基于目標(biāo)分解及紋理信息的全極化SAR影像分類

劉雨思，余 潔*，張 晶

（1.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048）

目標(biāo)分解是全極化SAR影像分類中一種較為實用、準(zhǔn)確的方法［1,2］，其主要思想在于把數(shù)據(jù)與目標(biāo)的物理特性聯(lián)系起來［3］，將地物回波的復(fù)雜散射過程分解為幾種單一的散射分量，每種散射分量都有一個對應(yīng)的散射矩陣［4］。不同目標(biāo)分解方法的分類效果不同。本文基于此，選取不同目標(biāo)分解方法的分量用作分類時的極化特征，利用不同目標(biāo)分解方法充分挖掘和提取全極化SAR圖像中包含的極化特征信息。同時，考慮到全極化SAR影像紋理信息與極化特征信息在表現(xiàn)地物特性方面的互異性和互補(bǔ)性［5］，進(jìn)一步結(jié)合紋理信息輔助進(jìn)行全極化SAR影像分類的研究，意在篩選出精度更高的分類方法。

1 極化特征信息提取

全極化SAR測量的是目標(biāo)的散射矩陣，它將目標(biāo)散射的能量特性、相位特性和極化特性統(tǒng)一起來，完整描述了雷達(dá)目標(biāo)的電磁散射特性。根據(jù)目標(biāo)散射特性的變化與否，極化目標(biāo)分解可分為相干目標(biāo)分解和非相干目標(biāo)分解［6］。相干目標(biāo)分解是針對極化散射矩陣的分解，要求目標(biāo)的散射特征是確定的或穩(wěn)態(tài)的，只適合于點目標(biāo)。非相干目標(biāo)分解是針對極化相干矩陣、極化協(xié)方差矩陣等的分解，分解的目標(biāo)散射可以是非確定的。由于實際地面目標(biāo)多為隨機(jī)散射，因此非相干目標(biāo)分解的應(yīng)用更為普遍。Cloude分解、Freeman分解、Yamaguchi分解是非相干目標(biāo)分解方法中應(yīng)用最為廣泛的3種分解方法［5］，故選擇這3種方法進(jìn)行實驗研究。

1.1 Cloude分解

1986年，Cloude基于極化相干矩陣的特征矢量分析，提出了能夠包含所有散射機(jī)理的分解定理。利用特征值分解的方法，將極化相干矩陣分解為3種成分的加權(quán)和，其中每種成分對應(yīng)著一種散射機(jī)制，表示為［6］：

式中，上標(biāo)“H”表示共軛轉(zhuǎn)置；λi為T的第i個特征值；ei為相應(yīng)的特征向量。

根據(jù)分解得到的特征值，可以進(jìn)一步得到散射熵H和平均散射角α。散射熵映散射介質(zhì)從各向同性散射（H=0）到完全隨機(jī)散射（H=1）之間的一種隨機(jī)程度，其值越大，表明隨機(jī)性程度越高。平均散射角其值在 [0°，90°] 上連續(xù)變化，反映了目標(biāo)的散射機(jī)理。

1.2 Freeman分解

1998年，F(xiàn)reeman和Durden在Van Zyl的工作基礎(chǔ)上，提出一種基于三元散射模型的目標(biāo)分解方法，將協(xié)方差矩陣分解成三種散射機(jī)制的加權(quán)和，表示為［6］：

式中，fv、fd、fs分別對應(yīng)體散射、偶次散射以及表面散射分量的貢獻(xiàn)。α表示偶次散射的HH后向散射與VV后向散射的比值。β表示表面散射的HH后向散射與VV后向散射的比值。

1.3 Yamaguchi分解

2005年，Yamaguchi在Freeman分解的基礎(chǔ)上引入Helix散射分量，該分量由螺旋體（等價于左旋或右旋圓極化狀態(tài)）的散射引起，常出現(xiàn)在城市區(qū)域,即將協(xié)方差矩陣表示為［6］：

式中，復(fù)系數(shù)fs，fd，fv，fh分別對應(yīng)表面散射、偶次散射、體散射、螺旋體散射的貢獻(xiàn)。

2 紋理信息提取

全極化SAR影像成像時，由于微波波段對地面的穿透性，影像上的散射回波是地物和土壤散射回波的疊加，即存在混合像元問題［7］。同時，在獲取SAR數(shù)據(jù)時，具有相同或相近后向散射系數(shù)的不同地物在SAR影像中會表現(xiàn)為相同或相近的灰度值［5］，會對全極化SAR影像分類的效果產(chǎn)生影響?；诨叶裙采仃嚨募y理信息提取方法，通過對影像上相隔一定距離的兩個像素的灰度值之間空間相關(guān)關(guān)系進(jìn)行統(tǒng)計分析，利用各種紋理描述子改寫相關(guān)像素的灰度值，從而使紋理特征清晰地顯示出來［8］，對影像分類起到了良好的輔助作用。

灰度共生矩陣用2個位置的像素聯(lián)合概率密度來定義［9］：

式中，δ是灰度共生矩陣的生長步長；θ是灰度共生矩陣的生成方向；P是滿足δ、θ條件、灰度值分別為i、是滿足δ、θ條件的所有點對數(shù)。

3 實驗與結(jié)果分析

選擇北京市順義地區(qū)286×261大小的Radarsat-2全極化SAR影像數(shù)據(jù)進(jìn)行實驗研究。研究區(qū)主要的土地利用類型為水體、建筑、農(nóng)用地和林地4種，分辨率8 m，中心經(jīng)緯度坐標(biāo)為116°29'E、40°04'N。實驗所用數(shù)據(jù)的Pauli分解RGB合成影像如圖1所示，實驗流程如圖2所示。

首先，為了篩選出較好的極化特征信息，對基于Cloude、Freeman、Yamaguchi 3種不同的目標(biāo)分解方法生成的特征集進(jìn)行SVM監(jiān)督分類。為了方便分析，在分類時選用相同的訓(xùn)練樣本。3種方法SVM監(jiān)督分類結(jié)果定性對比如圖3a～c，定量對比如表1。

圖1 實驗數(shù)據(jù)Pauli分解RGB合成影像

圖2 基于目標(biāo)分解及紋理信息的全極化SAR影像分類流程圖

表1 基于3種不同目標(biāo)分解方法的SVM監(jiān)督分類結(jié)果精度評價

從定性分析的角度，基于Cloude分解的分類結(jié)果整體含有較少的混合雜斑，地類區(qū)分相對明顯?；贔reeman分解和Yamaguchi分解的分類結(jié)果較為相似，但二者相比，基于Yamaguchi分解的分類結(jié)果錯分現(xiàn)象相對較少，且對于建筑物的區(qū)分效果較好。從定量分析的角度，基于Cloude分解的分類結(jié)果總體精度為85.69%，Yamaguchi分解為82.56%，F(xiàn)reeman分解僅有76.12%。逐類分析，可以發(fā)現(xiàn)Cloude分解和Yamaguchi分解對于不同地類各有優(yōu)勢，而Yamaguchi分解各類別的分類精度都高于Freeman分解。綜合考慮上述3種目標(biāo)分解方法的散射機(jī)制，Yamaguchi分解是將目標(biāo)極化協(xié)方差矩陣［C］建模成表面散射、體散射和偶次散射這3種散射機(jī)制的加權(quán)和，與Freeman分解的表面散射和偶次散射模型相同，但在Freeman分解的基礎(chǔ)上引入了第四分量，即螺旋體散射分量，改變了相關(guān)方位角概率密度函數(shù)，修改了體散射分量。所以在這兩種分解方法中，基于Yamaguchi分解的分類效果較好。Cloude分解是針對目標(biāo)相干矩陣[T]的分解，與Yamaguchi分解散射機(jī)制不同，引入了散射熵H、各向異性A和α角，導(dǎo)致二者在分類時對于不同地類各有優(yōu)勢。因此，考慮結(jié)合Cloude分解和Yamaguchi分解提取極化特征信息，并進(jìn)行SVM監(jiān)督分類，結(jié)果見圖3d及表2。分類方法與單獨(dú)基于Cloude、Yamaguchi的SVM監(jiān)督分類方法相比，分類總體精度有所提高，為85.94%。Yamaguchi分解依其對城區(qū)建筑的分類優(yōu)勢，提高了Cloude分解在建筑類別上的分類精度；Cloude分解依其對水體的良好分類效果，彌補(bǔ)了Yamaguchi分解對水體分類精度低的不足。上述結(jié)果表明，Cloude分解和Yamaguchi分解具有信息互補(bǔ)作用，可以將二者結(jié)合作為極化特征信息，提高分類精度。

表2 基于Cloude分解、Yamaguchi分解及二者結(jié)合的SVM監(jiān)督分類結(jié)果精度評價

由于全極化SAR影像不單含有極化特征信息，還包含紋理信息，因此利用灰度共生矩陣提取紋理信息并引入特征集，采用相同的訓(xùn)練樣本進(jìn)行分類，結(jié)果如圖3e及表3所示。

表3 結(jié)合紋理信息前后的SVM監(jiān)督分類結(jié)果精度評價

當(dāng)利用Cloude分解和Yamaguchi分解結(jié)合的極化特征集進(jìn)行分類時，研究區(qū)東側(cè)間接分布有林地的建筑區(qū)被分為了建筑和林地?fù)桨耄e分現(xiàn)象明顯。結(jié)合紋理信息后，該現(xiàn)象得到緩解。研究區(qū)中明顯的河流水域在未結(jié)合紋理信息前，可見其上散落分布著被錯分為農(nóng)用地的像元，且河流水域邊界不規(guī)整。結(jié)合紋理信息后，河流水域上只零星分布著兩3個被錯分的像元，且河流水域邊界更規(guī)整。結(jié)合表3定量分析，在結(jié)合Cloude分解和Yamaguchi分解的特征集中，再引入紋理信息進(jìn)行SVM監(jiān)督分類，分類總體精度從85.94%顯著提高到90.86%。而且各地類分類精度都有所提高，其中農(nóng)用地提高0.85%、水體提高1.32%、林地提高7.66%、建筑提高14.51%，表明紋理信息在全極化SAR影像分類時可起到良好的輔助作用。

4 結(jié) 語

本文選用Radarsat-2全極化SAR數(shù)據(jù)，對Cloude、Freeman、Yamaguchi 3種不同目標(biāo)分解方法所得到的極化特征進(jìn)行SVM監(jiān)督分類實驗。通過對比分析可以發(fā)現(xiàn),Cloude分解是3種分解方法中分類總體精度最高的，Yamaguchi分解次之，F(xiàn)reeman分解相對精度最低。同時，Yamaguchi分解在各類別的分類精度均優(yōu)于Freeman分解，但與Cloude分解相比較，依類別不同而各有優(yōu)勢。將Cloude分解和Yamaguchi分解結(jié)合提取極化特征信息并進(jìn)行SVM監(jiān)督分類，分類總體精度優(yōu)于單獨(dú)基于Cloude分解、Yamaguchi分解的分類方法?？紤]到紋理信息與極化特征信息在表現(xiàn)地物特性方面的互補(bǔ)性，最終再將紋理信息與極化特征信息結(jié)合進(jìn)行全極化SAR影像SVM監(jiān)督分類。實驗結(jié)果表明，分類總體精度為90.86%，Kappa系數(shù)為0.875 4，與不結(jié)合紋理信息的分類結(jié)果相比總體精度提高了4.92%。

[1] 吳永輝．極化SAR圖像分類技術(shù)研究[D]．長沙：國防科學(xué)技術(shù)大學(xué),2007

[2] 趙力文．基于目標(biāo)分解理論的極化SAR圖像分類方法研究[D]．長沙：國防科學(xué)技術(shù)大學(xué),2007

[3] 張祥,鄧喀中,范洪冬,等．基于目標(biāo)分解的極化SAR圖像SVM監(jiān)督分類[J]．計算機(jī)應(yīng)用研究,2013,30(1):295-298

[4] 陳勁松,邵蕓,李震．基于目標(biāo)分解理論的全極化SAR圖像神經(jīng)網(wǎng)絡(luò)分類方法[J]．中國圖象圖形學(xué)報,2004,9(5):42-46

[5] 付姣．基于紋理和極化特征的SAR影像分類[D]．阜新：遼寧工程技術(shù)大學(xué),2013

[6] 王超,張紅,陳曦,等．全極化合成孔徑雷達(dá)圖像處理[M]．北京:科學(xué)出版社,2008

[7] 劉利敏,余潔,燕琴,等．引入紋理特征的SSVM算法在極化SAR影像分類中的應(yīng)用[J]．測繪通報,2012(8):7-10

[8] 任國貞,江濤．基于灰度共生矩陣的紋理提取方法研究[J]．計算機(jī)應(yīng)用與軟件,2014,31(11):190-192

[9]安智暉,余潔,劉利敏．結(jié)合紋理信息的極化SAR影像分類研究[J]．地理空間信息,2016,14(2):41-43