不同极化方式SAR与TM融合影像滨海湿地分类精度比较

王霄鹏，张 杰，马 毅，任广波

（1.大连海事大学 信息科学技术学院，辽宁 大连 116026；2.青岛大学 信息工程学院，山东 青岛 266071；3.国家海洋局 第一海洋研究所，山东 青岛 266061）

0 引言

随着光学遥感技术与合成孔径雷达（Synthetic Aperture Radar，SAR）对地观测技术的快速发展，我们所获得的同一个地区的光学影像和SAR影像越来越多。光学多光谱数据反映地表不同地物的反射光谱，含有丰富的光谱信息，但成像质量容易受天气状况影响；而SAR影像反映了地表不同地物的后向散射强度信息，具有全天时、全天候等优点，但缺乏光谱信息。因此，把光学多光谱影像和SAR影像的信息和特点综合起来，进行影像融合，实现优势互补，对遥感图像解译无疑是非常有益的。

目前，使用极化SAR影像进行地物分类，研究重点多集中在对极化SAR影像本身进行分类，或对单极化方式的SAR影像与光学影像融合结果进行分类。LEE et al［1］采用 Wishart最大似然估计法对极化SAR影像进行了分类研究。MICHELSON et al［2］采用最大似然法、SMAP和神经网络算法对Landsat TM和ERS－1SAR进行分类实验，并对其分类结果进行了评价。SHUPE et al［3］采用最大似然法和神经网络对索诺兰沙漠地区的Landsat TM和ERS－1SAR影像进行了植被类型和密度的分类研究。ZHU et al［4］使 用 Landsat ETM＋ 和 ALOS PALSAR数据对波士顿地区的城区进行了地物分类研究。CUTLER et al［5］使用Landsat TM 和JERS－1 SAR融合影像评估了热带森林的生物量。倪心强等［6］使用AdaBoost算法对SAR影像进行了自动分类研究。龚淑蕾 等［7］提出一种基于神经网络的混合方法对极化SAR图像进行分类研究。贾永红 等［8］利用4种典型的IHS变换将SAR与TM的3，4，5波段进行了融合。韩震 等［9］利用ERS－2SAR和Landsat ETM＋数据融合对崇明岛滩涂地表进行了分类。陈伟利 等［10］利用SVM对多光谱影像与SAR图像融合地物进行了分类研究。付仲良 等［11］提出了一种基于灰度和纹理特征组合的SAR影像SVM分类方法，对单波段、单极化的ENVISAT ASAR影像进行了分类。王安琪 等［12］分析了多时相ENVISAT ASAR不同极化下洪河湿地保护区不同地物植被类型的散射特性，并使用HH极化方式SAR影像与TM影像的融合结果辅助决策树的方法进行地物分类。然而，目前对同时相、不同极化方式（HH，HV，VH和VV 4种极化方式）SAR影像与光学影像融合结果在滨海湿地地物分类能力进行比较分析的研究还比较少。

支持向量机（Support Vector Machines，SVM）［13］是近年来应用较广的遥感分类方法，该方法在收敛性、训练速度和分类精度等方面具有较高的效率 因此本文采用SVM算法对不同极化方式的SAR影像与TM影像的融合结果进行滨海湿地典型地物土地覆盖类型分类，并对分类结果进行比较评价。流程如下：首先利用IHS算法对滤噪后的SAR影像与光学影像进行融合，然后使用SVM算法对融合影像进行自动分类，最后对分类结果进行分类精度比较评价。

1 数据与方法

1.1 影像数据

本文所使用的影像覆盖区域为山东黄河三角洲国家级自然保护区南部区域，SAR影像选用Radarsat－2卫星全极化精细模式SAR影像，空间分辨率为8m，成像时间为2009年7月；光学影像为Landsat－5卫星TM影像，空间分辨率为30m，成像时间为2008年7月。两景影像成像清晰，层次丰富，无云雾遮挡，且包含地物相同，可用于融合分类研究。选取原始影像中自然保护区大汶流站附近区域滨海湿地为实验区域，TM影像重采样后的图像大小与SAR影像相同，均为800×800像素（图1a和图1b）。

图1 影像数据Fig.1 Image data

1.2 现场踏勘

黄河口湿地地物丰富，包含有天然湿地和人工湿地，其中天然湿地包括芦苇、翅碱蓬、柽柳等植被，人工湿地包括养殖水面、水库和坑塘。为了准确评价试验区域的地物分类精度，需要得到图像覆盖区域的地物解译图像。为此，本文作者所在课题组于2008年6月和2012年9月两次赴该区域开展现场踏勘，采用典型样区和路线记录的方法采集现场地物类型，积累了详实的地物解译资料（图1c）。

1.3 多极化SAR与TM影像融合分类精度评价

本文所进行的多极化SAR与TM影像融合分类精度评价工作总体思路如下：用于融合的高分辨率数据为SAR影像，多光谱数据为TM影像。首先对TM与SAR影像进行预处理（对TM影像进行重采样，对SAR影像进行几何精校正与空间配准）；使用小波算法对SAR影像进行低通滤噪，将滤噪后的SAR影像和TM影像进行IHS变换融合，合成为融合影像；最后使用SVM算法对融合影像进行地物分类，并基于分类结果开展融合影像分类精度比较评价。处理流程如图2所示：

图2 精度评价工作处理流程图Fig.2 Flow chart of accuracy assessment

1.3.1 数据预处理

采用三次褶积法对较低空间分辨率的TM影像进行重采样，插值获得与SAR影像相同的空间分辨率；基于地面控制点，采用多项式变换模型对SAR影像进行几何校正；经过几何精校正的SAR影像与光学影像通过控制点实现互相配准，误差控制在0.5个像元之内。

1.3.2 SAR影像滤噪

由于SAR影像中含有较明显的斑点噪声，因此必须对SAR影像进行滤噪处理。本文采用Mallat二维塔式快速小波变换［15］进行SAR影像低通滤噪，以滤除影像中的斑点噪声。对原始SAR影像进行多层小波低通滤噪实验，经目视解译和定量分析，发现2层小波低通滤噪可满足本文对SAR影像的处理要求，因此选用2层小波低通滤噪作为本文的SAR影像滤噪方法。

1.3.3 IHS图像融合

使用直方图匹配后的不同极化方式的SAR影像代替TM影像经IHS变换［8］后的I分量，与H、S分量组合后进行IHS反变换，得到融合影像（图3）。该融合影像包含了TM影像的光谱信息和SAR影像的空间细节信息。IHS变换融合过程分为以下4步：

图3 不同极化方式的SAR影像与TM影像融合结果Fig.3 Fused images of different－polarization SAR and TM images

（1）选取TM 多光谱影像的4、3、2波段构成RGB分量组成假彩色图像。

（2）将TM假彩色图像进行IHS变换，变换后得到I、H和S三个分量。

（3）将SAR高分辨率图像与I分量进行直方图匹配，得到I’。

（4）将I’、H和S进行IHS逆变换到RGB空间，生成融合图像。

1.3.4 SVM 分类

支持向量机是根据统计学习理论提出的机器学习方法，能较好地解决在实际应用中存在的小样本、非线性、高维数和局部极小点等问题。支持向量机的基本思想是寻找一个最优可分超平面，使得训练样本中的两类样本能被分开，并且距离该平面尽可能地远。本文使用基于Radial Basis Function核的SVM算法［6］对融合影像进行地物分类。

1.3.5 基于混淆矩阵的精度评价

混淆矩阵主要用于比较分类结果和真实地表信息，可以把分类结果的精度显示在一个矩阵里，通过将每个地表真实像元的位置和分类与分类图像中的相应位置和分类进行比较计算得出。

基于混淆矩阵的统计结果，采用4项评价指标进行评价：对每一类地物的分类精度采用生产者精度和用户精度进行评价；对每次分类的总体分类精度采用总体分类精度和Kappa系数进行评价。

2 融合影像分类结果与分析

2.1 不同极化方式SAR与TM融合影像分类

使用SVM算法对4种极化方式的SAR与TM融合影像进行滨海湿地典型地物土地覆盖分类，基于现场踏勘后的人工解译结果，通过感兴趣区指定5类地物训练样本（每类地物所选择的样本点数为200）：红色区域代表植被（主要为芦苇）；绿色区域代表滩涂；蓝色区域代表湿地水域；黄色区域代表坑塘，青色区域代表裸地（包括道路和堤坝）。监督分类结果如图4所示。

图4 不同影像的分类结果Fig.4 Classification results of different images

分类结果将影像中的地物分为5类，地物分布与人工解译基本一致。对比以上分类结果可以发现：原始TM影像的分类结果斑块分布比较平整，但错分现象较为严重，影像中大片的水域被错分为裸地，且裸地与其他地物之间的误分现象也比严重，这是由于原始TM影像空间分辨率较低，30m的空间分辨率不足以显示道路、堤坝等地物信息。而其他4景融合影像的分类结果在分类的准确程度上明显优于TM原始影像，这是由于融合影像的空间分辨率较高，加入了SAR影像的细节信息；但是融合影像分类结果中碎图斑现象比较严重，这是由于SAR影像中的斑点噪声影响，导致SAR与TM融合影像分类结果中存在一定的误分现象，从而形成碎图斑。通过目视解译可以发现，HH和HV两种极化方式的SAR影像与TM影像的融合分类结果中的碎斑块现象明显少于VH和VV两种极化方式。

2.2 分类精度比较评价

基于现场踏勘后的人工解译结果（图1c），采用整景影像作为验证点，分别计算4种极化方式的SAR与TM的融合影像分类结果的混淆矩阵，以此进行精度评价，可得到不同极化方式SAR影像与TM影像融合结果地物分类精度（表1）。

表1 不同极化方式SAR影像与TM影像融合结果分类精度表Tab.1 Classification accuracy chart of fused images using different－polarization SAR and TM images

基于表1中各类影像的总体分类精度和Kappa系数值，得到分类精度总体对比情况，如图5所示。

图5 分类精度总体对比图Fig.5 Comparison chart of overall classification accuracy

分析以上分类精度图、表，可以得到原始TM影像和4种极化方式的SAR与TM融合影像的分类情况总体比较评价如下：

（1）4种融合影像分类结果的总体分类精度和Kappa系数均优于原始TM影像，原因是融合影像在原始TM影像光谱信息的基础上加入了高空间分辨率SAR影像的细节信息，提高了影像的细节表现能力；但也带来了一定程度的斑点噪声。

（2）HV极化方式的SAR影像与TM影像的融合影像分类结果精度最高，效果最佳，最适用于融合分类研究，原因是HV极化方式下，SAR影像中植被与水体、裸地等地物的后向散射差异较大，这与王安琪 等［12］的研究结论一致，在TM影像光谱信息的基础上，SAR影像提供了边界轮廓和纹理等增益信息；HH极化方式和VH极化方式次之，分类精度较高；VV极化方式的SAR影像与TM影像融合分类精度最低，效果最差，分类结果中由于误分而产生的碎斑块较多。

（3）4种极化方式的SAR影像与TM影像的融合结果中，均表现为植被与坑塘的分类精度较高，滩涂与湿地水域的分类精度次之，裸地的分类精度最低。原因是SAR影像中，植被与坑塘的边界最为明显；滩涂与湿地水域的边界稍差；而裸地多为道路和堤坝，面积较小，因空间分辨率限制导致在TM影像中表现不明显。因此，融合影像在滨海湿地典型地物的表现上，对植被和坑塘2种地物表现较好，对裸地表现较差。

（4）4种极化方式的SAR影像与TM影像的融合结果中，植被与湿地水域的生产者精度均低于用户精度，这说明该2种地物的分类过程中漏分现象多于错分现象，原因是由于噪声的影响，部分植被和湿地水域被误分为其他地物，导致了这2类地物的漏分率增高；坑塘的生产者精度高于用户精度，这说明该地物的分类过程中错分现象多于漏分现象，原因是在实验数据的中部，有部分滩涂被误分为坑塘，导致了坑塘的错分率增高；其余2种地物分类精度分布无明显规律。

3 小结

本文以黄河口湿地为例，采用SVM算法对SAR影像与TM影像的融合结果进行了滨海湿地典型地物土地覆盖类型分类，对比分析了原始TM影像与4种极化方式融合影像中5类典型地物的分类精度，结果表明：采用与SAR影像融合的方法能够提高原始TM影像的分类精度；其中HV极化方式SAR影像与TM影像融合分类精度最高，最适用于融合分类研究；VV极化方式SAR影像与TM影像融合分类精度最低；所有融合影像分类结果中均表现为植被和坑塘2种地物分类精度最高。

由于TM影像获取受天气影响较大，在海岸带地区获取的数据量较少，因此本文用于融合的SAR和TM影像不完全同步；同时，SAR影像的噪声比较严重，不同降噪算法对SAR影像的去噪效果不同，这些都是2种影像融合研究中面临的很大挑战。此外，本文只尝试了IHS融合方法和SVM分类方法，对其他的融合方法和分类方法还有待于进一步研究。由于选取的影像空间分辨率较低，因此分类结果中的分类精度总体较低，在下一步的工作中，将选择具有更高空间分辨率的SAR影像和光学影像进行研究。

致谢 本文所用TM实验数据，下载自美国地质调查局（USGS）官方网站，特致谢忱！

（References）：

［1］LEE J S，GRUNES M R，KWOK R.Classification of multi－look polarimetric SAR imagery based on complex Wishart distribution［J］.International Journal of Remote Sensing，1994，15（11）：2 299－2 311.

［2］MICHELSON D B，LILJEBERG B M，PILESJO P，et al.Comparison of algorithms for classifying Swedish landcover using Landsat TM and ERS－1SAR data［J］.Remote Sensing of Environment，2000，71（1）：1－15.

［3］SHUPE S M，MARSH S E.Cover and density based vegetation classifications of the Sonoran Desert using Landsat TM and ERS－1 SAR imagery［J］.Remote Sensing of Environment，2004，93（1）：131－149.

［4］ZHU Z，WOODCOCK C E，ROGAN J，et al.Assessment of spectral，polarimetric，temporal，and spatial dimensions for urban and peri－urban land cover classification using Landsat and SAR data［J］.Remote Sensing of Environment，2012，117（1）：72－82.

［5］CUTLERA M E J，BOYD D S，FOODY G M，et al.Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data：An assessment of predictions between regions［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2012，70：66－77.

［6］NI Xin－qiang，CHEN Qi，ZHANG Ping.Automatic SAR image classification based on AdaBoost ［J］.Computer Engineering，2008，34（1）：190－194.

倪心强，陈琦，张平.基于AdaBoost的SAR图像自动分类［J］.计算机工程，2008，34（1）：190－194.

［7］GONG Shu－lei，ZHANG Yu－dong，SHEN Shi－zhe，et al.Hybrid algorithm for classification of polarimetric SAR images［J］.Journal of Southeast University：Natural Science Edition，2009，39（1）：294－298.

龚淑蕾，张煜东，沈士喆，等.一种极化合成孔径雷达图像分类的混合方法［J］.东南大学学报：自然科学版，2009，39（1）：294－298.

［8］JIA Yong－hong，LI De－ren，SUN Jia－bing，et al.Comparision of HIS transformation for integrating SAR and TM images［J］.Journal of Remote Sensing，1998，2（2）：103－106.

贾永红，李德仁，孙家抦，等.四种IHS变换用于SAR与TM影像复合的比较［J］.遥感学报，1998，2（2）：103－106.

［9］HAN Zhen，JIN Ya－qiu.Information extraction and classification of typical canopies over the Chongming eastern tidal flat from data fusion of ERS－2SAR and Landsat ETM＋［J］.Marin Environmental Science，2006，25（3）：21－24.

韩震，金亚秋.ERS－2SAR和Landsat ETM＋数据融合提取崇明东滩典型地物信息与分类［J］.海洋环境科学，2006，25（3）：21－24.

［10］CHEN Wei－li，TAO He－ping，LIU Bin－tao.Classification of terrain surfaces using fused images of multi spectral and SAR image based on support vector machine［J］.Journal of Anhui Agricultural Sciences，2010，38（20）：10 662－10 664.

陈伟利，陶和平，刘斌涛.基于SVM的多光谱影像与SAR图像融合地物分类研究［J］.安徽农业科学，2010，38（20）：10 662－10 664.

［11］FU Zhong－liang，ZHANG Wen－yuan，MENG Qing－xiang.SAR image classification based on SVM with fusion of gray scale and texture features［J］.Journal of Applied Sciences－Electronics In－formation Engineering，2012，30（5）：498－504.

付仲良，张文元，孟庆祥.灰度和纹理特征组合的SAR影像SVM分类［J］.应用科学学报，2012，30（5）：498－504.

［12］WANG An－qi，ZHOU De－min，GONG Hui－li.A research on method of wetland vegetation identification and classification based on radar backscatter characteristics［J］.Remote Sensing Information，2012，27（2）：15－19.

王安琪，周德民，宫辉力.基于雷达后向散射特性进行湿地植被识别与分类的方法研究［J］.遥感信息，2012，27（2）：15－19.

［13］FOODY G M，MARHUR A.A relative evaluation of multiclass image classification by Support Vector Machines［J］.IEEE transactions on Geoscience and Remote Sensing，2004，42（6）：1 335－1 343.

［14］ZHU G B，BULUMBERG D G.Classification using ASTER data and SVM algorithms：The case study of Beer Sheva，Israel［J］.Remote Sensing of Environment，2002，80（2）：233－240.

［15］YIN Jian－hua，LIAO Ji－wang，LIU Yun－fang.Noise reduction algorithm based on wavelet transform ［J］.Modern Electronics Technique，2007，15（5）：144－146.

尹健华，廖继旺，刘云芳.基于小波变换的噪声消除算法研究［J］.现代电子技术，2007，15（5）：144－146.