fv、fc為相關(guān)系數(shù)。

由此得到，

若體散射由定向二面角散射引起，則體散射模型為：

由此得到，

最終得到，

2.3 Cloude分解和極化總功率

首先，通過(guò)Cloude分解得到散射角α、極化熵H。α用于確定目標(biāo)的散射機(jī)制；H用于表征目標(biāo)散射機(jī)制的復(fù)雜度，H越大，則目標(biāo)散射機(jī)制越復(fù)雜，反之亦然。然后通過(guò)矩陣元素計(jì)算得到極化總功率SPAN。

2.4 分類(lèi)

選取α、H、Singh分解的4個(gè)分量以及SPAN作為分類(lèi)特征；選取SVM作為分類(lèi)器，核類(lèi)型（kernel type）為徑向基函數(shù)，Gamma值為0.143，懲罰系數(shù)為100；訓(xùn)練樣本是依據(jù)Pauli RGB合成圖和Google Earth圖像選取的。

3 對(duì)比實(shí)驗(yàn)

分類(lèi)結(jié)果如圖3a、b所示。根據(jù)研究區(qū)土地覆蓋的主要類(lèi)型，分成耕地、林地、居民地、水體4類(lèi)。研究區(qū)中，耕地和居民地占很大比例且分布很廣，林地和水體所占比例較小。因?yàn)閳D像獲取的時(shí)間正值冬小麥?zhǔn)崭钔戤?，農(nóng)田里主要是作物茬，其有一定高度，但只有莖稈沒(méi)有枝葉，與低矮灌叢接近，又與裸地類(lèi)似，所以耕地既有表面散射，也有體散射；林地的主要散射機(jī)制是體散射；居民地既有表面散射也有二面角散射，表面散射主要發(fā)生在建筑物頂部，二面角散射主要發(fā)生在建筑物立面與地面鄰接之處；水體的主要散射機(jī)制是表面散射。

選擇了H/α/A-Wishart、Yamaguchi-SVM兩種常規(guī)方法進(jìn)行對(duì)比，圖3a和b、c相比，林地較少，比較符合研究區(qū)的實(shí)際情況；圖3d和e、f相比，右側(cè)邊緣沒(méi)有水體，而這兩種方法都把其他地類(lèi)錯(cuò)分成水體，其中H/α/A-Wishart錯(cuò)分現(xiàn)象更為嚴(yán)重。從混淆矩陣來(lái)看（如表1所示），本文方法耕地錯(cuò)分成林地、居民地錯(cuò)分成林地的比例分別是6.23%和9.14%；而H/ α/A-Wishart耕地錯(cuò)分成林地、居民地錯(cuò)分成林地的比例分別是12.52%和15.04%；Yamaguchi-SVM耕地錯(cuò)分成林地、居民地錯(cuò)分成林地的比例分別是7.01%和14.30%。本文方法林地錯(cuò)分成水體的比例是0.43%；H/α/A-Wishart耕地錯(cuò)分成水體和居民地錯(cuò)分成水體的比例分別是3.61%和1.55%；Yamaguchi-SVM耕地錯(cuò)分成水體的比例是2.21%。其他地類(lèi)的錯(cuò)分情況，3 種方法沒(méi)有顯著區(qū)別。

圖3 分類(lèi)結(jié)果對(duì)比

H/α/A-Wishart是一種非監(jiān)督分類(lèi)方法，它將圖像聚成16類(lèi)，再對(duì)圖像進(jìn)行復(fù)Wishart迭代分類(lèi)[21-22]。其分類(lèi)結(jié)果很大程度上取決于初始聚類(lèi)的準(zhǔn)確性。與本文方法相比，該方法將耕地錯(cuò)分成林地、居民地錯(cuò)分成林地、耕地錯(cuò)分成水體、居民地錯(cuò)分成水體的比例分別高出6.29%、5.90%、3.61%和1.55%。其原因是，散射角和極化熵不直接與散射機(jī)制對(duì)應(yīng)，造成對(duì)體散射和二面角散射的區(qū)分存在界限不清的問(wèn)題。換言之，Cloude分解用散射角和極化熵表征各種散射機(jī)制，散射角表征散射機(jī)制的種類(lèi)，通常認(rèn)為一定范圍的散射角屬于表面散射、二面角散射或體散射。但是對(duì)于范圍的界定具有一定的經(jīng)驗(yàn)性和主觀性。

表1 混淆矩陣和總體精度/%

Yamaguchi-SVM分類(lèi)結(jié)果中，居民地錯(cuò)分成林地的比例比本文方法增加5.16%。因?yàn)閅amaguchi分解中的體散射模型假設(shè)體散射來(lái)自植被，實(shí)際上體散射也可以由定向二面角散射引起。而Singh分解有一定的自適應(yīng)能力，所以這種錯(cuò)分相對(duì)較少。

4 結(jié) 語(yǔ)

本文針對(duì)兩類(lèi)非相干分解各自特點(diǎn)和近年來(lái)基于模型的分解研究進(jìn)展，采用一種Singh-Cloude-SPAN-SVM分類(lèi)方法。該方法在小樣本的情況下，利用Singh分解獲得表面散射、二面角散射、體散射和螺旋體散射，解決了目標(biāo)散射機(jī)制的基本判定，同時(shí)加入Cloude分解得到的散射角和極化熵對(duì)未知散射機(jī)制進(jìn)行描述，另外加入總功率對(duì)空間信息進(jìn)行描述，最后利用SVM進(jìn)行分類(lèi)。結(jié)果表明該方法與H/α/A-Wishart、Yamaguchi-SVM分類(lèi)方法相比，錯(cuò)分現(xiàn)象減少，總體精度分別提高了6.4%和3.48%，證明了該方法對(duì)于山東禹城地區(qū)全極化Radarsat-2數(shù)據(jù)有良好的分類(lèi)效果。

[1] Lee J S,Pottier E.Polarimetric Radar Imaging from Basic to Application [M].NewYork∶CRC Press,2011

[2] Da Silva A D Q,Paradella W R,Freitas C C,et al.Evaluation of Digital Classification of Polarimetric SAR Data for Ironmineralized Laterites Mapping in the Amazon Region[J].Remote Sensing,2013,5(6)∶3 101-3 122

[3] Ullmann T,Lumsdon P,Poncet F V,et al.Application of Quadpolarimetric TerraSAR-X Data for Landcover Characterization in Tropical Regions∶a Case Study in South Kalimantan,Indonesia[C].Geoscience and Remote Sensing Symposium,2012

[4] 孫盛,田金文,溫雯,等.基于四分量模型的極化SAR圖像非監(jiān)督分類(lèi)[J].計(jì)算機(jī)工程與設(shè)計(jì),2013,34(7)∶2 436-2 440

[5] Shastri B P,Mehta R L,Mohan S,et al.Assessment of SAR Polarimetric Decompositions for Land Cover Studies[J].Journal of Geomatics,2015,9(1)∶48

[6] XUE X,DI L,GUO L,et al.An Efficient Classification Method of Fully Polarimetric SAR Image Based on Polarimetric Features and Spatial Features[C].4th International Conference on Agro-Geoinformatics,Turkey,2015

[7] Lee J S,Ainsworth T L,WANG Y.Generalized Polarimetric Modelbased Decompositions Using Incoherent Scattering Models[J]. Geoscience and Remote Sensing,2014,52(5)∶2 474-2 491

[8] VanZyl J J,Kim Y.Synthetic Aperture Radar Polarimetry[M]. John Wiley & Sons,2011

[9] Cloude S R.An Entropy Based Classification Scheme for Polarimetric SAR Data[C].Geoscience and Remote Sensing Symposium,Quantitative Remote Sensing for Science and Applications' ,1995

[10] Cloude S R,Pottier E.An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR[J].Geoscience and Remote Sensing ,1997,35(1)∶68-78

[11] Freeman A,Durden S L.A Three-component Scattering Model for Polarimetric SAR Data[J].Geoscience and Remote Sensing,1998,36(3)∶963-973

[12] Yamaguchi Y,Moriyama T,Ishido M,et al.Four-component Scattering Model for Polarimetric SAR Image Decomposition[J]. Geoscience and Remote Sensing,2005,43(8)∶1 699-1 706

[13] Yamaguchi Y,Yajima Y,Yamada H.A Four-component Decomposition of PolSAR Images Based on the Coherency Matrix[J].Geoscience and Remote Sensing, 2006,3(3)∶292-296

[14] AN W,CUI Y,YANG J.Three-component Model-based Decomposition for Polarimetric SAR Data[J].Geoscience and Remote Sensing,2010,48(6)∶2 732-2 739

[15] Arii M,VanZyl J J,Kim Y.Improvement of Adaptivemodel Based Decomposition with Polarization Orientation Compensation[C].Geoscience and Remote Sensing Symposium,2012

[16] CHEN S W,WANG X S,XIAO S P,et al.General Polarimetric Model-based Decomposition for Coherency Matrix[J]. Geoscience and Remote Sensing,2014,52(3)∶1 843-1 855

[17] Singh G,Yamaguchi Y,Park S E.General Four-component Scattering Power Decomposition with Unitary Transformation of Coherency Matrix[J].Geoscience and Remote Sensing,2013, 51(5)∶3 014-3 022

[18] FANG C,WEN H,WU Y R.An Improved Cloude-Pottier Decomposition Using H/α/Span and Complex Wishart Classifier for Polarimetric SAR Classification[C].International Conference on Radar,2006

[19] Singh L,Singh J.Assessment of Crop Residue Potential for Power Generation Using Geographical Information System[J].Journal of Scientific & Industrial Research,2015,74∶34-37

[20] Medina J,Monreal C,Barea J M,et al.Crop Residue Stabilization and Application to Agricultural and Degraded Soils∶a Review[J]. Waste Management,2015(42)∶41-54

[21] Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised Classification Using Polarimetric Decomposition and the Complex Wishart Classifier[J].Geoscience and Remote Sensing,1999,37(5)∶2 249-2 258

[22] Pottier E.Unsupervised Classification Scheme and Topography Derivation of PolSAR Data Based on the H/α/A Polarimetric Decomposition Theorem[C]. 4th International Workshop Radar Polarimetry Proceedings,Nantes,1998

P237

B

1672-4623（2016）05-0060-04

10.3969/j.issn.1672-4623.2016.05.019

曲永超，碩士，主要從事全極化SAR圖像處理和遙感圖像分類(lèi)方面的研究。

2016-01-06。

項(xiàng)目來(lái)源：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃資助項(xiàng)目（2010CB951503）；中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專(zhuān)項(xiàng)資助項(xiàng)目（XDA05050106）。