紋理輔助的SAR圖像SVM分類(lèi)

白云海，武文波

(遼寧工程技術(shù)大學(xué) 測(cè)繪與地理科學(xué)學(xué)院，遼寧 阜新 123000)

紋理輔助的SAR圖像SVM分類(lèi)

白云海*，武文波

(遼寧工程技術(shù)大學(xué) 測(cè)繪與地理科學(xué)學(xué)院，遼寧 阜新 123000)

針對(duì)SAR圖像的問(wèn)題設(shè)計(jì)了一種基于灰度共生矩陣的紋理特征提取輔助SAR數(shù)據(jù)進(jìn)行SVM分類(lèi)的方法。首先，采用Enhanced Frost濾波法進(jìn)行噪聲抑制處理，通過(guò)基于灰度共生矩陣的典型紋理特征的分析和比較，獨(dú)立主成分分析法去除各紋理特征之間的相關(guān)性，選擇信息量最大的一個(gè)主成分與經(jīng)過(guò)HSV彩色合成后轉(zhuǎn)換為新的RGB圖像；然后對(duì)變換后的RGB圖像和新RGB圖像分別執(zhí)行SVM分類(lèi)與最大似然分類(lèi)，并進(jìn)行精度比較。利用SAR數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，證明了本方法的有效性。

SAR圖像；紋理特征；SVM；灰度共生矩陣；最大似然分類(lèi)

1 引 言

SAR圖像分類(lèi)是遙感圖像處理中重要的組成部分，也是SAR圖像解譯的重要內(nèi)容，在植被生長(zhǎng)狀況評(píng)估、土地規(guī)劃等各方面的應(yīng)用很廣。極化SAR包含了豐富的目標(biāo)信息，為信息的提取提供了很多便利，因此極化SAR在分類(lèi)的過(guò)程中有著明顯的優(yōu)勢(shì)。紋理分析是圖像分析的一個(gè)重要手段，它具有對(duì)圖像區(qū)域表面感知、描述的獨(dú)特的作用，對(duì)圖像的理解有著重要意義[1]。因此紋理分析對(duì)SAR圖像分類(lèi)的積極意義不言而喻，基于紋理的分析和應(yīng)用研究已經(jīng)進(jìn)行了50余年[2]。各國(guó)研究者對(duì)紋理特征提取方法進(jìn)行了廣泛的研究，如著名的灰度共生矩陣(GLCM)、灰度行程長(zhǎng)度法(gray level run length)、自相關(guān)函數(shù)法，同時(shí)隨著應(yīng)用領(lǐng)域的不斷擴(kuò)大得到新理論，如分形理論、馬爾可夫隨機(jī)場(chǎng)理論(MRF)[4]、小波理論[3]等?；叶裙采仃囉兄诩y理分析，轉(zhuǎn)化自灰度值的紋理信息的應(yīng)用很廣泛。灰度差分統(tǒng)計(jì)法、自回歸模型法等在紋理分析中得到了一定的效果，但在后續(xù)的研究和實(shí)際應(yīng)用中對(duì)這些方法的研究很少。為了提高對(duì)SAR圖像中的有用信息的提取程度，本文提出了一種基于灰度共生矩陣的紋理特征提取并以紋理輔助SAR圖像采用SVM分類(lèi)方法進(jìn)行分類(lèi)。并用SAR數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，與最大似然分類(lèi)方法的結(jié)果進(jìn)行了定性對(duì)比，證明了本文方法的有效性。

2 本文SAR數(shù)據(jù)分類(lèi)原理

主要步驟：首先對(duì)讀取的SAR圖像采用增強(qiáng)的Frost濾波進(jìn)行預(yù)處理以消除對(duì)其影響較大的斑塊噪聲[5]，并進(jìn)行基于灰度共生矩陣的紋理特征提取，對(duì)提取的紋理特征相關(guān)分析之后采用獨(dú)立主成分分析的方法對(duì)其去相關(guān)。然后將一個(gè)主成分與灰度圖轉(zhuǎn)換后的彩色圖像的兩個(gè)通道進(jìn)行組合，合成新的RGB圖像。最后對(duì)實(shí)驗(yàn)數(shù)據(jù)采取SVM分類(lèi)，并與最大似然分類(lèi)后的結(jié)果比較，得出最終的實(shí)驗(yàn)結(jié)果，流程圖如圖1所示。

圖1 本文方法流程

2.1 基于灰度共生矩陣的紋理特征提取

灰度共生矩陣是定義一組紋理特征的基礎(chǔ)[6]。它反映圖像灰度關(guān)于方向、相鄰間隔 、變化幅度等綜合信息，是分析圖像局部特征和排列規(guī)律的基礎(chǔ)，通過(guò)對(duì)圖像灰度級(jí)之間二階聯(lián)合條件概率密度pij(d，θ)的計(jì)算表示紋理表示在給定空間距離d和方向θ時(shí)，以灰度級(jí)i為始點(diǎn)，出現(xiàn)灰度級(jí)j的概率(Gij)G為所考查圖像區(qū)域內(nèi)灰度級(jí)的最大值。它通常以矩陣形式表示，稱(chēng)為灰度共生矩陣?；叶裙采仃囀且籊×G的方陣。

(1)

(2)

計(jì)算灰度共生矩陣時(shí)，方向θ的取值共有4種情況，即0°，45°，90°，135°，分 別 代 表東—西、東北—西南、南—北、東南—西北4個(gè)方向的共生矩陣，為了獲得圖像在各個(gè)方向的紋理特征，本文取這4個(gè)方向灰度共生矩陣的平均值作為局部圖像中心像元位置的灰度共生矩陣。

本實(shí)驗(yàn)采用的基于灰度共生矩陣的紋理特征提取統(tǒng)計(jì)量為：熵(ENT)、角二階矩(ASM)、逆差矩(IDM)、相關(guān)度(COR)、中值(μ)、協(xié)方差(VAR)、反差(INV)、差異性(DIS)。

2.2 紋理特征的獨(dú)立主成分分析

獨(dú)立主成份分析(Independent Components Analysis)主要是通過(guò)對(duì)協(xié)方差矩陣進(jìn)行特征分解，以得出數(shù)據(jù)的主成分(即特征向量)與它們的權(quán)值(即特征值)[7]，通過(guò)去相關(guān)，可以用來(lái)發(fā)現(xiàn)和分離圖像中隱藏的噪聲、降維、異常檢測(cè)、降噪、分類(lèi)和波譜端元提取以及數(shù)據(jù)融合，它把一組混合信號(hào)轉(zhuǎn)化成相互獨(dú)立的成分。這樣一方面能最大限度反映原變量所代表的信息，另一方面又保證了新變量之間的獨(dú)立性，不至于造成信息的冗余。其基本思想是設(shè)法將原來(lái)眾多的具有一定相關(guān)性的指標(biāo)Xi(i=1，2，…，p)，將這些指標(biāo)組合成一組互不相關(guān)的綜合指標(biāo)Fi(i=1，2，…，m)。

假設(shè)F1為第一個(gè)主成分指標(biāo)，即

F1=a11X1+a21X2+…+ap1Xp

(3)

對(duì)于每一個(gè)主成分來(lái)說(shuō)其方差越大，表示F1包含的信息越多。通常F1所含的信息量最大，故稱(chēng)F1獨(dú)立為第一主成分。依此類(lèi)推構(gòu)造出的F1、F2、…、Fm為m個(gè)主成分。本文只選用第一個(gè)主成分。

2.3 合成新的RGB圖像

對(duì)原圖像進(jìn)過(guò)濾波處理后消除了斑塊噪聲對(duì)后續(xù)處理工作帶來(lái)的影響，由于在分類(lèi)前要選取樣本，所以選取樣本的圖像應(yīng)能通過(guò)目視清晰地區(qū)別各類(lèi)地物，以保證能夠獲得良好的樣本，這樣有助于提高分類(lèi)的精度。由于經(jīng)獨(dú)立主成分分析后所得的第一主成分中含有豐富的信息，因此在選取樣本之前，引用HSV[9]圖像彩色合成方法將原圖像轉(zhuǎn)換到HSV空間，再將圖像轉(zhuǎn)換為RGB圖像，提取出圖像的R和B通道并且與經(jīng)過(guò)獨(dú)立主成分分析之后得到的一個(gè)特征值最大的主成分重新合成RGB圖像，合成的結(jié)果中地物能很好地分辨，紋理清晰度也有所改善。

2.4 SVM算法

(4)

(5)

(6)

3 基于紋理的單極化SAR數(shù)據(jù)分類(lèi)實(shí)驗(yàn)

3.1 SAR數(shù)據(jù)介紹

本設(shè)計(jì)實(shí)驗(yàn)數(shù)據(jù)為雷達(dá)影像數(shù)據(jù)(SAR)如圖2所示，通過(guò)SAR圖像的紋理可以做初步的分析判別。黑斑為水體，長(zhǎng)方形斑為建筑，線(xiàn)狀斑為道路其他地方為植被。此影像為單極化(HH)影像，成像時(shí)間為2013-03-18，距離分辨率為 1.33 m，方向分辨率為 2.08 m，面積 400 m2，地勢(shì)描述：平原及山地。

圖2 SAR圖像

3.2 實(shí)驗(yàn)過(guò)程及結(jié)果

(1)SAR數(shù)據(jù)預(yù)處理

SAR數(shù)據(jù)由于相干波造成斑點(diǎn)噪聲，所以在做分類(lèi)實(shí)驗(yàn)之前需要進(jìn)行預(yù)處理。本文對(duì)圖像采用增強(qiáng)的Frost濾波法進(jìn)行斑點(diǎn)噪聲抑制處理。

(2)SAR數(shù)據(jù)的紋理特征提取

采用基于灰度共生矩陣提取的紋理特征來(lái)輔助SAR圖像分類(lèi)，紋理之間有一定的相關(guān)性，分類(lèi)的復(fù)雜程度也隨著紋理特征的數(shù)目的增大而增加。因此，紋理特征選取非常重要。逐個(gè)計(jì)算8種紋理特征，采用分析典型地物紋理特征統(tǒng)計(jì)量的方法來(lái)選擇參與分類(lèi)的具體紋理特征。

(3)SAR數(shù)據(jù)的相關(guān)分析

SAR數(shù)據(jù)提取之后的紋理特征存在一定的相關(guān)性，通過(guò)相關(guān)分析來(lái)分析它們之間的相關(guān)性，相關(guān)系數(shù)的絕對(duì)值越趨近于1相關(guān)性越密切。相關(guān)系數(shù)表如下：

8種紋理的相關(guān)性表 表1

由以上相關(guān)性信息表，可以得出相關(guān)系數(shù)最大的兩組為差異性和反差，協(xié)方差和反差(相關(guān)系數(shù)的絕對(duì)值越接近1相關(guān)性越大)，未經(jīng)紋理分析的RGB圖像如圖3所示。經(jīng)獨(dú)立主成分分析后，得到一個(gè)特征值最大的主成分。對(duì)圖像重新合成，得到一幅新的RGB圖像如圖4所示。

圖3 HSV轉(zhuǎn)換后的RGB圖像(未紋理分析)

圖4 新RGB圖像(經(jīng)紋理分析)

(4)SAR數(shù)據(jù)分類(lèi)及精度評(píng)價(jià)

采用支持向量機(jī)(SVM)分類(lèi)法對(duì)新RGB圖像進(jìn)行分類(lèi)。結(jié)果與最大似然分類(lèi)結(jié)果對(duì)比，同時(shí)也將經(jīng)HSV彩色合成轉(zhuǎn)換后沒(méi)有進(jìn)行重新組合的RGB圖像也用來(lái)進(jìn)行SVM和最大似然分類(lèi)，分類(lèi)結(jié)果如圖5所示。紅色：建筑，綠色：植被，黃色：道路，藍(lán)色：水域。

圖5 SAR數(shù)據(jù)分類(lèi)圖像 紋理分析的SAR圖像SVM分類(lèi)混淆矩陣及精度 表2

未紋理分析的SAR圖像SVM分類(lèi)混淆矩陣及精度 表3

未紋理分析的SAR圖像最大似然分類(lèi)混淆矩陣及精度 表4

經(jīng)紋理分析的SAR圖像最大似然分類(lèi)混淆矩陣及精度 表5

從分類(lèi)結(jié)果中可以看出，SVM分類(lèi)總體的精度的高于最大似然分類(lèi)的分類(lèi)精度，經(jīng)紋理分析后的分類(lèi)精度明顯高于為紋理分析的分類(lèi)精度。圖5(a)與(c)中看出，(c)圖中的水域有明顯的漏分現(xiàn)象，而且道路也有很大程度的錯(cuò)分，(a)圖中這樣的情況明顯得到了改善。同樣比較(b)與(a)看出對(duì)經(jīng)紋理分析，主成分提取，波段重后的圖像的分類(lèi)結(jié)果中道路的錯(cuò)分現(xiàn)象明顯減少。但總的來(lái)看，在分類(lèi)邊緣的錯(cuò)分，漏分現(xiàn)象還是比較嚴(yán)重，由于濾波在消除斑點(diǎn)噪聲保持邊緣的同時(shí)不可避免的導(dǎo)致了邊緣的平滑，使得分類(lèi)結(jié)果在邊緣處有大的誤差，同時(shí)分類(lèi)樣本的選擇也影響著分類(lèi)結(jié)果的精度，尤其對(duì)線(xiàn)狀目標(biāo)來(lái)說(shuō)，這種影響非常大。在從整體對(duì)比之后，對(duì)于局部區(qū)域的對(duì)比結(jié)果可以從以上4幅圖標(biāo)示的紅色方框中看出，重新顏色合成后的圖像再進(jìn)行SVM處理，對(duì)處理結(jié)果有很好的促進(jìn)作用，如圖5(a)所示，未經(jīng)紋理分析的SVM次之。最大似然分類(lèi)結(jié)果錯(cuò)分程度最大。

4 結(jié) 論

針對(duì)單極化SAR圖像分類(lèi)問(wèn)題進(jìn)行對(duì)SAR圖像紋理特征提取并將獨(dú)立主成分分析得到的第一主成分與彩色合成后的濾波圖像的R、B通道進(jìn)行了組合，對(duì)組合后的圖像與彩色合成的濾波圖像分別采用SVM分類(lèi)和最大似然分類(lèi)，并分別進(jìn)行了整體的局部的對(duì)比。結(jié)果表明，對(duì)組合后的圖像的分類(lèi)精度高，效果比較好。但在邊緣及現(xiàn)狀地物的分類(lèi)誤差還是比較大，針對(duì)以上的不足，應(yīng)對(duì)SAR圖像去噪同時(shí)邊緣保持做更進(jìn)一步的研究，以得到更好的邊緣信息，并結(jié)合在預(yù)處理中對(duì)不同波段的組合從目視角度得到更清晰的圖像以便于后續(xù)工作，及分類(lèi)時(shí)對(duì)線(xiàn)狀目標(biāo)的樣本選擇來(lái)得到更高精度的分類(lèi)效果。

[1] 張宗海. 高分遙感影像紋理特征分析方法淺析[J]. 中國(guó)科技縱橫，2015(21)：15～15.

[2] 劉曉民. 紋理研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2008，25(8)：2284～2288.

[3] 廖寧，徐麗莎，錢(qián)曉山. 基于多尺度小波的紋理分析[J]. 系統(tǒng)仿真學(xué)報(bào)，2015，27(9)：1951～1959.

[4] 趙銀娣，張良培，李平湘. 廣義馬爾可夫隨機(jī)場(chǎng)及其在多光譜紋理影像分類(lèi)中的應(yīng)用[J]. 遙感學(xué)報(bào)，2006，10(1)：123～129.

[5] 孫丹，馬久云. 一種新穎的去除SAR圖像斑點(diǎn)噪聲的各向異性擴(kuò)散模型[J]. 阿壩師范高等專(zhuān)科學(xué)校學(xué)報(bào)，2014(2)：126～128.

[6] 孫健，胥亞，陳方璽等. 基于合成孔徑雷達(dá)回波信號(hào)的海洋溢油監(jiān)測(cè)方法研究[J]. 海洋學(xué)報(bào)，2014，36(09)：103～111.

[7] 王云艷，何楚，涂峰等. 特征選擇雙層SVM的融合算法用于極化SAR圖像分類(lèi)[J]. 武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2015，40(9)：1157～1162.

[8] 隋艷立. 基于深度支持向量機(jī)的極化SAR圖像分類(lèi)[D]. 西安：西安電子科技大學(xué)，2014.

[9] Daily M. Hue-saturation-intensity split-spectrum processing of Seasat radar imagery[J]. Photogrammetric Engineering and Remote Sensing，1983，49(3)：349～355.

SVM Classification of SAR Images with the Assistance by Textures

Bai Yunhai，Wu Wenbo

(School of Geomatics Liaoning Technical University，F(xiàn)uxin 123000，China)

A designed method，called Support Vector Machine，is assisted by texture features extraction based on gray level co-occurrence matrix to classify the SAR image. The noise suppression is conducted by Enhanced Frost filtering method. Eliminate the correlation among them each other，through the analysis and comparison of the typical texture feature based on gray level co-occurrence matrix，leveraging the Independent Components Analysis. Select the principal components with the maximum information and 2 bands of SAR image transformed into coloured image by HSV transformation to compound into a new RGB image；then implement the SVM classification and the maximum likelihood classification separately in terms of the transformed color image and the new RGB image. With SAR images classified，the proposed method in the paper proved to be effective.

SAR image；texture feature；SVM；gray level co-occurrence matrix；maximum likelihood classification

1672-8262(2016)06-60-05

TP751.1

A

2016—05—19

白云海(1991—)，男，碩士研究生，主要研究方向：遙感圖像處理。