4分量模型和散射参数的全极化雷达图像分类

邵永社，韩 阳，吕倩利，杨书娟

（1.同济大学 测量与国土信息工程系，上海200092；2.同济大学 遥感空间信息技术研究中心，上海200092）

遥感影像的分类识别是遥感影像分析的重要内容.由于对地物光谱和成像影响因素的认知不足，遥感影像分类识别技术的应用受到极大限制.极化合成孔径雷达（polarized synthetic aperture radar，POLSAR，极化SAR）可以从地物本身极化散射机理出发，建立地物散射模型，较好地描述地物的成像特性，成为遥感影像分类识别的重要研究方向.

1997 年，英国学者Cloude 利用其提出的Cloude分解模型获得的散射熵H与表征地物散射机理的角度α，得到了著名的H／α分类算法［1］，从而走出了利用目标分解理论研究极化SAR 图像分类的第一步.随后，基于目标分解理论的极化SAR 图像分类方法，成为该领域近十年来研究热点和极有潜力的发展方向.为了改善H／α分类的性能，1998年，Lee等人结合H／α非监督分类算法和相干矩阵的统计特性，提出了WishartH／α非监督分类算法［2］，将H／α非监督分类的结果作为初始值，利用复Wishart聚类算法循环迭代，获得较好的分类结果.在2000—2002年，Pottier等对WishartH／α分类算法进一步改进，通过在初始化分类中增加各向异性度，提出了WishartH／（αA）（A为各向异性度）分类算法［3］，进一步提高了分类器性能.为了能够保持地物的极化散射特性，Lee等人于2004年进一步提出了Freeman分解与散射熵结合的复Wishart分类器地物分类算法［4－5］，利用Freeman分解提供的3种散射机理模型，将地物目标粗略划分为3大类别，然后在各大类别内进行基于Wishart迭代的小类合并与再次分类.由于较充分地利用了散射机理信息与统计分布信息，该算法能明显改善分类的最终效果.

极化SAR 影像分类的基础是目标的极化分解，主要思想在于把数据与目标的物理散射特性联系起来，根据测量数据描述目标结构.Freeman分解是把数据分解成平面散射、二面角散射和体散射3类［6］；Cloude分解引入极化熵H、散射角α和各向异性度A，进一步将极化数据分解成9 个区域和8 类数据（其中高熵表面散射在物理上不对应任何散射体），且9个区域的边界受数据质量等因素影响并不是绝对的.因此，合理利用各种先验信息是进一步提升分类算法性能和效率的关键.Wishart统计分布信息对于提高分类精度具有明显作用，利用这一统计特性进行迭代可以提高精度.但大量迭代导致计算量成倍增长而精度没有显著提高［2，4－5］，因此，增加先验信息知识的应用，结合Wishart统计分布，可以有效提高算法的精度与速度.基于上述分析，笔者提出一种新的极化SAR 图像迭代分类算法：首先对利用Yamaguchi分解和H／α分解得到的6 个表征地物特性的参数预分类，然后使用复Wishart分类器对初始类别迭代分类，得到满意的分类结果.

1 目标散射分解模型

1.1 Yamaguchi分解

从构建目标物理散射模型的角度出发，日本学者Yamaguchi在经典的Freeman分解的3分量（体散射、表面散射及偶次散射）散射模型基础上，引入了第4个分量：由螺旋体散射引起的helix 散射分量［7－8］.其分解模型表示为

式中：CV为体散射模型，又称冠层散射体，是一组方向随机的偶极子集合，对应的典型地物为树冠，fV为该模型对应分量；CD为偶次散射模型，是1 个二面角反射器，对应典型地物为建筑、粗壮树干及受波浪影响的水体等，fD为该模型对应分量；CS为奇次散射模型，是1阶Bragg表面散射体，对应典型地物为海洋或者粗糙地表，fS为对应分量；CH为新增加的螺旋分量，与在城区占主导的复杂形状人造地物有关，同时对植被的CV作了修正及补充，以适应不同的 地 物 情 况.CV，CD，CS可 依 据Freeman 分 解 求解，CH分量表示为

Yamaguchi分解对目标的物理散射机理进行数学建模，将目标的物理特性用数学方法表现出来，使得分解后的结果具有显著的物理意义.不足之处是难以覆盖所有地物模型.

1.2 H／α 平面分解

Cloude和Pottier 提出基于特征向量分解的Cloude－Pottier分解方法，利用散射角α和极化散射熵H这2 个参数表征随机散射体的极化特征.首先，对相干矩阵进行特征矢量分析，公式为

式中，ei和λi分别表示特征值和特征向量

式中：δi为极化散射矩阵系数组合Shh＋Svv和Shh－Svv的相位差，γi为Shh＋Svv和Shv的相位差.则

Cloude分解并不局限于几种特定的散射机制，得出的是地物散射的2个特性参数：H和α.H可以描述目标散射过程的随机性，当H＝0时，对应于一种确定的散射过程；当H＝1时，目标的散射过程完全退化为随机噪声.α是识别主要散射机制的参数，当α由0°连续增加为90°时，其对应的散射机制由几何光学的表面散射，渐变为物理光学的表面散射，即Bragg表面散射模型，在经过了偶极子散射（α＝45°）后，转变为两种电介质表面的二次散射，最后转变为金属表面的二次散射.

结合H和α，可以得到一个H／α二维平面.该平面可归为9个区域，由于高熵表面散射在物理上不对应任何散射体，所以可分为8个类别.其不足在于对数据中包含的信息利用不完全，1个区域内可能包含不同散射机理的地物，分类结果不够精确.

2 全极化SAR 图像的分类实现

本方法思路及具体步骤如下：

（1）对极化SAR 数据进行相干斑滤波处理，尽可能过滤噪声.

（2）分解Yamaguchi模型，获得该图像每个像素的4种散射（体散射分量，奇次散射分量，偶次散射分量和螺旋散射分量）的功率，并依据功率大小排序，确定该像素的主散射机理.

（3）利用Cloude－Pottier分解获得每个像素的H和α.需要说明的是，二者都是像素对应视场内的平均结果，不具有绝对性，而且随着分辨率的减小，作用也在衰减.

（4）根据经典的H／α平面划分散射熵，将散射熵取值划分为3个区域，即低熵区、中熵区和高熵区（高熵区域基本不含极化信息），然后再标记出区域内每个像素对应的主散射分量.

（5）依目标散射特性预分类.由于散射角是分辨单元内各物体散射角的加权平均值，对地物变化不敏感，因此在反映分辨单元的散射机理方面不如主散射分量精确完整.对于低熵区，如果主散射分量是体散射，则该机制由植被冠层产生，可以划分为植被；主分量为奇次散射，散射角阈值可将其区分为水体和粗糙地表；主分量为偶次散射，散射角阈值可将其划分为水体和建筑.本方法散射角选取的阈值参考H／α平面子区的划分.具体分类依据见表1.

表1 地物散射归类表Tab.1 Objects scattering properties

（6）为每类地物选取颜色合成假彩色.将植被赋予绿色；建筑粉红色；城市复杂地物白色；粗糙地表黄色；混合植被深绿色；考虑到水体表面粗糙度不同［9］，给予平静水面海蓝色（奇次散射为主散射分量）、粗糙水体深蓝色（偶次散射为主散射分量）两种相近色彩.

（7）进行Wishart聚类迭代.满足迭代中止条件时退出迭代过程，此时分类结果能够达到较好的收敛稳定性.一般情况下，迭代2～4次即可得到比较稳定的分类结果.

3 实验结果及分析

实验数据为AIRSAR系统获取美国San Francisco Bay地区的L波段全极化数据，该数据经过四视处理.图像为1 024×900像素点，是包含植被、海洋和建筑的典型图像［10－11］，分辨率为10m×10m.该地区对应的光学图像和Yamaguchi分解伪彩色合成图像见图1.

图1 光学与Yamaguchi分解彩色合成Fig.1 Visible optical and Yamaguchi decomposition image

相比光学彩色图像，Yamaguchi分解彩色合成图像能更有效地描述地物分布，视觉判读效果更好.Yamaguchi分解各散射分量如图2所示.

图2 Yamaguchi分解结果Fig.2 Result of Yamaguchi decomposition

图2进一步解释了Yamaguchi分解和散射分量特性（像素亮度代表散射分量的高度），水体以奇次散射为主，有部分偶次散射.建筑物受立面和顶端的影响，奇次散射分量和偶次散射分量都很高.植被的上方树冠表面会形成奇次散射，树冠本身会呈现强烈的体散射机理，当树冠比较稀疏时，波长较长的入射波经过粗壮树干和地面的散射会形成偶次散射，而螺旋散射仅仅是在城区个别地区呈白亮色.

图3 数据1的不同方法分类结果比较Fig.3 Comparison of Data 1classification by different methods

如图3a所示，H／α分类（图3a）保持了地物大类的分布，但细节表现力不足，地物轮廓不清晰，海洋 的 异 质 性 未 表 现 出 来；WishartH／α［12－13］和WishartH／（αA）［14－15］分类（图3b，c）未表现出左侧海洋的异质性.本方法（图3d）效果更好，原本不清晰的山脉、植被和城区更易区分，地物细节信息体现得更加精细，左侧海洋的不同层次、左上方山脉的峰谷等均可辨识出来，图像纹理也基本保留.

为了更有效地比较分类结果，在没有实地真实地物数据的情况下，选取了几个具有代表意义的区域作为比较样本区域，如图4和表2所示.

图4 选取的样本Fig.4 The selected samples

表2 选取样本区域坐标Tab.2 Coordinate area values obtaining the samples 像素

表3为各分类法的精度比较.由表可见，本方法分类精度较好.在运算时间方面，在相同的硬件设备（Pentium4，CPU2.4GHz，1GB内存）和软件平台（Windows XP，Matlab 7）条件下，本方法对实验数据分类耗时约6 min，迭代2次；文献［5］方法对实验数据分类耗时10 min，迭代4次；文献［2］方法耗时13 min，迭代4次；文献［4］方法由于大量的类划分与类合并运算，耗时207 min.可见，本方法在保持较好分类效果的同时，运行时间最短.

表3 不同方法分类精度比较Tab.3 Comparison of classification accuracy by different methods %

4 结语

基于目标分解的迭代分类是一种有效的极化SAR 图像非监督分类方法，能获得较高的分类精度.本文提出的方法利用由Yamaguchi分解和H／α分解得到的6个参数进行预分类，使预分类的准确性提高，进而使得用Wishart分类器对初始类迭代分类收敛更快，提高了极化SAR 图像地物分类的效率.

本研究没有地物分布的真实数据，未能进一步定量计算.从分类效果看，需要进一步提高两类别地物的边界，比如森林和作物的散射特性比较相近，两类地物的边界容易混淆.作为解决的途径之一，可以考虑将回波强度参数作为极化特征参数引入到分类算法中，以便保留极化SAR 图像中的细致结构.

［1］ Cloude S R，Pottier E.An entropy based classification scheme for land applications of polarimetric SAR ［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（1）：68.

［2］ Lee J S，Grunes M R，Ainsworth T L，et al.Unsupervised classification using polarimetric decomposition and the complex Wishart classifier［J］.IEEE Transactions on Geoscience and Remote Sensing，1999，37（5）：2249.

［3］ Pottier E.Unsupervised classification scheme and topography derivation of POLSAR data based on theH／（a·A）polarimetric decomposition theorem ［C］ ∥ Proc 4th International workshop on Radar Polarimetry.Nantes：University of Nantes，1998：535－548.

［4］ 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.

［5］ ZHAO Liwen，ZHOU Xiaoguang，JIANG Yongmei，et al.Iterative classification of polarimetric SAR image based on the freeman decomposition and scattering entropy［C］∥Asian and Pacific Conference on Synthetic Aperture Radar Proceedings，Huangshan：China Institute of Electronics，2007：473－477.

［6］ Anthony Freeman，Stephen L，Durden A.Three－component scattering model for polarimetric SAR data［J］.IEEE Transactions on Geoscience and Remote Sensing，1998，36（3）：963.

［7］ Yoshio Yamaguchi，Toshifumi Moriyama，Motoi Ishido，et al.four－component scattering model for polarimetric SAR image decomposition［J］.IEEE Transactions on Geoscience and Remote Sensing，2005，43（8）：1699.

［8］ Yoshio Yamaguchi，Yuki Yajima，Hiroyoshi Yamada.A fourcomponent decomposition of POLSAR images based on the coherency matrix［J］.IEEE Transactions on Geoscience and Remote Sensing Letters，2006，3（3）：292.

［9］ 张海剑，杨文，邹同元.基于四分量散射模型的多极化SAR 图像分类［J］.武汉大学学报：信息科学版，2009，34（1）：104.ZHANG Haijian，YANG Wen，ZOU Tongyuan.Classification of polarimetric SAR image based on four－component scattering model［J］.Geomatics and Information Science of WUhan University，2009，34（1）：104.

［10］ CAO Fang，HONG Wen，WU Yirong，et al.An unsupervised segmentation with an adaptive number of clusters using the SPAN／H／（a·A）Space and the complex wishart clustering for fully polarimetric SAR data［J］.IEEE Transactions on Geoscience And Remote Sensing，2007，45（11）：3454.

［11］ Skriver H，Dall J，Le Toan T，et al，Agriculture classification using POLSAR data［C］∥Proceedings of the 2nd International Workshop on Applications of SAR Polarimetry and Polarimetric Interferometry.Frascati：The European Space Agency，2005：32.

［12］ Chen L，Cao F，Hong W.Unsupervised classification for compact polarimetric SAR data using m－δdecomposition，SPAN and the Wishart classifier［C］∥Asian and Pacific Conference on Synthetic Aperture Radar Proceedings.Xi’an：China Institute of Electronics，2009：742－746.

［13］ Yin J J，Yang J，Yamaguchi Y.A new method for polarimetric SAR image classification.Synthetic Aperture Radar［C］∥Asian and Pacific Conference on Synthetic Aperture Radar Proceedings.Xi’an：China Institute of Electronics，2009：733.

［14］ 林伟，王瑞霞，田铮.有限混合Wishart模型分类多视极化SAR 图像［J］.宇航学报，2009，30（4）：1615.LIN Wei，WANG Ruixia，TIAN Zheng.The mixture wishart model and classification of multi－look polarimetric SAR images［J］.Journal of Astronautics，2009，30（4）：1615.

［15］ 常新盼，邓喀中，王行风.极化SAR 影像分类方法研究［J］.测绘信息与工程，2010，35（4）：26.CHANG Xinpan， DENG Kazhong， WANG Xingfeng.Polarimetric SAR image classification algorithm［J］.Journal of Geomatics，2010，35（4）：26.