基于聯(lián)合特征和SVM的極化SAR圖像分類方法

馬騳骉，盧春燕

(中國人民解放軍65021部隊，遼寧 沈陽 110867)

基于聯(lián)合特征和SVM的極化SAR圖像分類方法

馬騳骉，盧春燕

(中國人民解放軍65021部隊，遼寧 沈陽 110867)

極化SAR地物分類作為極化SAR數(shù)據(jù)解譯的關(guān)鍵環(huán)節(jié)，已成為遙感領(lǐng)域研究的一個新熱點。在充分研究現(xiàn)有方法的基礎(chǔ)上，給出了一種聯(lián)合特征和SVM相結(jié)合的極化SAR圖像分類方法。該方法基于目標(biāo)分解理論提取極化SAR圖像的多類散射特征，并結(jié)合具有上下文知識的紋理特征，構(gòu)建聯(lián)合特征矢量；利用提取樣本區(qū)域像素的聯(lián)合特征矢量訓(xùn)練SVM分類器；將未知數(shù)據(jù)輸入訓(xùn)練好的分類器完成最終的分類。實測SAR圖像數(shù)據(jù)的實驗結(jié)果表明，算法能夠充分利用極化SAR圖像電磁散射特性及紋理特征的互補性，具有較好的分類性能。

航天遙感；極化SAR；目標(biāo)分解理論；支持矢量機

0 引言

極化合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)數(shù)據(jù)相比于SAR數(shù)據(jù)而言具有更加詳盡的分類特征和極化信息，已成為遙感領(lǐng)域研究的一個新熱點。極化SAR地物分類[1]作為極化SAR數(shù)據(jù)解譯的關(guān)鍵環(huán)節(jié)，近年來得到了越來越多的關(guān)注，許多極化SAR圖像的分類方法[2]應(yīng)運而生。這些方法大致可以分為兩大類：① 基于極化信息進行的分類。這一類方法中包括直接利用極化SAR數(shù)據(jù)本身散射體散射信息的后向散射矩陣S(Stoke矩陣)，還有相干矩陣T及協(xié)方差矩陣C等進行分類的方法[3]；還包括基于目標(biāo)分解得到的信息進行分類的方法。如，Lee[4]等人提出了一種結(jié)合Cloud分解和Wishart分類器的分類方法；Cloud[5]等人提出了一種基于熵的地物分類模型；Lee[6]等人提出了基于Freeman分解與Wishart分類器相結(jié)合的分類方法，該方法可以很好地保持極化散射特性；② 將傳統(tǒng)的分類方法應(yīng)用在極化SAR圖像上。該方法中將極化SAR圖像看作是自然圖像，然后利用紋理分析等圖像處理算法來獲取更多的衍生信息，在此基礎(chǔ)上利用模式識別的方法進行分類。Vijaya V Chamundeeswar[7]等人于2009年將紋理特征引入極化SAR的分類當(dāng)中，并肯定了紋理特征對分類的貢獻(xiàn)。但以上方法均存在一定的弊端：① 特征中存在對分類意義不大的信息，且相互之間存在冗余，在一定程度上影響分類結(jié)果的準(zhǔn)確性；② 單純地利用極化信息進行分類就會丟失像素點之間的空間關(guān)系，導(dǎo)致分類結(jié)果椒鹽化。

為解決以上問題，本文在特征組合上進行了新的嘗試，將目標(biāo)分解得到的電磁散射特征與圖像紋理特征相結(jié)合，構(gòu)造聯(lián)合特征矢量，給出了一種基于聯(lián)合特征和SVM的極化SAR圖像分類方法。實驗結(jié)果表明，該算法具有良好的分類性能、較好的可靠性和魯棒性。

1 特征提取與選擇

1.1 極化SAR數(shù)據(jù)表示

極化SAR圖像[8]的每個像素點由一個極化散射矩陣表示為：

(1)

式中，VV、HH和HV表示垂直、水平和交叉極化發(fā)射和接收?；ヒ浊闆r下的S矩陣，在Pauli基下可轉(zhuǎn)化為：

(2)

相應(yīng)的極化協(xié)方差矩陣C和相干矩陣T可分別定義為C=〈hhH〉和T=〈kkH〉，其中上標(biāo)“H”表示共軛轉(zhuǎn)置，“〈·〉”表示取集平均。協(xié)方差矩陣C和相干矩陣T之間可以通過線性變化相互轉(zhuǎn)化。

1.2 電磁散射特征

1.2.1Freeman分解

Freeman分解[9]將協(xié)方差矩陣C表示為3種散射機理的加權(quán)和：

(3)

式中，Cs、Cd和Cv分別為表面散射的協(xié)方差矩陣、二次散射的協(xié)方差矩陣和體散射機理的協(xié)方差矩陣；fs、fd和fv分別為它們對應(yīng)的權(quán)值；a為二次散射的參數(shù)；b為表面散射的參數(shù)。

通過求解方程組，可以得出3種散射分量的能量分別為Ps=fs(1+|b|2)，Pd=fd(1+|a|2)和Pv=8fv/3。此時定義散射能量熵為：

式中，Q1=Ps/PA;Q2=Pd/PA;Q3=Pv/PA;PA=Ps+Pd+Pv。Hp反映了Freeman分解所得散射機制的隨機程度，具有良好的區(qū)分能力。

1.2.2Cloude分解

Cloude分解[10]將相干矩陣T分解成3個獨立的矩陣之和，代表3種散射機制的加權(quán)和：

(4)

式中，H為轉(zhuǎn)置；ei為相關(guān)矩陣的特征向量；λi為特征值，均為實數(shù)。根據(jù)式(4)，可將特征向量描述為：

(5)

式中，αi∈[0°,90°]代表散射體的內(nèi)部自由度；βi代表目標(biāo)關(guān)于雷達(dá)視線的方向角；而φi、δi和γi則代表目標(biāo)的散射相位角。

考慮到地物散射過程的無序性，可將散射介質(zhì)的熵定義為:

(6)

1.3 紋理特征

紋理特征已經(jīng)被證實在SAR地物分類中具有重要的價值。目前在SAR圖像的分類中作用較為突出的就是經(jīng)典的灰度共生矩陣[11]?；叶裙采仃囀墙⒃诠烙媹D像的二階組合條件概率密度函數(shù)的基礎(chǔ)上，通過統(tǒng)計圖像在特定距離和方向上的2個點灰度值的分布規(guī)律，來反映圖像的灰度在方向、間隔、變化大小及速度上的信息，通過灰度共生矩陣提取包括方差、均值、熵、對比度、能量、相關(guān)性，逆差矩、相異性和二階矩在內(nèi)的多種性質(zhì)，全面反映圖像紋理特征。本文主要研究了以下參數(shù)：

熵：它反映了圖像中所包含信息的復(fù)雜程度。其值越大，代表圖像中所包含信息的不可預(yù)測性更大。

(7)

對比度：它表示的是圖像的清晰程度以及紋理溝紋的深淺程度。

(8)

2 極化SAR圖像分類

本文引入SVM分類器來充分利用目標(biāo)分解特征和紋理特征的互補性，從而實現(xiàn)SAR圖像的有效分類。

2.1 SVM基本原理

SVM[12]是一種通過將低維空間轉(zhuǎn)化為高維空間，從而將線性不可分問題轉(zhuǎn)化為線性可分的方法，近年來，SVM在很多領(lǐng)域都被廣泛地應(yīng)用[13]，也有很多改進算法不斷涌現(xiàn)[14]。

(9)

最優(yōu)超平面的決策函數(shù)為：

(10)

式中，λi為Lagrange系數(shù)，滿足以下條件：

(11)

在非線性可分問題中，首先要將非線性可分問題轉(zhuǎn)化為線性可分的問題，通常采用的方法是利用核函數(shù)(高斯核函數(shù)、徑向基核函數(shù)和S型核函數(shù)等)將低維空間映射到某個高維空間中，使其在新的高維空間中線性可分。

2.2 本文算法流程

本文算法的實現(xiàn)步驟如下：

① 確定訓(xùn)練樣本的區(qū)域和類別，設(shè)置分類器參數(shù)；

② 采用文獻(xiàn)[16]中提到的Lee濾波方法對極化SAR圖像進行濾波，從而減少相干斑噪聲的影響；

⑤ 選取訓(xùn)練樣本提取特征向量，輸入SVM分類器進行訓(xùn)練；

⑥ 對待分類圖像提取特征向量并輸入訓(xùn)練好的SVM分類器，得到最終分類結(jié)果。

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)

為驗證本文算法的有效性，采用2幅真實極化SAR圖像進行實驗。實驗1數(shù)據(jù)為1989年NASA/JPL實驗室AIRSAR獲取的荷蘭Flevoland區(qū)域極化SAR數(shù)據(jù)，圖像分辨率為6.7m*6.7m，圖像大小為300*400，包括油菜籽地、裸沙地、甜菜地、苜蓿地、馬鈴薯地、大麥地、豌豆地和小麥地等8類地物；實驗2數(shù)據(jù)為1992年NASA/JPL實驗室AIRSAR獲取的美國舊金山區(qū)域極化SAR數(shù)據(jù)，圖像分辨率為10m*10m，圖像大小為600*600，包含海洋、城區(qū)和植被3類地物。它們的總功率Span圖如圖1所示。

圖1 實驗區(qū)域SPAN圖像

為驗證文中算法的有效性，進一步分析算法性能優(yōu)劣，本實驗分別采用方法：① 基于目標(biāo)分解所得特征的SVM分類(簡稱對比方法1)；② 基于紋理特征的SVM分類(簡稱對比算法2)作為比較算法。實驗結(jié)果的評價指標(biāo)主要有分類總精度(Overall Accuracy，OA)、平均分類精度(Average Accuracy，AA)和Kappa系數(shù)

3.2 Flevoland極化SAR數(shù)據(jù)分類結(jié)果

Flevoland極化SAR數(shù)據(jù)的實驗結(jié)果如圖2所示。圖2(a)為該區(qū)域的地物參考分布圖[17]，圖2(b)、圖2(c)和圖2(d)分別為對比方法1、對比方法2和本文方法的實驗結(jié)果。

從實驗結(jié)果可以看出，對比方法1對油菜籽地、裸沙地和大麥地的分類結(jié)果相對較好，但甜菜地的分類效果不夠理想，出現(xiàn)了部分將馬鈴薯地劃分為甜菜地的錯分；而對比方法2中豌豆地、小麥地、甜菜地和馬鈴薯地的劃分效果明顯優(yōu)于對比方法1，但對大麥地的分類結(jié)果中存在較多的油菜籽地的誤判情況?？傮w而言，本文提出的方法分類效果最好。從目視效果而言，該方法的分類結(jié)果與真實地物情況較為接近，能夠較好地避免某一類別的嚴(yán)重錯判。

圖2 3種分類方法的結(jié)果

3.3 舊金山極化SAR數(shù)據(jù)分類結(jié)果

舊金山極化SAR數(shù)據(jù)的實驗結(jié)果如圖3所示。其中圖3(a)為該區(qū)域的人工目視劃分的地物參考分布圖，圖3(b)、圖3(c)和圖3(d)分別為對比方法1、對比方法2和本文方法的實驗結(jié)果。

圖3 3種方法的分類結(jié)果

3種方法的分類精度比較結(jié)果如表1所示。

表1 3種方法的分類精度比較

從實驗結(jié)果可以看出，3種算法的分類結(jié)果均較好。但仔細(xì)觀察發(fā)現(xiàn)，對比方法1中對于植被區(qū)域的分類效果較好；對海洋區(qū)域的劃分存在較多錯分，如圖3(b)中標(biāo)出的A1區(qū)域和A2區(qū)域；對城市區(qū)域的劃分也存在較多的錯誤，如圖3(b)中的C1區(qū)域和C2區(qū)域；對比方法2對于海洋區(qū)域的劃分效果較好，但存在植被錯分較多的情況，如圖3(c)中所標(biāo)出的B區(qū)域；相比較而言，本文方法的分類效果最佳。

以上實測數(shù)據(jù)的實驗結(jié)果表明：① 目標(biāo)散射特性與紋理特性反映了目標(biāo)的不同屬性，具有互補性；② SVM可以綜合不同屬性特征的信息，合成性能更優(yōu)越的分類器；③ 本文方法采用聯(lián)合特征矢量的策略，可以充分利用散射特性與紋理特征的互補性，具有比僅利用單一屬性特征的方法更高的分類精度。

4 結(jié)束語

本文通過將H/?/A和Freeman分解得到的電磁散射特征與紋理特征進行選擇和組合，提出一種基于聯(lián)合特征和SVM的極化SAR圖像分類方法。實測極化SAR數(shù)據(jù)的實驗結(jié)果表明,本文算法能夠有效地結(jié)合二者的互補性，具有更好的分類性能。

[1] 盧文清，何加銘，曾興斌，等.基于多特征提取和粒子群算法的圖像分類[J].無線電通信技術(shù)，2014，40(2)：90-93.

[2] 李思嘉，趙曉焱，張繼學(xué).基于OTSU算法的圖像分割有效性研究[J].無線電通信技術(shù)，2014，40(5)：54-56.

[3] WANG S,LIU K,PEI J J,et al.Unsupervised Classification of Fully Polarimetric SAR Images Based on Scattering Power Entropy and Copolarized Ratio[J].IEEE Geoscience and Remote Sensing Letters,2013,10(3):622-626.

[4] LEE J S,GRUNES M R,AINSWORTH T L,et al.Unsupervised Classification Using Polarimetric Decompositon and the Complex Wishart Classifier[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(5):2 249-2 258.

[5] CLOUD S R,POTTIER E.An Entropy-based Classification Scheme for Land Application of Polarimetric SAR[J].IEEE Transactions on Geocsience and Remote Sensing,1997,35(1):68-78.

[6] 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.

[7] CHAMUNDEESWARI V V,SINGH D,SINGH K.An Analysis of Texture Measures in PCA-based Unsupervised Classification of SAR Images[C]∥IEEE Geoscience and Remote Sensing Letters,2009:214-218.

[8] 尹 曼，陳 兵，孟慶華.基于分?jǐn)?shù)階傅里葉變換的聚束SAR成像算法[J].無線電工程，2015，45(8)：19-22.[9] 單子力，劉 翔，陳 旸，等.雙極化SAR圖像H/α分解及替代方法研究[J].無線電工程，2013，43(12)：32-36.

[10] FREEMAN A,DURDEN S L.A Three-component Scattering Model for Polarmetric SAR Data[J].IEEE Transactions on Geoscience and Remote Sensing,1998,36(3):963-973.[11] 黃 敏，劉云堅.改進灰度共生矩陣的指紋圖像分割算法[J].長沙理工大學(xué)學(xué)報(自然科學(xué)版)，2006，13(1)：75-80.

[12] 張景柱，柴焱杰.多維力傳感器的LS-SVM動態(tài)逆解耦建模[J].無線電工程，2014，44(8)：18-20.

[13] 吳永輝，計科峰，郁文賢.利用SVM的全極化、雙極化與單極化SAR圖像分類性能的比較[J].遙感學(xué)報，2008，12(1)：47-53.

[14] 馬 強，田紅園，鄭文秀.基于分形維數(shù)與SVM的PUE攻擊檢測[J].無線電通信技術(shù)，2015，41(2)：26-28.

[15] 呂雍正，芮國勝，董道廣.基于改進型支持向量機的電磁傳播損耗研究[J].無線電通信技術(shù)，2015，41(2)：64-66.

[16] LEE J S,GRUNES M R,GRANDI G D.Polarimetric SAR Speckle Filtering and Its Implication for Classification[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(5):2 363-2 373.

[17] WU Y,LIU K,JI K,et al.Region-based Classification of Polarimetric SAR Images Using Wishart MRF[J].IEEE Geoscience and Remote Sensing Letters,2008,5(4):668-672.

馬騳骉 男，(1970—)，碩士，高級工程師。主要研究方向：計算機應(yīng)用。

盧春燕 女，(1988—)，碩士，助理工程師。主要研究方向：圖形與圖像處理技術(shù)。

Classification of Polarimetric SAR Image Based on Associated Feature and SVM

MA Du-biao,LU Chun-yan

(Unit65021,PLA,ShenyangLiaoning110867,China)

Classification of Polarimetric Synthetic Aperture Radar (PolSAR) image is the key link of Data interpretation.Now it has become a hot spot in remote sensing.On the basis of the existing methods,in this paper,an algorithm of classification of PolSAR images is proposed based on associated feature and SVM.Firstly,scattering characteristics of PolSAR image are extracted according to target decomposition methods.Then the scattering characteristics and texture which has contexture knowledge are combined to obtain the associated Feature vector.And the associated Feature vector of the pixels in the sample areas is used to train the SVM.Finally,unknown data of PolSAR image is imported to the trained SVM to achieve final classification.Experimental results on real PolSAR images demonstrate that the proposed method is able to utilize the complementary information of scattering characteristics and texture,which has a sound classification effects.

space remote sensing;polarimetric SAR;target decomposition methods;support vector machine

10.3969/j.issn.1003-3106.2017.03.08

馬騳骉,盧春燕.基于聯(lián)合特征和SVM的極化SAR圖像分類方法[J].無線電工程,2017,47(3):31-34，46.

2016-12-27

國家部委基金資助項目。

TP751

A

1003-3106(2017)03-0031-04