一種結(jié)合紋理特征的極化SAR圖像分類方法★

黃鵬艷 范永良

(1.洛陽理工學院土木工程學院，河南洛陽 471000; 2.中航光電科技股份有限公司，河南洛陽 471000)

0 引言

合成孔徑雷達(SAR)技術(shù)與系統(tǒng)已從單波段、單極化逐步發(fā)展到多波段、全極化［1］。全極化SAR(PolSAR)圖像中蘊含的信息豐富，利用從圖像中獲取的特征向量對PolSAR圖像進行分類逐漸成為研究熱點，而最常見的方式是利用極化特征向量進行分類［2］。通過目標分解的方法對圖像的散射數(shù)據(jù)提取參數(shù)構(gòu)成極化特征向量［3］。此外，PolSAR圖像中蘊含著豐富的紋理信息［4］，紋理特征是一種重要的視覺特征，可以表現(xiàn)地物目標在結(jié)構(gòu)排列和地表粗糙度上的一些特點，極化特性相似的地物可通過不同的紋理特征得到進一步劃分。對獲取的極化SAR灰度圖提取紋理特征參數(shù)構(gòu)成紋理特征向量，與提取的極化特征向量相結(jié)合用于PolSAR圖像分類。因此，本文研究加入紋理特征的PolSAR圖像分類，給出了兩種特征向量的提取和組合過程，并采用支持向量機(SVM)方法進行分類［5，6］。本文以湖北咸寧地區(qū)的PolSAR數(shù)據(jù)為例進行分類實驗，對在不同特征向量下分類精度進行分析，以證明紋理特征與極化特征結(jié)合用于極化SAR圖像分類可以提高PolSAR圖像分類精度。

1 算法原理

地物的極化特征是基于目標散射屬性的特征，能與目標的結(jié)構(gòu)形狀特征很好地聯(lián)系，可通過目標分解［3］的方法得到用于Pol-SAR圖像分類。極化特征是PolSAR圖像分類最常使用的特征，但它也有一定的限制。極化信息是基于像素級別的描述，不能利用圖像的統(tǒng)計知識信息，限制了相似的地表類別的區(qū)分能力，所以在反映圖像的空間分布特征和細節(jié)表現(xiàn)上能力有限。紋理特征是一種視覺特征［4］，可以表現(xiàn)地物目標在結(jié)構(gòu)排列和地表粗糙度等表面信息。從圖像中提取紋理信息并將其與極化特征相結(jié)合用于圖像分類中，使得圖像中蘊含著的極化、紋理不同類型的參數(shù)綜合發(fā)揮分類功能，提供區(qū)別多種地物類別的多方面分類信息，提高分類精度。

1.1 極化特征提取

極化目標分解是基于切合實際的物理約束解譯目標的散射機制，不同的目標分解方法從不同角度對基礎(chǔ)散射機制進行物理解釋。Pauli分解是一種經(jīng)典的相干極化目標分解方法，可得到|a|2，|b|2，|c|2特征參數(shù)，分別表示單次散射、二面角散射、不對稱分量的散射能量。Krogager分解得到ks，kd，kh特征參數(shù)，分別表示球、二面角、螺旋體的散射能量。Cloude-Pottier分解［7］使用最廣泛，可得到如下參數(shù):極化散射參數(shù)珔α，珔β，珋δ，珔γ;各項異性度A提供了相對較弱的兩個散射分量之間的大小關(guān)系;極化散射熵H描述各種不同散射類型在統(tǒng)計意義上的無序性;λ1，λ2，λ3表示各散射機制的權(quán)重。Yamaguchi分解得到 Ps，Pd，Pv，Pc四個參數(shù)分別對應表面散射、二次散射、體散射、螺旋體散射的功率，對人造目標有獨特的識別能力。綜合利用Pauli，Krogager，Cloude-Pottier，Yamaguchi四種目標分解方法得到的參數(shù)構(gòu)成極化特征向量，如式(1)所示。

1.2 紋理特征提取

提取紋理特征值的方法有多種，本文采用灰度共生矩陣法［8］。紋理特征參數(shù)較多，其中，對比度反映圖像局部灰度變化，水體和建筑物與周圍地物灰度變化明顯，對比度圖像中表現(xiàn)為較亮區(qū)域;相異性表征紋理之間的差異性，能將地物的邊緣信息提取出來;信息熵的大小表示圖像紋理的復雜度，建筑物和水體的紋理較為簡單，熵值較小，熵圖像表現(xiàn)為較暗;協(xié)同性能識別局部的相似紋理信息;均值反映圖像灰度的均勻性，水域、道路、建筑物區(qū)域的灰度較為均勻，在均值圖像上表現(xiàn)為較高的亮度;一致性反映圖像局部紋理的一致性，水域的紋理一致性最為突出。分別用 CON，DIS，ENT，HOM，MEA，UNI來表示以上六個紋理特征參數(shù)。將六個紋理特征參數(shù)組成紋理特征向量如式(2)所示。

1.3 基于極化和紋理特征向量的SVM分類

1)對PolSAR數(shù)據(jù)進行濾波處理以降低相干斑噪聲的影響，同時保持圖像的邊緣信息和細節(jié)信息。

2)對濾波處理后的PolSAR數(shù)據(jù)進行多種極化目標分解，組成極化特征向量v。

3)提取紋理特征值，組成紋理特征向量vt。

4)極化特征向量與紋理特征向量進行組合，構(gòu)成新的特征向量v+vt。

5)分別利用特征向量v和v+vt進行分類，并對比分類精度。

2 分類實驗

2.1 實驗數(shù)據(jù)

本文選用湖北咸寧地區(qū)在2013年4月12日采集的全極化數(shù)據(jù)進行實驗，數(shù)據(jù)采集傳感器為 Radarsat-2，為 C波段(37.5 mm～75 mm)成像的SLC數(shù)據(jù)，距離向分辨率為4.73 mm，方位向分辨率為4.96 mm。實驗圖像為HH，HV，VH，VV四個極化通道的灰度圖，提取紋理參數(shù)需提供的總功率SPAN圖像。為對比分析分類精度還提供同一研究區(qū)域的分辨率較高的光學影像圖。四個極化通道灰度圖像、總功率灰度圖、光學影像圖如圖1所示。

圖1 實驗數(shù)據(jù)

在全極化SAR圖像中，純凈的水體介電常數(shù)非常高，幾乎不能被電磁波穿透，研究區(qū)域風浪一般較小，粗糙度小，平靜的水面易發(fā)生鏡面反射，圖像上表現(xiàn)為較暗的區(qū)域。道路的特點為質(zhì)地堅硬，表面平坦光滑，細長型，散射機制為鏡面反射，標準高度差小，圖像上表現(xiàn)為較暗區(qū)域。建筑物為強散射體，表現(xiàn)為偶次散射，圖像上表現(xiàn)較亮。高矮不同的植被表現(xiàn)為體散射。裸地由于受到含水量和表面粗糙度的影響，散射過程較為復雜。本文中將試驗區(qū)域的地物類別分為五類，即水域、道路、建筑、植被、裸地。

2.2 提取特征向量

在3×3窗口下采用極化LEE濾波對實驗數(shù)據(jù)進行濾波去噪，之后進行極化目標分解，按照式(1)構(gòu)成極化特征向量v。對總功率SPAN灰度圖，按照式(2)構(gòu)成紋理特征向量vt。極化特征向量v與紋理特征向量vt結(jié)合構(gòu)成組合特征向量v+vt。

2.3 分類結(jié)果及對比分析

使用SVM分類方法，分別利用v和v+vt對實驗數(shù)據(jù)進行分類，結(jié)果如圖2所示。

圖2 分類結(jié)果

與分辨率較高的光學影像進行對比可以看出，僅利用極化特征向量v的分類結(jié)果(見圖2a))，五種地物類別區(qū)域雖大致得到劃分，但區(qū)分度較差。加入紋理特征向量v+vt的分類效果(如圖2b)所示)較好，地物區(qū)分明顯，水域邊緣、道路等細節(jié)信息清晰。對分類結(jié)果進行定量分析，計算混淆矩陣得到分類精度，利用v和v+vt的分類精度對比如圖3所示。

極化特征向量v的分類精度為88.60%，加入紋理特征的特征向量v+vt的分類精度為95.87%，精度增長7.27%。對于道路，僅使用極化信息難以識別道路這種細長的地物，分類精度僅為72.92%，加入紋理特征參數(shù)后，道路的分類精度提高為90.97%;植被散射過程復雜，裸地與道路、建筑物具有相似的散射性，僅利用極化特征分類時植被和裸地的精度較低，分別為87.65%和89.36%，加入紋理特征向量后，植被和裸地的分類精度提高為96.61%和97.08%;水域和建筑物是強散射體，僅利用極化信息已經(jīng)能將其很好地分類識別，紋理特征的加入使其分類精度小幅度提升。

圖3 分類精度對比

3 結(jié)語

1)本文通過將紋理特征向量和極化特征向量相結(jié)合，進行PolSAR圖像分類方法的研究，闡述了算法原理并進行了實驗驗證。實驗結(jié)果表明，與僅利用極化特征向量相比，紋理特征向量的加入充分挖掘了隱藏在灰度圖像上的信息，改善了散射特性類似的地物之間的區(qū)別能力，使得總分類精度提升了7.27%。

2)紋理特征的加入對各類地物的識別均有促進作用。水域和建筑物這種強散射體僅利用極化特征的分類精度已經(jīng)很高，紋理特征的加入使得這兩者的分類精度小幅提升，而對散射特性不明顯的道路，植被，裸地，紋理特征的加入使得其分類精度顯著增加。