多尺度马尔科夫随机场在基于高分辨率合成孔径雷达影像的城市地物分类中的应用

解 超，王安琪，柳 鹏

（1.中国交通通信信息中心 ，北京 100011；2.北方工业大学，北京 100144；3.中国科学院遥感与数字地球研究所，北京 100083）

Technology Study

多尺度马尔科夫随机场在基于高分辨率合成孔径雷达影像的城市地物分类中的应用

解 超1，王安琪2，柳 鹏3

（1.中国交通通信信息中心 ，北京 100011；2.北方工业大学，北京 100144；3.中国科学院遥感与数字地球研究所，北京 100083）

本文通过基于多尺度马尔科夫随机场模型的最大似然算法及基于传统马尔科夫随机场势函数的像素间Gabor相似方法，使用迭代条件模型对影像进行分割，使用K均值分类算法对分割后的影像进行分类，选择北京市通州区作为研究区，使用上述方法对多幅该区域的高分辨率合成孔径雷达影像进行了分类，新方法可以实现优于传统算法的分割精度，能够清晰区分建筑物之间的边界。

城市地物分类；合成孔径雷达；多尺度马尔科夫随机场

1 引言

合成孔径雷达（SAR）成为城市变化信息提取的主要途径之一，多时相SAR影像被广泛应用于城市变化检测研究，然而，基于SAR影像的观测方法仍旧存在不容忽视的不足。由于SAR特殊的成像机制，使得传统的基于图像灰度分布的统计类方法应用于SAR城市目标分类时精度较差。与统计类方法不同的是，多尺度纹理分析的方法不仅考虑了邻近像素间的空间信息，能够更为准确、完整地刻画不同的城市地物目标，而且可以对SAR城市目标图像进行多尺度表达，使图像特征立体化，图像从细到粗的各级分辨率上，区域性和边缘性都有所体现，使得多尺度纹理分析的方法成为SAR城市目标分类首选方法[1-3]。

2 研究区与数据

2.1 研究区概述

本文选择北京市通州区作为研究实验区，范围如图1所示。

图1 研究区范围图

2.2 数据获取

本项目数据源为来自于德国TerraSAR-X雷达数据，成像模式为条带模式，幅宽30×50千米，空间分辨率为3米，极化方式为HH极化。

3 分析方法

首先使用基于多尺度马尔科夫随机场模型的最大似然（ML）方法及基于传统马尔科夫随机场势函数像元间Gabor相似方法得到初始的分割结果，之后通过迭代条件模型理论优化分割结果，最后，使用K均值分类方法对分割结果进行分类[4-6]。

3.1 马尔科夫方程

设Y为随机变量y的范围，ys为像素s的值，ls为像素s的标记，随机变量l的未知的取值范围为设为L。

如果像素与像素或像素与标记间呈现独立的关系，标记l将可能有一个可用马尔科夫场建模的给定辐射域。利用Hammersley–Clifford理论，上述可能性可通过Gibbs场方程[7]表达为

式中，Z为归一化系数；U为能量函数。能量函数是两个函数的加和，第一个是用于反映预测数据的可信度，第二个为正则项

式中，Cl是选定临近值的集合；Vc是可能的标记数值。现只就第一个函数进行讨论，后一个函数使用Potts模型进行建模[8]，可表达为

式中，s和t 属于同一集合。马尔科夫分割的结果是P值最大，即U值最小时标记L的值域。根据城市构造理论与模拟退火算法，U值最小的情况等价于P值最大。

3.2 Gabor纹理特征邻域能量模型

二维Gabor基函数通常表示为被复正弦函数调制的高斯函数，其一般形式为

式中，λ为尺度参数；ux和uy表示高斯函数均值，描述了Gabor函数的中心位置；σ2表示高斯函数方差，描述了函数主瓣的大小；θk表示了波动的方向。对原始高分辨率SAR图像，采用不同方向不同尺度的Gabor基函数进行滤波，得到建筑物的纹理特征矢量[9-10]。

4 结果与讨论

4.1 基于图像灰度分布统计的分类方法

图2 基于图像灰度分布统计的分类结果

在建筑物内部，由于彼此相互遮挡以及斑点噪声的影响使得最终建筑群的提取不连续，表现为破碎的斑块效应。虽然监督分类方法由于人工先验知识的参与，使得错分的情况明显小于模糊IsoData 和K-Means分类结果，但分类后的图像建筑物仍和IsoData和K均值分类结果类似，存在较大的斑块效应，其原因主要是这一类方法在分类过程中大多孤立地考虑每个像素的灰度值，忽略了图像灰度空间分布的结构性，同一个地物区域往往被细分成多类像素的混杂区域，而且由于SAR图像斑点噪声的存在，使得这种细分现象更为严重。

不同统计分类方法的结果如图2所示，从左至右分别为原始SAR影像、IsoData分类方法和K均值分类方法。

由于模糊ISODATA分类和K均值分类均属于无监督分类，因此研究者无需搜集待分类区域的深度知识，描述像元点集分类的具体知识信息可有效降低人为错误因素的影响，从而满足对分类精度的要求。但是，上述方法仍存在重大缺点，在点集分类结果和实际特性之间存在不确定性的关系。事实上，相同物体的同物异谱现象和不同物体的同谱异物现象在SAR影像中普遍存在，因此将显著增加分类的难度。例如，上述方法难以灰度值与水体类似的植被背景区域，大部分同类区域呈现与水体混分的状况。

4.2 基于单一尺度马尔科夫随机场的分类方法

图3 基于单一尺度马尔科夫随机场的纹理分类结果

图3为基于单一尺度马尔科夫随机场的分类结果。经分析可知，裸土和水体可以被正确分离，仅有少量分类错误的孤立像元。可见，该方法是一种规避基于图像灰度分布的统计方法的途径。然而，分类结果也显示，在建筑物区块内仍存在不同程度的像元混分现象，部分像元被错误分入了其它类别。同时，建筑物区块的边缘粗糙，出现大量的毛刺和孔洞。由此可见，基于单一尺度马尔科夫随机场的分类方法尚无法获得理想的分类结果。

4.3 改进的基于多尺度马尔科夫随机场的分类方法

图4 不同尺度下的分类结果

图4给出了不同尺度下的分类结果，由于多尺度分类Markov分类方法的差异主要在于建筑物的分类精度，这里仅给出了建筑物内部分类的对比情况。从图中可以看出，随着尺度的增加，建筑物内部只有较少错分斑块，同时建筑物边缘轮廓清晰，内部孔洞被消除，目视效果较好。

在不同时间序列、不同分辨率的多种尺度下分解影像，并对影像进行处理。多尺度技术在不同的分辨率下解析影像，其中大尺度用于获取地物的轮廓，小尺度用于描述地物的细节。上述分解的过程可达到人工目视解译的精度。随着尺度的逐渐扩大，建筑物间出现少量的错误分类，但同时建筑物的边缘逐渐清晰。同时，建筑物地块的中空现象被逐渐修正，分类结果的视觉效果得以显著改善。

图5 不同尺度数影像的分类精度比较

从图5中可以发现，随着尺度层数的增加，不同类别的分类正确率趋于增加，其中建筑物分类精度增加最明显，水体最弱，其原因主要是水体的暗色调纹理特征相对容易区分，单尺度的Markov分类就能获得令人满意的结果；然而，当尺度层数超过3时，各类别的分类精度趋于稳定，过多的层数不会提高分类精度，反而影响效率，因此在后续分类处理中，作者将尺度层级统一设置为3。

5 结束语

本文简要讨论了现有基于SAR影像的城市目标分类方法，并分析了上述方法在典型城市目标分类领域各自的应用优缺点，之后阐述了马尔科夫随机场纹理分类方法的原理及其更适合典型城市目标分类的原因，重点讨论涉及到最优统计模型估计问题时的选择和随机模型参数马尔科夫随机场纹理分类方法，并对该方法的有效性加以验证。在此基础上，引入多尺度马尔可夫纹理分类方法以提高集成Gabor小波的纹理特征，并将优化后的分类结果与分类前的进行了比较和评估。最后，将由SAR影像分析得出的城市地物变化信息和分类信息整合为城市地物变化检测结果，并对该结果进行了分析。

[1] T.Andrysiak and M.Choras,“Image retrieval based on hierarchical Gabor filters,”International Journal Applied Computer Science,vol.15,pp.471-480,2005.

[2] F.T.Bujor,J.M.Nicolas,E.Trouvé and J.P.Rudant,“Application of log-cumulants to change detection on multitemporal SAR images,”2003 Geoscience and Remote Sensing Symposium Proceedings,2003 IEEE International,vol.2,pp.1386-1388,July 2003.

[3] L.Bruzzone and D.F.Prieto,“An adaptive semiparametric and contextbased approach to unsupervised change detection in multitemporal remotesensingimages,”IEEE Transactions on Geoscience and Remote Sensing,vol.11,pp.452-466,2002.

[4] T.C.Bau,S.Sarkar and G.Healey,“Hyperspectral region classification using a three-dimensional Gabor filter bank,”IEEE Transactions on Geoscience and Remote Sensing,vol.48,pp.3457-3464,2010.

[5] F.Bovolo and L.Bruzzone,“A detail-preserving scale-driven approach to change detection in multitemporal SAR images,”IEEE Transactions on Geoscience and Remote Sensing,vol.43,pp.2963–2972,2005.

[6] T.Balz and N.Haala,“SAR-based 3D-reconstruction of complex urban environments,”IAPRS Workshop on 3-Dreconstruction from Airborne Laser Scanner and InSAR Data,2003.

[7] S.Geman and D.Geman,“Stochastic relaxation,Gibbs distribution,and the Bayesian restauration of images,”IEEE Trans.Pattern Anal.Machine Intell.,vol.PAMI-6,pp.721–741,1984.

[8] F.Wu,“The Potts model,”Rev.Modern Phys.,vol.54,pp.235–268,1982.

[9] Andrysiak T,Choras M.Image retrieval based on hierarchical Gabor filters[J].International Journal Applied Computer Science,2005,15(4) :471-480.

[10] Bau T C,Sarkar S,Healey G.Hyperspectral region classification using a three-dimensional Gabor filter bank[J] .IEEE Transactions on Geoscience and Remote Sensing,2010,48(9):3457- 3464.

An Application of Urban SAR Images Classification Utilizing Multi-scale Markov Random Field

Xie Chao1,Wang Anqi2,Liu Peng3
(1.China Transport Telecommunications &Information Center,Beijing,100011;
2.North China University of Technology,Beijing,100144;3.Institute of Remote Sensing and Digital Earth,Chinese Academy of Science,Beijing,100083)

The authors obtained the initial segmentation using the Maximum likelihood (ML) algorithm based on the multi-scale Markov Random Field (MRF) model and involved the Gabor similarity between pixels based on the traditional MRF potential function,and employed the Iterative Conditional Model algorithm to implement the segmentation.And we classified the segmentation image by using the K-means classification algorithm.The experimental results on several real SAR images showed that the proposed approach performs better than traditional methods in the segmentation accuracy,and building boundaries were clearly obtained by the proposed approach.

urban area classification;SAR;multi-scale Markov Random Field

10.3969/J.ISSN.1672-7274.2016.05.004

TN95，P23 文献标示码：A

1672-7274（2016）05-0012-04

国家自然科学基金（41401426），博士后基金（基于可见光红外遥感的被动微波土壤水分降尺度方法），北方工业大学科研启动基金项目。