融合極化SAR圖像色彩信息的地物分類新方法

周 濤，代大海，邢世其，劉 陽，王雪松

(1.國防科技大學(xué) 電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點實驗室，湖南 長沙 410073；2.國防科技大學(xué) 電子科學(xué)學(xué)院，湖南 長沙 410073；3.中國人民解放軍31677部隊博士后工作站，河北 保定 072154)

0 引言

極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar，PolSAR)具有全天時、全天候的工作能力，通過收發(fā)正交極化狀態(tài)的電磁波來實現(xiàn)目標(biāo)全極化信息的獲取。相比于單極化SAR，極化SAR能夠獲取更為豐富的目標(biāo)信息[1-3]。地物分類[4-5]作為極化SAR的典型應(yīng)用，廣泛應(yīng)用于土地資源利用管理和農(nóng)作物生長監(jiān)控等領(lǐng)域。高精度的地物分類方法成為實際應(yīng)用的迫切需求。

色彩信息作為一種直觀的極化散射特性的表示方式，通常被用于結(jié)果表示，而很少對其進行處理與運用[6]。盡管原始的極化數(shù)據(jù)并不具備色彩信息，但可以通過極化分解，生成偽彩色圖來進行初步解析和可視化，充分利用色彩信息對于極化SAR圖像的解譯極其重要。

從分類對象的角度，極化SAR圖像的分類方法可以分為基于像素和基于像素域[7-9]。傳統(tǒng)的分類方法大都基于像素處理，優(yōu)點在于其具有很強的保留地物詳細信息和邊緣的能力，而其最大的缺點在于對相干斑噪聲極其敏感，同時因其計算效率低下，對于高分辨率的極化SAR圖像不具備適應(yīng)性。超像素用于圖像分割，是實現(xiàn)基于像素域的極化SAR圖像分類的常用方法。超像素是圖像上的像素顏色、位置以及光譜等特征相近或者相似的勻質(zhì)區(qū)域。超像素生成算法主要過程是將圖像分割成更小的像素域。常用的超像素生成算法，例如Meanshift[10]和Quickshift[11]都已經(jīng)被用于極化SAR圖像分類[12]。但是這些方法計算復(fù)雜度較高并且超像素生成結(jié)果的邊緣保持能力弱。簡單線性迭代聚類算法[13](Simple Linear Iterative Clustering，SLIC)極大地提高了其他領(lǐng)域?qū)Τ袼厣伤惴ǖ恼J識，它也成為當(dāng)下最流行的超像素生成算法之一。

對于極化SAR地物的監(jiān)督分類方法主要有以下2種：

① 基于極化SAR圖像的特征提取及優(yōu)選[14]，通過將不同的特征參數(shù)組合成不同的特征集合，得到更高區(qū)分度的特征集[6]，其中極化特征參數(shù)主要通過極化分解方法得到。例如Cloude-Pottier分解得到的極化散射熵/極化散射參數(shù)/極化散射各向異性度(H/α/A)參數(shù)[15]、Freeman-Durden三分量分解[16]和Yamaguchi四分量分解[17]。

② 基于Wishart距離度量[18]的監(jiān)督分類。對于極化SAR圖像特征提取與優(yōu)選而言，有計算量大、優(yōu)選后的特征適應(yīng)性弱等缺點，而Wishart分類器則具有簡單、高效的優(yōu)勢。

本文提出了一種結(jié)合超像素生成算法SLIC和Wishart分類器的極化SAR地物分類新方法，利用極化SAR圖像中色彩信息與極化數(shù)據(jù)散射特性之間的對應(yīng)關(guān)系，在圖像域?qū)?shù)據(jù)進行預(yù)處理，該方法極大地提升了地物分類精度以及抗噪聲性能。

1 極化SAR色彩信息提取

極化分解后得到的偽彩色圖提供了豐富的信息，是極化數(shù)據(jù)可視化的一種重要途徑。多種極化分解方法都能夠生成偽彩色圖像，而Pauli分解具有簡單、普遍適用的特點，其結(jié)果反應(yīng)了目標(biāo)的物理散射機制，得到的偽彩色圖更符合人的視覺偏好。為了對比說明，同時也采用Yamaguchi四分量分解生成偽彩色圖。

Pauli分解將散射矩陣[S]分解為多個Pauli基矩陣之和，每個Pauli基矩陣都對應(yīng)一種基本的散射機制。在單站條件下，其分解過程如下：

(1)

通過Pauli分解，所有的極化信息都可以由各分量的強度(|α|2，|β|2，|γ|2)來表示。偽彩色圖生成的方式是將|β|2，|γ|2，|α|2與RGB色域中的紅色、綠色和藍色相對應(yīng)。

Yamaguchi四分量分解模型中引入了第4種成分，廣泛適用于散射體具有復(fù)雜幾何散射結(jié)構(gòu)的情況。其分解過程是基于相干矩陣的分解。相干矩陣分解過程如下：

〈T〉=fs〈T〉surface+fd〈T〉double+fv〈T〉vol+fc〈T〉helix，

(2)

式中，fs，fd，fv，fc分別表示鏡面散射、二次散射、體散射和螺旋散射系數(shù)；〈T〉surface，〈T〉double，〈T〉vol，〈T〉helix分別對應(yīng)鏡面散射、二次散射、體散射和螺旋散射相干矩陣。螺旋散射分量主要用于建筑物的分類，對于極化SAR地物圖像而言該散射分量所占比例極少，對于分類意義不大，故沒有考慮此分量對于色彩合成的影響。四分量分解偽彩色圖生成方式中，色彩合成與各散射機制成分的功率相對應(yīng)，即PD，PV，PS與RGB色域中的紅色、綠色和藍色相對應(yīng)。

2 超像素生成算法SLIC

隨著學(xué)科交叉融合的不斷深入，超像素生成算法也逐步被應(yīng)用于極化SAR圖像的處理。本文采用SLIC作為極化SAR地物分類的超像素生成算法，對極化分解后的偽彩色圖像生成超像素，SLIC在邊界依存性，分割效率具有極好的性能表現(xiàn)，成為當(dāng)前主流的超像素生成算法。通過改變超像素的數(shù)量K和超像素間的緊湊性參數(shù)m可以適應(yīng)不同的極化SAR圖像。本文使用色彩信息來實現(xiàn)超像素分割，充分利用偽彩色圖提供的色彩信息來提升分類準(zhǔn)確性。

SLIC根據(jù)像素的色彩信息和空間位置作為距離度量來對像素進行聚類，在[l，a，b，x，y]的5維空間中，[l，a，b]是像素點在CIELAB色彩空間中的色彩向量，[x，y]表示像素點的位置。對于極化分解后的偽彩色圖，首先要將極化SAR圖像從RGB色域轉(zhuǎn)化到LAB色域，然后才可以對其進行SLIC處理。

整個超像素生成過程需要用到以上LAB色彩空間的特征值以及位置信息共5維特征矢量，核心步驟如下：

② 聚類中心校正。為避免聚類中心落在圖像邊緣或者噪聲點上，以每個聚類中心為窗口基準(zhǔn)，在大小為3×3范圍內(nèi)搜索梯度最小的位置，并替換為新的聚類中心。圖像的梯度計算公式為：

G(x，y)= ‖I(x+1，y)-I(x-1，y)‖2+

‖I(x，y+1)-I(x，y-1)‖2。

(3)

③ 迭代聚類。這是整個算法的核心步驟，主要分為2部分：像素相似度構(gòu)建和確定搜索范圍。由于像素的LAB色彩空間和空間位置信息的量綱和取值范圍不同，需要分別計算距離。

SLIC使用的距離定義為：

(4)

式中，dlab為像素色彩空間特征距離；dxy為像素空間位置距離；DS為結(jié)合色彩信息和空間位置信息的像素距離度量。

參數(shù)m稱為緊湊性參數(shù)，是調(diào)節(jié)2種距離度量的調(diào)節(jié)因子，當(dāng)m較大時，空間距離占主要部分，生成的超像素會更規(guī)則；當(dāng)m較小時，色彩距離占主要部分，生成的超像素對圖像邊緣擬合性更好，但是規(guī)則性較差。

3 本文方法總體框架

本文方法總體框架如圖1所示。

圖1 融合色彩信息的極化SAR地物分類方法總體框架

根據(jù)色彩信息和空間位置生成超像素，再使用Wishart分類器進行分類，需要以下4個步驟：

① 極化SAR數(shù)據(jù)預(yù)處理。為了減少相干斑噪聲，常用的方法是首先對其進行多視處理，然后采用Refined Lee相干斑濾波器[19]進一步抑制相干斑噪聲。

② 極化分解提取色彩信息。通過對極化SAR數(shù)據(jù)進行Pauli分解和四分量分解，生成偽彩色圖像，獲取極化SAR數(shù)據(jù)中的色彩信息。

③ SLIC超像素生成。對極化分解后的偽彩色圖像，采用SLIC超像素生成算法高效地生成超像素，其中需要設(shè)置關(guān)鍵的參數(shù)為超像素數(shù)量K和超像素緊湊性參數(shù)m。

④ 基于Wishart距離度量的超像素分類器。由于相干矩陣服從復(fù)Wishart分布，可以計算出像素間的Wishart距離度量，以此實現(xiàn)Wishart分類器?；谝阎挠?xùn)練集，首先計算每種地物類型的相干矩陣的均值，作為每個類別的聚類中心，然后計算單個超像素內(nèi)每個像素的Wishart分類結(jié)果，取所有像素分類結(jié)果的眾數(shù)作為該超像素的類別。依次將所有超像素與其類別對應(yīng)，得出最終分類結(jié)果。這種取超像素內(nèi)所有點像素分類結(jié)果眾數(shù)的方法充分利用了傳統(tǒng)方法的結(jié)果進行后續(xù)處理，同時有效避免了因超像素生成算法對邊界細節(jié)敏感而導(dǎo)致的分類結(jié)果偏差，能有效提高總體精度，但在一定程度上犧牲了效率[20]。

4 實驗結(jié)果及分析

本文使用NASA/JPL AIRSAR系統(tǒng)在荷蘭Flevoland地區(qū)獲得的4視L波段381×280像素區(qū)域的全極化SAR數(shù)據(jù)進行地物分類實驗。預(yù)處理過程中采用5×5 Refined Lee濾波器抑制相干斑噪聲。極化分解和相干斑濾波后的極化SAR偽彩色圖像如圖2(a)所示。訓(xùn)練集和真實地物類型如圖2(b)和圖2 (c)所示。截取的區(qū)域是被廣泛使用的Flevoland地區(qū)Mask1[21-22]。

圖2 實驗原始數(shù)據(jù)

4.1 超像素生成算法的參數(shù)設(shè)置

SLIC超像素生成算法依賴于超像素緊湊性參數(shù)m和超像素生成數(shù)量K，為了尋找合適的參數(shù)，通過控制變量法，依次分析了2個參數(shù)對于總體分類精度的影響。為了保證較高的總體精度和充分發(fā)揮超像素在抗噪聲性能強、效率高的優(yōu)勢，選取超像素生成數(shù)量K=300，超像素緊湊性參數(shù)m=60。

4.2 不同極化分解方法對分類效果的影響

極化分解生成偽彩色圖像是提高分類總體精度的關(guān)鍵步驟，為此，對比了Pauli分解和四分量分解的分類效果，2種分解方法的分類結(jié)果如圖3所示。從圖3中可以看出，雖然四分量分解更為復(fù)雜，色彩信息更為豐富，但其總體分類精度卻劣于Pauli分解。故對于勻質(zhì)地物的分類，簡單的Pauli分解能夠提供更具辨識能力的色彩信息，故選擇采用Pauli分解對極化SAR數(shù)據(jù)進行色彩信息的提取。

圖3 不同極化分解方法對應(yīng)的分類結(jié)果

為了更為詳盡地定量分析分類正確率，表1列舉出了基于Pauli分解，融合色彩信息的極化SAR地物分類方法對于8種地物類型分類結(jié)果的混淆矩陣，對角線上的值代表每種地物類型分類的正確率，相應(yīng)的總體分類精度達到了97.81%。

表1 本文方法中各地物類型分類結(jié)果的混淆矩陣 (%)

4.3 本文方法與基于像素的Wishart距離分類方法對比

本文方法充分利用了勻質(zhì)地物類型的特點，將超像素作為一個整體，對其整體進行分類，克服了對相干斑噪聲敏感的缺點，對比結(jié)果如表2所示。其總體分類精度相對于基于像素的Wishart距離分類方法提升約7%的精度，并且每一種地物類型的精度都有不同程度的提升，體現(xiàn)了融合色彩信息對于傳統(tǒng)分類效果的提升具有一致性。

表2 2種分類方法所得的分類精度 (%)

為了驗證本文方法的抗噪聲性能，分別對未濾波、3×3 Refined Lee和5×5 Refined Lee的Pauli分解的偽彩色圖像進行分類實驗，得到了2種分類方法抗噪聲性能比較結(jié)果圖，結(jié)果如圖4所示。同時定量分析了2種方法在不同的相干斑噪聲環(huán)境下，對各種地物類型分類精度和總體精度的影響。2種分類方法抗噪聲性能定量比較如圖5所示。

圖4 本文方法與基于像素的Wishart距離分類方法的分類結(jié)果對比

圖5 2種分類方法抗噪聲性能比較

從圖4和圖5中可以看出，基于像素的分類方法對噪聲很敏感，而本文方法則具有良好的抗噪聲性能。

5 結(jié)束語

本文提出了一種融合色彩信息的極化SAR地物分類方法，充分利用了極化SAR數(shù)據(jù)中的色彩信息，相對于傳統(tǒng)的基于像素的分類方法，提升了約7%的精度，極大地提升了地物分類效果。同時通過超像素生成算法，將超像素看作一個整體，獲得了優(yōu)良的抗噪聲性能。但是由于將一個超像素的內(nèi)部看成一個整體，分類的精度取決于單個像素是否正確地被歸入鄰近的超像素，對于更為復(fù)雜的分類問題，則會制約分類效果的提升，所以本文的方法對于勻質(zhì)地物的分類才具有較好的適應(yīng)性。

色彩信息的潛在價值還沒有被充分利用，當(dāng)前對于極化SAR數(shù)據(jù)的處理方式還停留在數(shù)據(jù)域，而往往忽視色彩這種直觀的視覺化表示，隨著機器學(xué)習(xí)和圖像處理技術(shù)的深入結(jié)合，色彩信息對于人造物體等更為復(fù)雜的目標(biāo)分類有待更深入的研究。