一種結(jié)合顏色特征的PolSAR圖像分類方法

卜麗靜， 黃鵬艷， 沈璐

(1.遼寧工程技術(shù)大學(xué)測(cè)繪與地理科學(xué)學(xué)院，阜新 123000； 2.洛陽(yáng)理工學(xué)院土木工程學(xué)院，洛陽(yáng) 471000)

一種結(jié)合顏色特征的PolSAR圖像分類方法

卜麗靜1， 黃鵬艷2， 沈璐1

(1.遼寧工程技術(shù)大學(xué)測(cè)繪與地理科學(xué)學(xué)院，阜新 123000； 2.洛陽(yáng)理工學(xué)院土木工程學(xué)院，洛陽(yáng) 471000)

為了提出一種顏色特征與極化特征相結(jié)合的極化SAR圖像分類方法，首先，通過極化目標(biāo)分解得到極化特征向量; 然后，采用最佳指數(shù)模型方法生成極化SAR的假彩色合成圖像，并提取顏色特征向量； 最后，將這2種特征組成綜合特征向量，利用SVM方法進(jìn)行分類。利用RadarSat-2的PolSAR數(shù)據(jù)進(jìn)行了SAR圖像分類實(shí)驗(yàn)，并對(duì)分類結(jié)果進(jìn)行定性和定量比較分析。實(shí)驗(yàn)結(jié)果表明，顏色特征的加入能有效提高極化SAR圖像的分類精度。

極化SAR分類； 假彩色增強(qiáng)； 顏色特征； 特征向量

0 引言

近年來(lái)，全極化合成孔徑雷達(dá)(polarimetric synthetic aperture Radar，PolSAR)數(shù)據(jù)已經(jīng)廣泛的應(yīng)用在多個(gè)領(lǐng)域[1]，PolSAR圖像分類逐漸成為研究熱點(diǎn)。分類方法中利用PolSAR數(shù)據(jù)特征向量進(jìn)行分類的方法較為常見。極化特征[2]和紋理特征是分類中常用的特征。前者是利用極化目標(biāo)分解提取分解參數(shù)并組成極化特征向量，后者是利用SAR強(qiáng)度圖得到紋理特征向量。這2類特征可以分別使用，也可以相結(jié)合，達(dá)到提高分類精度的目的[3-7]。由于PolSAR具有HH，HV，VH和VV4個(gè)極化通道的數(shù)據(jù)，可以用多種方法得到SAR的假彩色合成圖像[8]，而且其中含有豐富的顏色信息。顏色特征[9]是一種重要的視覺特征，用來(lái)描述整個(gè)圖像或者特定圖像區(qū)域的視覺內(nèi)容，一般應(yīng)用于圖像檢索、目標(biāo)識(shí)別和圖像編目方法等領(lǐng)域[10-13]。Uhlmann等[14]提出將Pauli分解的假彩色合成圖像的顏色特征應(yīng)用在SAR分類中，并得到了很好的分類效果，但是該方法的顏色向量提取復(fù)雜，組合的特征向量維數(shù)較大。目前國(guó)內(nèi)在這方面的文獻(xiàn)還較為少見。因此，本文研究加入顏色特征的PolSAR圖像分類，提出了極化特征和顏色特征相結(jié)合的分類方法。給出了2種特征向量的提取和組合過程，并采用支持向量機(jī)(support vector machine，SVM)[15-16]方法進(jìn)行分類。以湖北咸寧地區(qū)的RadarSat-2數(shù)據(jù)為例進(jìn)行分類實(shí)驗(yàn)，對(duì)比分析利用不同特征向量的分類精度，以證明顏色特征的加入能有效改善SAR圖像的分類效果。

1 算法原理

目標(biāo)的極化特征是基于目標(biāo)散射屬性的特征，能提供如表面粗糙度等描述地物目標(biāo)形狀結(jié)構(gòu)特征的信息，是極化SAR分類中常用的特征。但極化特征也有一定的限制，極化信息是基于像素級(jí)別的描述，限制了相似地表類別的區(qū)分能力，由于它不能利用圖像的統(tǒng)計(jì)信息，所以在反映圖像的空間分布特征和細(xì)節(jié)表現(xiàn)上能力有限。同時(shí)，PolSAR的灰度圖像能夠通過圖像處理方法[17]得到假彩色合成圖像，雖然它不能提供地表的真實(shí)顏色信息和類似于光學(xué)數(shù)據(jù)的顏色效果，但是這種形象化的表示方法能夠在區(qū)分地表類別方面提供有用的信息，對(duì)于人工理解與解譯具有很大的作用。如將Freeman分解后得到的表面散射、二次散射和體散射的功率圖，分別賦予紅、綠、藍(lán)顏色通道合成假彩色圖，通過顏色可以大致區(qū)分這幾種散射特征對(duì)應(yīng)的地物。而且顏色特征具有較好的穩(wěn)態(tài)性、魯棒性，受圖像的噪聲、旋轉(zhuǎn)和分辨率等因素的影響都非常小。文獻(xiàn)[14]也實(shí)驗(yàn)證明顏色特征作為一個(gè)描述圖像內(nèi)容最直接的視覺特征，能夠?yàn)镻olSAR圖像分類提供有效的信息。顏色特征被定義為多媒體內(nèi)容描述接口標(biāo)準(zhǔn)(MPEG-7)中的一部分[9]，主要目的是呈現(xiàn)多媒體內(nèi)容的信息，而不是內(nèi)容本身。顏色特征的表達(dá)方法有顏色直方圖、顏色矩、顏色集和顏色聚合向量等[18]。由于顏色直方圖所描述的是不同色彩在整幅圖像中所占的比例，即出現(xiàn)哪些顏色以及各種顏色出現(xiàn)的概率，不受位置限制，且計(jì)算簡(jiǎn)單、快速，具有尺度、平移和旋轉(zhuǎn)不變性，這些都有助于PolSAR圖像的分類。同時(shí)，極化特征作為PolSAR圖像的主要特征起著重要的作用，是分類中最常用的特征向量。因此，提出了將顏色特征加入到PolSAR圖像分類中，與極化特征共同組成特征向量用于圖像分類。

1.1 研究區(qū)地物特征分析

在進(jìn)行PolSAR圖像分類前，首先分析研究區(qū)內(nèi)的地物特征，以便有針對(duì)性地使用各種特征向量。在研究區(qū)域內(nèi)，主要的地物類別有建筑物、植被、水域、道路和裸地5種。其中，建筑物表現(xiàn)為二次散射，散射回波能量高，表現(xiàn)為高亮度； 植被表現(xiàn)為體散射，回波能量和亮度居中； 水域表現(xiàn)為單次表面散射，回波能量低、亮度低； 道路也是單次散射，亮度低，但它具有細(xì)長(zhǎng)型的結(jié)構(gòu)特點(diǎn)； 裸地是硬質(zhì)區(qū)域與道路的散射特性接近，但道路與裸地的成片性質(zhì)不相同。表1是以Pauli分解生成的假彩色合成圖為例，從極化和顏色2個(gè)方面的特征對(duì)比分析5種地物，解釋說(shuō)明各類地物顏色和極化特征(其中顏色信息隨假彩色合成的方法不同而不同)。

表1 研究區(qū)地物特性分析

1.2 極化特征提取

極化目標(biāo)分解的目的是基于切合實(shí)際的物理約束解譯目標(biāo)的散射機(jī)制，在極化SAR圖像分類中，一般從PolSAR數(shù)據(jù)集中提取目標(biāo)的極化特征，用于地物目標(biāo)的分類識(shí)別。極化總功率Span圖是PolSAR圖像處理中經(jīng)常用到的數(shù)據(jù)表現(xiàn)形式，反映系統(tǒng)測(cè)量的總散射強(qiáng)度，由散射矩陣各元素模的平方和表示，為圖像分類中的重要信息，其表達(dá)式為

Span=|Shh|2+|Shv|2+|Svh|2+|Svv|2。

(1)

(2)

當(dāng)λ2和λ3值相等時(shí)，可定義雷達(dá)植被指數(shù)(Radar vegetation index，RVI)，它是一個(gè)PolSAR數(shù)據(jù)森林生物量估計(jì)的指數(shù)，即

(3)

(4)

1.3 假彩色增強(qiáng)及顏色特征提取

為了充分利用全極化數(shù)據(jù)不同極化通道之間的差異性，提出利用最佳指數(shù)模型得到假彩色增強(qiáng)圖像，并提取顏色直方圖作為顏色特征。最佳指數(shù)模型能夠計(jì)算出所含信息量最大、相關(guān)性最小的3幅圖像生成一幅假彩色合成圖像，有利于極化通道之間信息的充分利用。最佳指數(shù)模型的表達(dá)式為

(5)

式中：Si為第i個(gè)極化通道灰度圖像的灰度標(biāo)準(zhǔn)差；Rij為4個(gè)極化通道中i和j圖像之間的相關(guān)系數(shù)。得到假彩色合成圖像后計(jì)算顏色直方圖，得到顏色特征向量，具體步驟如下：

1)將采用最佳指數(shù)模型得到的RGB彩色圖像轉(zhuǎn)換到適合肉眼分辨的HSV顏色空間。

2)在HSV空間進(jìn)行等間隔量化。顏色量化的目的是對(duì)圖像的特征向量進(jìn)行降維，以提高計(jì)算顏色直方圖的運(yùn)行速度。按照人的視覺分辨能力，把色調(diào)H空間分成16份，飽和度S和亮度V空間均分成4份。

3)構(gòu)造一維特征矢量。按照以上的量化級(jí)，把3個(gè)顏色分量合成為一維特征矢量，即

G=HQSQV+SQV+V,

(6)

式中QS和QV分別是分量S和V的量化級(jí)數(shù)，本文選擇QS=4，QV=4。故H，S和V這3個(gè)分量在一維矢量上被分開。G的取值范圍為0～255，計(jì)算G獲得256柄的一維直方圖。

4)根據(jù)量化后的圖像統(tǒng)計(jì)得到直方圖。

5)構(gòu)成顏色特征向量，即

vc=[HSV]。

(7)

1.4 基于極化和顏色特征向量的SVM分類

由于SVM是一種專門解決小樣本分類的有效監(jiān)督分類器，對(duì)解決小樣本、非線性及高維模式識(shí)別問題具有獨(dú)特的優(yōu)勢(shì)。因此，本文采用SVM分類器進(jìn)行分類。SVM分類算法中不同的核函數(shù)可以生成不同的SVM分類器，為了找到最好的SVM組合(最合適的核函數(shù)和核函數(shù)參數(shù))，采用窮舉搜索法對(duì)線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)、二層神經(jīng)網(wǎng)絡(luò)核函數(shù)以及它們各自的參數(shù)進(jìn)行實(shí)驗(yàn)，以確定懲罰因子C和參數(shù)γ是否與核函數(shù)搭配得當(dāng)。經(jīng)過實(shí)驗(yàn)后選擇二次多項(xiàng)式核函數(shù)，即

k(xi,xj)=(γxixj+b)p,

(8)

式中：xi是待分類數(shù)據(jù)；xj為支持向量；p為多項(xiàng)式的階，本文為2；b為偏置系數(shù)。

本文算法流程為： ①對(duì)PolSAR數(shù)據(jù)進(jìn)行濾波去噪預(yù)處理，然后進(jìn)行目標(biāo)分解，用得到的分解參數(shù)向量組成極化特征向量v； ②利用極化散射矩陣得到假彩色合成圖像，提取顏色直方圖組成顏色特征向量vc； ③以極化特征向量v為基礎(chǔ)，加入顏色特征構(gòu)造總特征向量v+vc； ④使用SVM分類器進(jìn)行分類，并對(duì)比v和v+vc特征向量的分類精度，具體流程如圖1所示。

圖1 本文算法流程

2 分類實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)

選用湖北咸寧地區(qū)RadarSat-2的PolSAR數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)，數(shù)據(jù)參數(shù)如表2所示。4個(gè)極化通道灰度圖像、Span圖像和光學(xué)圖像分別如圖2所示。

表2 實(shí)驗(yàn)數(shù)據(jù)參數(shù)

(a) HH (b) HV (c) VH

圖2-1實(shí)驗(yàn)數(shù)據(jù)

Fig.2-1Experimentaldata

(d) VV(e) Span (f) 光學(xué)圖像

圖2-2實(shí)驗(yàn)數(shù)據(jù)

Fig.2-2Experimentaldata

2.2 極化和顏色特征向量提取

選擇OIF最大值320.774 4所對(duì)應(yīng)的HH，VH和VV這3個(gè)極化通道組合生成假彩色合成圖像，如圖3(a)所示。最后，提取顏色特征向量。圖3中的(b)—(d)為HSV空間等間隔量化后的H，S和V分量，圖3(e)為HSV色彩空間圖像，圖3(f)為提取出的顏色特征向量。

(a) 假彩色合成圖像(b) 量化后的H分量(c) 量化后的S分量

(d) 量化后的V分量(e) HSV色彩空間圖像 (f) 顏色特征向量(直方圖)

圖3提取顏色特征向量

Fig.3Extractionofcolorfeaturevector

2.3 分類結(jié)果及對(duì)比分析

為了對(duì)比本文方法的優(yōu)勢(shì)，分別僅利用極化特征向量、直接利用RGB顏色和極化特征及本文方法進(jìn)行了分類實(shí)驗(yàn),分類結(jié)果如圖4所示。

(a) 僅利用極化特征(b) 直接利用RGB顏色和極化特征(c) 本文方法

圖4分類結(jié)果

Fig.4Classificationofresults

從圖4中可以看出，僅利用極化特征的分類結(jié)果(圖4(a))5種地物類別大致得到劃分，但明顯水域和道路的區(qū)分性較差，沒有很好地將道路的細(xì)長(zhǎng)輪廓分出來(lái)，水域的輪廓也不清晰，而且植被和裸地類別內(nèi)存在大量黑色斑點(diǎn)，混分現(xiàn)象嚴(yán)重，分類效果較差； 直接利用RGB顏色和極化特征的分類，如圖4(b)所示，水域和植被區(qū)域得到了很好的改善，但在水域邊緣不清晰，仍有漏分現(xiàn)象出現(xiàn)，建筑物和植被區(qū)域混分較多，道路信息也不是特別清晰； 而本文方法加入顏色特征向量分類結(jié)果(圖4(c))，道路和水域被很好區(qū)分，水域邊緣清晰，道路的輪廓也清楚可見，而且其他地物區(qū)分性較強(qiáng)，整體提取效果較好。

計(jì)算各分類結(jié)果的混淆矩陣，并對(duì)分類結(jié)果進(jìn)行定量的精度評(píng)價(jià)。3種方法分類結(jié)果的混淆矩陣分別如表4—表6所示。

表4 僅利用極化特征分類的混淆矩陣

表5 直接利用RGB顏色和極化特征分類的混淆矩陣

表6 本文方法分類的混淆矩陣

從混淆矩陣中可以看出，僅利用極化特征的總體分類精度為83.1%； 直接利用RGB顏色和極化特征的分類精度比僅利用極化特征向量有所提高，達(dá)到了87.5%； 本文方法加入顏色和極化特征向量的分類精度最高，總體分類精度為93.2%，比其他2種方法分別提升了10.1%和5.7%，說(shuō)明本文方法優(yōu)于其他2種分類方法。

3 結(jié)論

1)本文通過顏色特征向量和極化特征向量相結(jié)合，進(jìn)行PolSAR圖像分類方法的研究，闡述了算法原理，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，本文方法總體精度最高，達(dá)93.2%。

2)與僅利用極化特征的方法相比，顏色特征的加入使得分類精度得到了大幅提高，總體分類精度提升了10.1%。說(shuō)明輔以顏色特征的分類方法對(duì)各類地物的識(shí)別具有促進(jìn)作用，尤其對(duì)水域和道路區(qū)域的分類精度改善最為明顯。

3)顏色特征結(jié)合極化目標(biāo)分解特征的分類方法是有效的，可以為極化SAR影像的解譯提供一種可行的途徑。同樣，紋理特征也是SAR圖像的重要特征之一，因此結(jié)合紋理、極化和顏色特征的PolSAR分類方法也是有待于進(jìn)一步研究開發(fā)的新課題。

[1] Lee J S,Pottier E.Airborne and space-borne polarimetric SAR systems[M]//Thompson B J Lee J S,Pottier E.Polarimetric Radar Imaging:From Basics to Applications.Boca Raton,FL,USA:CRC Press,2009:13-22.

[2] Du L J,Lee J S.Polarimetric SAR image classification based on target decomposition theorem and complex Wishart distribution[C]//Proceedings of Remote Sensing for a Sustainable Future’ Geoscience and Remote Sensing Symposium.Lincoln,NE:IEEE,1996:439-441.

[3] Haralick R M,Shanmugam K,Dinstein I.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybernetics,1973,SMC-3(6):610-621.

[4] Chen L J,Yang W,Liu Y,et al.Feature evaluation and selection for polarimetric SAR image classification[C]//Proceedings of 2010 IEEE the 10th International Conference on Signal Processing.Beijing,China:IEEE,2010:2202-2205.

[5] Shanmugan K S,Narayanan V,Frost V S,et al.Textural features for Radar image analysis[J].IEEE Transactions on Geoscience and Remote Sensing,1981,GE-19(3):153-156.

[6] Dell’Acqua F,Gamba P.Texture-based characterization of urban environments on satellite SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(1):153-159.

[7] Ersahin K,Scheuchl B,Cumming I.Incorporating texture information into polarimetric Radar classification using neural networks[C]//Proceedings of 2004 IEEE International Geoscience and Remote Sensing Symposium.New York:IEEE,2004:560-563.

[8] 余磊.極化SAR圖像偽彩色增強(qiáng)與可視化方法研究[D].鄭州:解放軍信息工程大學(xué),2012. Yu L.Study on Methods of Pseudo-Color Enhancement and Visualization for Polarimetric SAR Image[D].Zhengzhou:The PLA Information Engineering University,2012.

[9] Manjunath B S,Ohm J R,Vasudevan V V,et al.Color and texture descriptors[J].IEEE Transactions on Circuits and Systems for Video Technology,2001,11(6):703-715.

[10]Gevers T,Gijsenij A,Weijer J,et al.Color in Computer Vision:Fundamentals and Applications[M].New York,NY,USA:Wiley,2012.

[11]Huang J,Kumar S R,Mitra M,et al.Image indexing using color correlograms[C]//Proceedings of the 1997 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Juan:IEEE,1997:762-768.

[12]官倩寧,覃團(tuán)發(fā),帥勤,等.綜合MPEG-7中紋理和顏色特征的圖像檢索方法[J].計(jì)算機(jī)應(yīng)用研究.2008,25(3):957-960. Guan Q N,Qin T F,Shuai Q,et al.Image retrieval based on combined texture and color features in MPEG-7[J].Application Research of Computers,2008,25(3):957-960.

[13]Cinque L,Ciocca G,Levialdi S,et al.Color-based image retrieval using spatial-chromatic histograms[J].Image and Vision Computing,2001,19(13):979-986.

[14]Uhlmann S,Kiranyaz S.Integrating color features in polarimetric SAR image classification[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(4):2197-2216.

[15]Zhang L M,Zou B,Zhang J P,et al.Classification of polarimetric SAR image based on support vector machine using multiple-component scattering model and texture features[J].EURASIP Journal on Advances in Signal Processing,2009,2010:Article ID 960831.

[16]Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.

[17]Zhou X D,Zhang C H.A perceptive uniform pseudo-color coding method of SAR images[C]//Proceedings of International Conference on Radar.Shanghai,China:IEEE,2006:1-4.

[18]Swain M J,Ballard D H.Color indexing[J].International Journal of Computer Vision,1991,7(1):11-32.

[19]Jiang H B,Su Y Y,Jiao Q S,et al.Typical geologic disaster surveying in Wenchuan 8.0 earthquake zone using high resolution ground LiDAR and UAV remote sensing[C]//Proceedings of SPIE Lidar Remote Sensing for Environmental Monitoring XIV.Beijing,China:SPIE,2014:926219.

(責(zé)任編輯：陳理)

IntegratingcolorfeaturesinpolarimetricSARimageclassification

BU Lijing1， HUANG Pengyan2， SHEN Lu1

(1.SchoolofMappingandGeographicalScience,LiaoningTechnicalUniversity,Fuxin123000,China; 2.SchoolofCivilEngineering,LuoyangInstituteofScienceandTechnology,Luoyang471000,China)

This paper presents a method for combining the color feature and target decomposition characteristics so as to study the classification of polarimetric SAR. It makes up decomposition feature vector by polarimetric target decomposition and then, through the pseudo color enhancement method, obtains the false color image of polarimetric SAR data representation; after that, it extracts color histogram from the pseudo color images to make up the color feature vector, thus providing additional information for further land classification. Classification experiments were performed at different feature vectors by using RadarSat-2 polarimetric SAR image. In addition, the quantitative and qualitative comparison analysis was conducted with classification results. The experimental results show that the addition of the color feature can effectively improve the classification accuracy of polarimetric SAR images.

PolSAR image classification; pseudo color enhancement; color feature; feature vector

10.6046/gtzyyg.2017.03.08

卜麗靜,黃鵬艷,沈璐.一種結(jié)合顏色特征的PolSAR圖像分類方法[J].國(guó)土資源遙感,2017,29(3)：59-64.(Bu L J,Huang P Y,Shen L.Integrating color features in polarimetric SAR image classification[J].Remote Sensing for Land and Resources,2017,29(3)：59-64.)

TP 79

： A

： 1001-070X(2017)03-0059-06

2016-01-22；

2016-04-09

國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目“MRF模型的車載全景視覺位姿估計(jì)最優(yōu)化方法研究”(編號(hào)： 41501504)和遼寧省教育廳一般項(xiàng)目“復(fù)雜運(yùn)動(dòng)場(chǎng)景下衛(wèi)星視頻的超分辨率重建方法研究”(編號(hào)： LJYL011)共同資助。

卜麗靜(1980-),女,講師,博士,主要從事雷達(dá)圖像重建及解譯方面的研究。Email: lijingbu@126.com。