基于信息可视化技术的SAR图像目视解译方法研究

涂尚坦,张久玲,邹 飞,庄 磊

(1.上海卫星工程研究所,上海 201109; 2.北京遥感信息研究所,北京 100192)



基于信息可视化技术的SAR图像目视解译方法研究

涂尚坦1,张久玲1,邹 飞2,庄 磊1

(1.上海卫星工程研究所,上海 201109; 2.北京遥感信息研究所,北京 100192)

为解决传统合成孔径雷达(SAR)图像目视解译的困难，对一种基于信息可视化技术的SAR图像目视解译方法进行了研究。基于非线性流形学习理论的维数约减技术，对原始单极化和多极化SAR图像进行特征提取和数据挖掘，通过基于极化数据变换的特征和基于极化目标分解获取SAR图像本征特征，选择利于用户应用的特征在彩色空间编码重构出SAR信息图像提供给判读员进行解译。给出了基于信息可视化技术的SAR图像目视解译框架。多种应用结果表明：该法能挖掘并显示出大量图像中隐含的信息，产生的特征图像较原始SAR图像更符合人眼视觉，可有效解译SAR图像。

合成孔径雷达； SAR图像； 目视解译； 特征提取； 信息可视化； 流形学习； 维数约减； 拉普拉斯特征映射

0 引言

SAR是自20世纪50年代起发展的一种主动式微波成像系统。作为一种对地观测系统，SAR不受光照、气候等自然条件的限制，能穿透一定厚度的遮蔽物，且具较高分辨率和较大观测范围的数据获取能力，在自然环境保护、国土资源利用、自然灾害监测、水文探测、城市规划等民用领域，以及国家安全、军事环境监测、军事侦察、电子对抗等国防领域中有十分重要的作用[1-2]。近年来，随着机载和星载SAR系统的快速发展，SAR图像信息应用也随之迅猛发展。单极化SAR图像是在某一个特定极化方向上利用目标的散射回波进行成像，它只表征目标散射的幅值特性，图像表现形式为每像素对应一个幅值。多极化SAR图像通过多种极化方向的组合，根据不同极化通道的散射回波在幅值和相位上均存在差异的特性，获得同时包含幅值和相位的目标回波信息，从而揭示和描述目标的极化散射机制，其图像表现形式为每像素对应一个极化散射矩阵。传统的SAR图像目视解译针对单极化SAR图像数据或多极化SAR图像的每个极化通道图像数据以灰度图的形式显示给图像判读员进行解译。由于SAR图像是由电磁波的散射回波通过一定的成像方式形成的，与光学遥感图像相比其可读性较差，且回波中携带的大量信息在常规SAR图像中是不可见的[3]。基于信息可视化技术的SAR图像目视解译，能挖掘并筛选出有利于用户特定应用的SAR图像内蕴特征，而科学可视化的手段可将这些特征以更符合人眼视觉的角度呈现为特征图像，因此与传统SAR图像相比更利于目视判读和解译。该方法可显著丰富SAR图像的观测空间，能挖掘出图像中隐含的大量信息并显示给判读员，是一种有效的SAR图像目视解译手段。为此，本文研究了一种基于信息可视化技术的SAR图像目视解译方法，通过对原始SAR图像进行特征提取和数据挖掘，获取不同观测空间的SAR图像特征，进而对特征进行选择和组合，并可视化显示给判读员进行解译。

1 单极化SAR图像特征

在传统单极化SAR目标电磁波散射特性研究中，目标的雷达散射截面(RCS)是一种使用最广的特征量，它是一个描述目标对电磁波散射效率的量，表征了目标散射场与入射场间的幅值变换特性[4]。但RCS缺乏对目标回波相位和极化特性的表征，一景单极化SAR图像，其图像数据为单一的幅值数据，它仅以目标回波能量大小表征目标的特性。但除本身的灰度信息外，一景图像还包含了统计、纹理、形状等能从不同观测空间反映目标特性的信息，因此提取出这些信息并经过选择和组合，用可视化的方法显示成图像，可使判读员从不同的观测空间对该景图像进行判读和解译。

常用的表征单极化SAR图像特征有：

a)统计特征(直方图、局部均值、局部方差、局部相对标准差、分布参数等)；

b)纹理特征(权秩填充比、灰度共生矩阵(GLCM)特征、Tamura特征、高斯马尔可夫随机场(GMRF)特征等)；

c)形状特征及各种综合特征(尺度不变转换(SIFT)特征等)。

不同的特征从不同的角度反映了目标特性，如局部均值反映了目标的平均幅值，局部方差反映了目标的内部起伏，权秩填充比反映了目标的边缘细节信息，SIFT特征反映了目标本身的形状结构信息。

2 多极化SAR图像特征

极化SAR通过测量地面每个分辨单元内的散射回波，并用其极化散射矩阵或Stokes矩阵进行数据表征，将目标散射的能量特性、相位特性和极化特性统一，相对完整地描述了雷达目标的电磁散射特性。目标的极化散射特性与其形状结构有本质联系，因此通过对目标极化散射特性的分析和研究可获得目标介电常数、粗糙度、对称性、取向等性质，从而实现目标的分类、检测和识别等应用[5-7]。为有效地从极化SAR图像数据中提取出目标的极化散射特性，除极化数据本身的表征(极化散射矩阵、Stokes矩阵等)外，还需通过采用对数据的变换和分解等途径获得更利于体现目标本身性质的极化表征，通常称为极化特征。

因对极化数据采用的变换和分解的方法不同，提取出的极化特征也复杂多样。本文将常用的极化特征分为两大类：一类是基于极化数据变换的极化特征；另一类是基于极化目标分解的极化特征。其中：极化数据变换特征主要通过针对各通道的幅值、强度、相位以及之间的差值比例关系描述SAR图像中的目标，此类特征具较全面的统计特性；极化目标分解特征主要通过对极化散射矩阵、极化协方差矩阵或极化相干矩阵从目标的物理散射机制角度进行分解而得到，该类特征能更清晰地反映不同目标的不同物理散射机制。

2.1 基于极化数据变换特征

常用的基于极化数据变换的特征主要有以下7种。

a)后向散射系数：从各通道回波能量的角度反映不同目标的散射特性。

b)极化总功率：从所有通道回波总能量的角度反映不同目标的散射特性。

c)极化比：包括同极化比和交叉极化比，反映不同目标对应不同通道间强度比的差异。

d)相位差：包括同极化和交叉极化相位差，反映不同目标对极化波散射时相位的影响。

e)相关系数：同极化相关系数反映了不同目标HH，VV通道间的不同相关程度。

f)去极化比：反映了交叉极化通道与同极化通道间的功率比，对不同目标该特征反映了不同的交叉极化分量与同极化分量的比例关系。

g)极化度：反映了极化波的极化程度。

由上述极化数据变换特征可知：不同的特征分别从目标的总能量、各极化通道的能量、能量绝对值、能量比、能量相关性、通道相位差，以及极化程度等角度进行表征，对这些特征分别观察或有选择性地组合观察，就能得到不同观测空间的结果。

2.2 基于极化目标分解特征

极化目标分解理论是为更好地解译极化数据而发展的，它有助于利用极化散射矩阵解释散射体的物理机理，促进对极化信息的充分利用。根据目标散射特性的变化与否，极化目标分解方法大致可分为两类：一类是针对目标散射矩阵的分解，要求目标的散射特征为确定或稳态的，散射回波是相干的，称为相干目标分解；另一类是针对极化协方差矩阵、极化相干矩阵、Mueller矩阵或Stokes矩阵的分解，此时目标散射可以是非确定或时变的，回波可以是非相干或部分相干的，称为非相干目标分解。

常用的相干目标分解方法包括Pauli分解、SDH分解、Cameron分解和SSCM分解等。这类分解方法主要是基于极化散射矩阵的分解，应用时，通常要求目标的散射矩阵是确定不变或稳态的，其要点是将任意散射矩阵表示成基本目标的散射矩阵之和的形式，这些基本散射矩阵可与某种确定的散射机理联系，

(1)

式中：Si为每个基本目标的散射矩阵；SHH，SHV，SVH，SVV分别为目标对H(或V)极化入射波散射为H(或V)极化散射回波的能力，且均为复数(即包含了散射幅值和相位)；ci为各基本目标散射矩阵的权重。

但对自然界中复杂目标或非确定性目标，目标散射特性呈现很强的变化性，复杂目标对入射波的散射可视作一个随机过程，对此类目标散射特性的描述需采用统计的方法，常用集合平均的方法先获得能表征目标散射特性的极化协方差矩阵C、极化相干矩阵T等，再将其分解成基本目标的二阶描述子的加权组合，给出一种更容易的物理解释

(2)

(3)

式中：Ci，Ti为表基本目标的二阶描述子；pi，qi为基本目标二阶描述子的权重；A=SHH+SVV；B=SHH-SVV；C=2SHV；符号〈 〉表示取图像中以该元素为中心的邻域窗口内元素的均值，上标*表示共轭。常用的非相干目标分解方法有Huynen分解、Cloude分解、Freeman分解和Holm & Barnes分解等。

3 SAR图像信息可视化

基于信息可视化技术的SAR图像目视解译，采用面向特征的SAR图像信息可视化技术，针对多源SAR图像(单极化与多极化)从微波散射物理模型、图像数据和目标及场景特征进行特征提取，通过特征选择和维数约减等进行数据挖掘获取用户感兴趣的信息成分，对用科学可视化方式(特征归一化及权重调整、直方图均衡、颜色空间彩色编码方案等)重构出SAR信息图像并显示给判读员进行目视解译。基于信息可视化技术的SAR图像目视解译框架如图1所示。其中：首先针对原始SAR图像通过特征变换和分解提取出各种特征信息，获得相应的SAR原始特征集，如单极化SAR图像的统计特征、纹理特征，多极化SAR图像的极化数据变换特征、极化目标分解特征等；其次针对SAR原始特征集，根据具体的应用需求选择合适的特征，组成SAR有效特征集，如SAR图像目标检索应用中适合待检索目标的特征、SAR图像地物覆盖分类应用中利于区分地物的特征等；再次对SAR有效特征集采用合适的可视化方式进行合成获得SAR信息图像，如采用RGB，YCbCr等颜色空间彩色编码方案；最后判读员根据SAR信息图像进行目视判读，实现对SAR图像的目视解译。

图1 基于信息可视化技术的SAR图像目视解译框架Fig.1 Framework of SAR image visual interpretation based on information visualization

在SAR图像信息可视化过程中，通过特征选择和维数约减处理挖掘出用户感兴趣的特征是一项关键步骤。对单极化SAR图像，单一像素点仅包含目标的散射回波能量信息，而对多极化SAR图像，每个像素点对应一个极化散射矩阵，从中可提取出大量的极化散射特征(如各极化通道的幅值、相位，Cloude分解得到的散射熵、平均散射角，Huynen分解中的目标对称性因子、局部曲率差、目标螺旋性等)。此外，对单极化或多极化SAR图像，以每个像素点的邻域作为一个特征提取对象，均能提取出如均值、方差等幅值特征，灰度共生矩阵等纹理特征，形状直方图等形状特征。综上可见，从SAR图像中能提取出大量的原始特征，这些特征构成一高维的观测特征空间。为去除掉特征间的冗余性，保留特征间利于鉴别的信息，可用特征选择和维数约减的方法进行特征降维。

以提取SAR图像地物覆盖分类应用中利于区分地物的特征为例，可用非线性流形学习理论中基于拉普拉斯特征映射的维数约减技术，其最优化准则是在原始高维特征空间中较近的点，在降至低维本征特征空间中仍较近[8-10]。根据该准则，可在降维的同时保持相邻特征的局部紧聚特性，对不同类别的特征具天然的聚类效果，因此能获得利于区分地物的低维本征特征。拉普拉斯特征映射的维数约减效果如图2所示。

图2 拉普拉斯特征映射的维数约减效果Fig.2 Effect of Laplacian eigenmaps

在特征的科学可视化处理中，常选用最能代表应用目的的前三维本征特征进行颜色空间的彩色编码。常用的方法是将各维特征归一化为0～255灰度级，分别将三维归一化后的特征加以权值作为RGB颜色空间中的三个通道值，或YCbCr颜色空间中的三个通道值，从而得到由三维本征特征组成的SAR特征图像进行目视解译和判读。

4 应用方案及结果分析

本文分别针对单极化SAR和多极化SAR图像采用信息可视化技术进行SAR信息图像合成和显示，以阐述本文的基于信息可视化技术的SAR图像目视解译方法的实用性。

图3 原始单极化SAR图像和均值-方差-方差均值图像Fig.3 Original single-pol SAR image and image based on mean-var-var/mean

采用均值-方差-方差均值比的三维特征在RGB颜色空间中可视化的SAR信息图像如图3所示。由图3可知：原始只有1个通道的单极化数据在可视化时只能体现为灰度图，其图像细节信息和对比度均不适合人眼视觉；由单极化SAR图像中提取出的统计特征组合进行可视化后的图像，能显著增强图像的对比度，同时使不同类别的目标(如城区中的建筑和绿地等)有不同的色彩，明显方便了用户对SAR图像的目视解译。

采用权秩填充比特征的灰度模式的可视化SAR信息图像如图4所示。由图4可知：由于权秩填充比是典型的纹理特征，该维特征的可视化结果能突显出原始SAR图像中的纹理、边缘细节信息，符合人眼视觉的观察。

图4 原始单极化SAR图像与纹理特征信息图像Fig.4 Original single-pol SAR image and image based on textural features

采用均值-权秩填充比-方差的三维特征组合可视化SAR信息图像如图5所示。由图5可知：该组合可视化处理有明显的目视分类效果，不同类型目标用不同颜色区分(图中建筑为紫色，水体为绿色，绿地为黄色)，不同类型目标间的边缘清晰，可视化获得的SAR信息图像成为一个天然的分类图像。

图5 原始单极化SAR图像与均值-权秩填充比-方差Fig.5 Original single-pol SAR image and image based on mean-rank filling ratio-var

采用Pauli分解的特征组合可视化SAR信息图像如图6所示。由图6可知：与用HH-HV-VV原始多极化图像数据合成的图像相比，在基于极化目标分解的Pauli特征下可视化后某些特殊目标(图中红圈所示的目标)更能突显出，便于用户对目标的寻找和观察。

图6 原始多极化SAR图像和Pauli分解特征组合图像Fig.6 Original PolSAR image and image based on Pauil decomposion

5 结束语

针对传统SAR图像目视解译困难的问题，本文提出了一种基于信息可视化技术的SAR图像目视解译方法。该方法通过对原始SAR图像进行特征提取和数据挖掘，获取不同观测空间的SAR图像特征，进行特征选择和组合，并通过科学可视化显示给判读员进行解译。对单极化和多极化SAR图像中的应用证明，该方法能挖掘并显示出图像中隐含的大量信息，如采用均值-方差-方差均值比的三维特征在RGB颜色空间中可视化的SAR信息图像能显著增强图像的对比度，不同类别目标由不同色彩显示；采用权秩填充比特征的灰度模式的可视化SAR信息图像能突显出原始SAR图像中的纹理、边缘细节信息；采用均值-权秩填充比-方差的三维特征组合可视化SAR信息图像可获得明显的目视分类效果，不同类型的目标用不同的颜色区分，且不同类型目标间的边缘清晰；与用HH-HV-VV原始多极化图像数据合成的图像相比，采用Pauli分解的特征组合可视化SAR信息图像更能突显出可视化后某些特殊目标，便于用户对目标的寻找和观察。本文方法可作为一种有效的SAR图像目视解译手段。后续研究可包括理论研究和工程实现两方面，其中：在理论研究中，研究适于不同目标的不同特征及特征组合，以及有效的特征选择和数据挖掘方法；在工程实现中，开发一套包含SAR图像特征提取、特征选择、可视化显示等功能于一体的SAR图像目视解译平台，为用户提供一个有效的目视解译工具。

[1] 袁孝康. 星载合成孔径雷达导论[M]. 北京: 国防工业出版社, 2003.

[2] 焦李成, 张向荣. 智能SAR图像处理与解译[M]. 北京: 科学出版社, 2008.

[3] MATRE H. 合成孔径雷达图像处理[M]. 孙洪, 译. 北京: 电子工业出版社, 2005.

[4] 保铮, 邢孟道, 王彤. 雷达成像技术[M]. 北京:

电子工业出版社, 2005.

[5] 王超, 张红. 全极化合成孔径雷达图像处理[M]. 北京: 科学出版社, 2008.

[6] 戴博伟. 多极化合成孔径雷达系统与极化信息处理研究[D]. 北京: 中科院电子所, 2000.

[7] LEE J S, POTTIER E. Polarimetric radar imaging: from basics to applications[M]. Boca Raton: CRC Press, 2009.

[8] SEUNG H, LEE D. The manifold ways of perception[J]. Science, 290(2000): 2268-2269.

[9] VAN DER MAATEN L J P, POSTMA E O, VAN DEN HERIK H J. Dimensionality reduction: a com parative review[R]. Tilburg University, TiCC-TR 2009-005, 2009.

[10] BELKIN M, NIYOGI P. Laplacian eigenmaps and spectral techniques for embedding and clustering[C]// In Advances in Neural Information Processing Systems. Cambridge: [s. n.], 2002: 14, 585-591.

Visual Interpretation Study for SAR Images Based on Information Visualization

TU Shang-tan1, ZHANG Jiu-ling1, ZOU Fei2, ZHUANG Lei1

(1. Shanghai Institute of Satellite Engineering, Shanghai 201109, China; 2. Beijing Institute of Remote Sensing Information, Beijing 100192, China)

To solve the difficulty problem in traditional synthetic aperture radar (SAR) image visual interpretation, a visual interpretation method for SAR images based on information visualization was studied in this paper. The feature extraction and data mining had been carried out on original SAR images using dimensionality reduction technology based on nonlinear manifold learning theory. The SAR image intrinsic features which were beneficial for application were obtained through the features based on polarimetric data transfer and polarimetric target decomposition. The intrinsic features could be normalized in color space, and visualized to interpreters for visual interpretation. The framework of SAR image visual interpretation based on information visualization was given out. The various application results showed that this method could utilize large amount of information hidden in original SAR images. The intrinsic feature images were better for human vision and effective to visual interpretation for SAR images.

Synthetic aperture radar; SAR image; Visual interpretation; Feature extraction; Information visualization; Manifold learning; Dimensionnality reduction; Laplacian eigenmaps

1006-1630(2016)04-0081-07

2016-05-30；

2016-07-04

国家自然科学基金资助(41501414)

涂尚坦(1985—)，男，博士，主要研究方向为星载SAR载荷系统设计、SAR图像解译与处理、机器学习与人工智能。

P237； TN958

A

10.19328/j.cnki.1006-1630.2016.04.014