利用单类分类方法提取全极化雷达影像中的建筑物*

安相君，翟 玮

（1.甘肃省公安消防总队，甘肃 兰州 730070；2.甘肃省地震局，甘肃 兰州730000）

利用单类分类方法提取全极化雷达影像中的建筑物*

安相君1，翟 玮2

（1.甘肃省公安消防总队，甘肃 兰州 730070；2.甘肃省地震局，甘肃 兰州730000）

建筑物是人类赖以生存的基本场所，为人类的各种活动提供容纳空间，建筑物分布信息是当代社会非常重要的信息资源。本文引入单类分类方法，对城市建筑物进行识别提取。文章介绍了基于最小超球支持向量机的单类分类方法，并提取一景全极化SAR影像的多种极化特征，利用该方法进行了建筑物提取实验，结果表明单类分类方法能够融合多种特征快速提取建筑物，且能保证一定的提取精度。

遥感；全极化SAR；建筑物；单类分类

城市现代化建设中最重要的内容是建筑物的规划与建设，获取建筑物分布信息在土地利用调查、城市地理信息数据库更新、市政规划、人口估计、经济建设评估等方面都有着非常重要的作用［1］。利用遥感技术识别建筑物具有全面、宏观的优势［2］。虽然利用光学遥感影像提取建筑物比较直观，但是在夜晚或天气状况不佳时，难以获得有效图像，但是合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天时全天候的对地观测能力［3］，能够保障数据的实时有效。目前有很多提取建筑物的方法是基于多数据进行的，比如利用InSAR图像对提供的高程信息［4］，或融合光学影像和雷达影像［5］。相比基于多幅影像的方法，基于单幅SAR影像的方法无需配准影像，对数据要求较低［6］。然而单极化SAR影像包含的信息量远远少于全极化SAR，且易受噪声和局部强散射等因素的影响，利用全极化SAR数据提取建筑物更可靠、更精确［7］。因此本文在对数据要求不高的同时，为了保证建筑物提取精度，选择一景全极化SAR数据提取建筑物。

单类（One-Class）分类是指训练样本中只有一类目标数据，经过学习形成一个对该类别的数据描述，根据描述估计其边界，做出正确分类。单类分类方法训练和决策速度快，适合处理高维、有噪和有限样本的单类问题［8］。由于本文只关注建筑物，只有建筑物一种类别，因此借鉴One-Class分类思想，利用基于支持向量机［9］的单类分类方法从全极化SAR影像中提取建筑物。只对建筑物进行学习训练，估计出建筑物与非目标样本的边界，从而排除非目标样本，提取出建筑物。支持向量机方法适合处理高维数据的分类问题，这样就可以在特征空间中加入很多维数据特征，结合多种特征对样本进行分类，同时保持较快的处理速度。本文选取了14个极化特征组成特征空间，对建筑物进行提取。实验结果证明在提取建筑物时，利用支持向量机的单类分类方法是有效可行的。

1 单类支持向量机

1.1 支持向量机

支持向量机 （Support Vector Machine，SVM）是20世纪90年代中期由Vapnik［10］根据统计学习理论提出的，可用于模式分类和回归估计。由于支持向量机具有泛化能力强、全局优化等优点，得到了广泛的应用。支持向量机是为了求解二类分类问题而提出的，它能够求解各种二类分类问题。在SVM的训练集中需要正负两类样本。但是在很多情况下无法获取到包含正负两类样本点的训练集，而只能获取一类样本，这时就只能利用这一类样本进行学习，形成数据描述从而实现分类［11］，这就是单类分类问题，即One-Class分类。One-Class分类主要应用于故障分析、异常检测、离群点识别和疾病诊断等现实问题中。在单类分类问题中使用的支持向量机称为单类支持向量机［12］（One-Class SVM，OCSVM）。单类支持向量机主要有超球法和超平面法两种，本文使用超球法单类支持向量机从全极化SAR数据中提取建筑物。

1.2 超球法

Tax等［9，13，14］提出了超球法的单类支持向量机，其基本思想是将线性不可分的数据样本映射到高维空间，在这个高维特征空间中找到一个能够尽可能将目标样本点包围在其内部的最小超球体，并尽可能得将非目标样本点隔离在这个最小超球体外，从而达到划分两个类别的目的。

给定一个样本集X：

图1是超球法单类支持向量机模型示例，图中R和c分别是高维特征空间中最小超球的半径和圆心，求解R和c的问题转化为求解以下优化问题：

其中ξi为松弛因子，当ξi＞0时，对应隔离在超球体外部的非目标类样本点。这是一个凸优化问题，可以变换为求解对偶变量的优化问题。引入核函数与拉格朗日对偶变量α，将上述问题转化为对偶问题，其对偶形式为最小化目标函数［15］：

其中K=（Xi，xj）=Φ（xi）·Φ（xj）是核函数。

对应ai＞0的向量则为支持向量，超球体的半径R为任一边界支持向量到球心的距离，即半径R由少量球面上的支持向量决定，它起到检出目标类别而隔离非目标类别的阈值划分作用。球心c和半径R可以分别表示为：

求得超球体的R和c后，就可以得到判别函数［8］：

由判别函数可以判断测试样本是否属于超球体内部，是否是离群点。若判别函数为负，测试样本就在超球体外部，是离群点，反之则为目标样本。如图1所示。

图1 超球体支持向量机模型示意图

R和c分别代表最小超球的半径和圆心，实心圆、空心圆和三角分别代表目标样本点、支持向量和非目标样本点。

2 实验与分析

2.1 实验数据

本文选用海地太子港的一景400×400大小的L波段UAVSAR航空极化SAR影像作为实验数据，验证研究思想的有效性。PauliRGB彩色合成图像如图2（a）所示，红色代表|HH-VV|、绿色代表|HV|、蓝色代表|HH+VV|。距离向空间分辨率为1.67m，方位向为0.6m。用于评价提取结果的参考影像（见图2（b））由Google Earth获得，并与极化SAR数据进行了配准。

图2 实验数据及实验结果

2.2 实验结果

本文提取Cloude-Pottier分解［16］得到的三种散射特征：散射熵H、散射角α和各向异性参数A，以及Yamaguchi四分量散射模型［17］分解得到的四种散射分量、功率均值lamda、同极化比、交叉极化比、圆极化相关系数、三种线性极化相关系数等14种极化特征，组成特征空间，参与超球法One-Class SVM分类。首先利用最小超球体One-ClassSVM方法对训练样本的上述14种极化特征进行训练，估计出最小超球面。然后对测试样本进行分类，建筑物提取结果如图2（c）所示，白色区域代表提取出的建筑物，黑色是非建筑物。

为了评价建筑物提取精度，在参考影像中选择了6701个建筑物参考样本和5036个非建筑物参考样本，在图2（b）中分别以红色和黄色标注。从表1的评价结果中可以看出，总体提取精度为74.0%，建筑物被误分为非建筑的误分率为37.2%，非建筑被误分为建筑的误分率为11.1%。

研究区处于城市繁华区，建筑物分布非常密集，地物布局比较复杂。将建筑误分为非建筑的主要原因是平顶房屋没有被正确提取，由于房屋密集，很多屋顶紧挨，连成大片平坦表面，被误分为裸地。将非建筑分为建筑的情况主要存在于道路和建筑物之间的间隔地带，大片平地较少，非建筑类多为细小目标。

表1 建筑物提取精度评价表

3 结论

鉴于研究目标只有建筑物一种地物类别，本文借鉴故障检测的思想，将单类分类方法引入建筑物提取的应用中。由于单类分类只有一类训练样本，样本的选取和训练方便快捷。借助极化SAR影像丰富的信息量，本文使用一景极化SAR影像提取建筑物，利用最小超球体单类支持向量机方法进行建筑物提取。实验中选用14种极化特征组成特征空间，对训练样本进行学习训练，并对测试样本进行分类。在分类过程中，误分类的情况主要存在于平顶建筑被误分为非建筑、道路等间隔地带被混入建筑物，无法提取。实验结果表明，本文所采用的单类支持向量机方法能够利用多种特征，既具有较快的训练和分类速度，又能保证一定的提取精度。因此利用One-Class分类方法提取建筑物是有效可行的，但仍需进一步深入研究适合于建筑物提取的单类分类方法，改进现有的单类分类方法。

［1］ Zhai W，Shen H，Huang C，et al.Fusion of polarimetric and texture information for urban building extraction from fully polarimetricSARimagery［J］.RemoteSensingLetters，2015，7（1）：31-40.

［2］ ZhaiW，ShenH，HuangC，etal.BuildingEarthquakeDamage Information Extraction from a Single Post-Earthquake PolSARImage［J］.RemoteSensing，2016，8（3）：171.

［3］ 翟玮，赵斐.基于极化SAR的城市建筑物提取［J］.甘肃科技，2016，32（2）：46-48.

［4］ GambaP，HoushmandB，SaccaniM.Detectionandextraction ofbuildingsfrominterferometricSARdata［J］.IEEETransactions onGeoscienceandRemoteSensing.2000，38（1）：611-618.

［5］ TupinF，RouxM.Detectionofbuildingoutlinesbasedonthe fusion of SAR and optical Features［J］.ISPRS Journal of PhotogrammetryandRemoteSensing.2003，58（1）：71-82.

［6］ 翟玮.基于单时相全极化SAR影像的建筑物震害信息提取［J］.山西地震，2016，1：19-22.

［7］ 翟玮，裴万胜，赵斐，等.PolSAR影像纹理特征在倒塌建筑物提取中的应用分析［J］.国际地震动态，2015（9）：127-127.

［8］ 吴定海，张培林，任国全，等.基于支持向量的单类分类方法综述［J］.计算机工程，2011，37（5）：187-189.

［9］ TaxDMJ，DuinRPW.Supportvectordomaindescription［J］. Patternrecognitionletters，1999，20（11）：1191-1199.

［10］Vapnik V N，Vapnik V.Statistical learning theory［M］.New York：Wiley，1998.

［11］潘志松，陈斌，缪志敏，等.One-Class分类器研究［J］.电子学报，2009，37（11）：2496-2503.

［12］尹传环，牟少敏，田盛丰，等.单类支持向量机的研究进展［J］.ComputerEngineeringandApplications，2012，48（12）.

［13］TaxDMJ，DuinRPW.Datadomaindescriptionusingsupport vectors［C］.//ESANN.1999，99：251-256.

［14］Tax D M J，Duin R P W.Support vector data description［J］. Machinelearning，2004，54（1）：45-66.

［15］尹传环，牟少敏，田盛丰，等.单类支持向量机的研究进展［J］.ComputerEngineeringandApplications，2012，48（12）.

［16］CloudeSR.Polarimetry：thecharacterisationofpolarisation effectsinEMscattering［D］.UniversityofBirmingham，1987.

［17］YamaguchiY，MoriyamaT，IshidoM，etal.Four-component scattering model for polarimetric SAR image decomposition［J］.IEEETransactions on Geoscience and Remote Sensing，2005，43（8）：1699-1706.

P237

甘肃省地震局、中国地震局兰州地震研究所地震科技发展基金项目（2015M02）。