纹理辅助的SAR图像SVM分类

白云海，武文波

(辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000)

纹理辅助的SAR图像SVM分类

白云海*，武文波

(辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000)

针对SAR图像的问题设计了一种基于灰度共生矩阵的纹理特征提取辅助SAR数据进行SVM分类的方法。首先，采用Enhanced Frost滤波法进行噪声抑制处理，通过基于灰度共生矩阵的典型纹理特征的分析和比较，独立主成分分析法去除各纹理特征之间的相关性，选择信息量最大的一个主成分与经过HSV彩色合成后转换为新的RGB图像；然后对变换后的RGB图像和新RGB图像分别执行SVM分类与最大似然分类，并进行精度比较。利用SAR数据进行了实验，证明了本方法的有效性。

SAR图像；纹理特征；SVM；灰度共生矩阵；最大似然分类

1 引 言

SAR图像分类是遥感图像处理中重要的组成部分，也是SAR图像解译的重要内容，在植被生长状况评估、土地规划等各方面的应用很广。极化SAR包含了丰富的目标信息，为信息的提取提供了很多便利，因此极化SAR在分类的过程中有着明显的优势。纹理分析是图像分析的一个重要手段，它具有对图像区域表面感知、描述的独特的作用，对图像的理解有着重要意义[1]。因此纹理分析对SAR图像分类的积极意义不言而喻，基于纹理的分析和应用研究已经进行了50余年[2]。各国研究者对纹理特征提取方法进行了广泛的研究，如著名的灰度共生矩阵(GLCM)、灰度行程长度法(gray level run length)、自相关函数法，同时随着应用领域的不断扩大得到新理论，如分形理论、马尔可夫随机场理论(MRF)[4]、小波理论[3]等。灰度共生矩阵有助于纹理分析，转化自灰度值的纹理信息的应用很广泛。灰度差分统计法、自回归模型法等在纹理分析中得到了一定的效果，但在后续的研究和实际应用中对这些方法的研究很少。为了提高对SAR图像中的有用信息的提取程度，本文提出了一种基于灰度共生矩阵的纹理特征提取并以纹理辅助SAR图像采用SVM分类方法进行分类。并用SAR数据进行了实验，与最大似然分类方法的结果进行了定性对比，证明了本文方法的有效性。

2 本文SAR数据分类原理

主要步骤：首先对读取的SAR图像采用增强的Frost滤波进行预处理以消除对其影响较大的斑块噪声[5]，并进行基于灰度共生矩阵的纹理特征提取，对提取的纹理特征相关分析之后采用独立主成分分析的方法对其去相关。然后将一个主成分与灰度图转换后的彩色图像的两个通道进行组合，合成新的RGB图像。最后对实验数据采取SVM分类，并与最大似然分类后的结果比较，得出最终的实验结果，流程图如图1所示。

图1 本文方法流程

2.1 基于灰度共生矩阵的纹理特征提取

灰度共生矩阵是定义一组纹理特征的基础[6]。它反映图像灰度关于方向、相邻间隔 、变化幅度等综合信息，是分析图像局部特征和排列规律的基础，通过对图像灰度级之间二阶联合条件概率密度pij(d，θ)的计算表示纹理表示在给定空间距离d和方向θ时，以灰度级i为始点，出现灰度级j的概率(Gij)G为所考查图像区域内灰度级的最大值。它通常以矩阵形式表示，称为灰度共生矩阵。灰度共生矩阵是一G×G的方阵。

(1)

(2)

计算灰度共生矩阵时，方向θ的取值共有4种情况，即0°，45°，90°，135°，分 别 代 表东—西、东北—西南、南—北、东南—西北4个方向的共生矩阵，为了获得图像在各个方向的纹理特征，本文取这4个方向灰度共生矩阵的平均值作为局部图像中心像元位置的灰度共生矩阵。

本实验采用的基于灰度共生矩阵的纹理特征提取统计量为：熵(ENT)、角二阶矩(ASM)、逆差矩(IDM)、相关度(COR)、中值(μ)、协方差(VAR)、反差(INV)、差异性(DIS)。

2.2 纹理特征的独立主成分分析

独立主成份分析(Independent Components Analysis)主要是通过对协方差矩阵进行特征分解，以得出数据的主成分(即特征向量)与它们的权值(即特征值)[7]，通过去相关，可以用来发现和分离图像中隐藏的噪声、降维、异常检测、降噪、分类和波谱端元提取以及数据融合，它把一组混合信号转化成相互独立的成分。这样一方面能最大限度反映原变量所代表的信息，另一方面又保证了新变量之间的独立性，不至于造成信息的冗余。其基本思想是设法将原来众多的具有一定相关性的指标Xi(i=1，2，…，p)，将这些指标组合成一组互不相关的综合指标Fi(i=1，2，…，m)。

假设F1为第一个主成分指标，即

F1=a11X1+a21X2+…+ap1Xp

(3)

对于每一个主成分来说其方差越大，表示F1包含的信息越多。通常F1所含的信息量最大，故称F1独立为第一主成分。依此类推构造出的F1、F2、…、Fm为m个主成分。本文只选用第一个主成分。

2.3 合成新的RGB图像

对原图像进过滤波处理后消除了斑块噪声对后续处理工作带来的影响，由于在分类前要选取样本，所以选取样本的图像应能通过目视清晰地区别各类地物，以保证能够获得良好的样本，这样有助于提高分类的精度。由于经独立主成分分析后所得的第一主成分中含有丰富的信息，因此在选取样本之前，引用HSV[9]图像彩色合成方法将原图像转换到HSV空间，再将图像转换为RGB图像，提取出图像的R和B通道并且与经过独立主成分分析之后得到的一个特征值最大的主成分重新合成RGB图像，合成的结果中地物能很好地分辨，纹理清晰度也有所改善。

2.4 SVM算法

(4)

(5)

(6)

3 基于纹理的单极化SAR数据分类实验

3.1 SAR数据介绍

本设计实验数据为雷达影像数据(SAR)如图2所示，通过SAR图像的纹理可以做初步的分析判别。黑斑为水体，长方形斑为建筑，线状斑为道路其他地方为植被。此影像为单极化(HH)影像，成像时间为2013-03-18，距离分辨率为 1.33 m，方向分辨率为 2.08 m，面积 400 m2，地势描述：平原及山地。

图2 SAR图像

3.2 实验过程及结果

(1)SAR数据预处理

SAR数据由于相干波造成斑点噪声，所以在做分类实验之前需要进行预处理。本文对图像采用增强的Frost滤波法进行斑点噪声抑制处理。

(2)SAR数据的纹理特征提取

采用基于灰度共生矩阵提取的纹理特征来辅助SAR图像分类，纹理之间有一定的相关性，分类的复杂程度也随着纹理特征的数目的增大而增加。因此，纹理特征选取非常重要。逐个计算8种纹理特征，采用分析典型地物纹理特征统计量的方法来选择参与分类的具体纹理特征。

(3)SAR数据的相关分析

SAR数据提取之后的纹理特征存在一定的相关性，通过相关分析来分析它们之间的相关性，相关系数的绝对值越趋近于1相关性越密切。相关系数表如下：

8种纹理的相关性表 表1

由以上相关性信息表，可以得出相关系数最大的两组为差异性和反差，协方差和反差(相关系数的绝对值越接近1相关性越大)，未经纹理分析的RGB图像如图3所示。经独立主成分分析后，得到一个特征值最大的主成分。对图像重新合成，得到一幅新的RGB图像如图4所示。

图3 HSV转换后的RGB图像(未纹理分析)

图4 新RGB图像(经纹理分析)

(4)SAR数据分类及精度评价

采用支持向量机(SVM)分类法对新RGB图像进行分类。结果与最大似然分类结果对比，同时也将经HSV彩色合成转换后没有进行重新组合的RGB图像也用来进行SVM和最大似然分类，分类结果如图5所示。红色：建筑，绿色：植被，黄色：道路，蓝色：水域。

图5 SAR数据分类图像 纹理分析的SAR图像SVM分类混淆矩阵及精度 表2

未纹理分析的SAR图像SVM分类混淆矩阵及精度 表3

未纹理分析的SAR图像最大似然分类混淆矩阵及精度 表4

经纹理分析的SAR图像最大似然分类混淆矩阵及精度 表5

从分类结果中可以看出，SVM分类总体的精度的高于最大似然分类的分类精度，经纹理分析后的分类精度明显高于为纹理分析的分类精度。图5(a)与(c)中看出，(c)图中的水域有明显的漏分现象，而且道路也有很大程度的错分，(a)图中这样的情况明显得到了改善。同样比较(b)与(a)看出对经纹理分析，主成分提取，波段重后的图像的分类结果中道路的错分现象明显减少。但总的来看，在分类边缘的错分，漏分现象还是比较严重，由于滤波在消除斑点噪声保持边缘的同时不可避免的导致了边缘的平滑，使得分类结果在边缘处有大的误差，同时分类样本的选择也影响着分类结果的精度，尤其对线状目标来说，这种影响非常大。在从整体对比之后，对于局部区域的对比结果可以从以上4幅图标示的红色方框中看出，重新颜色合成后的图像再进行SVM处理，对处理结果有很好的促进作用，如图5(a)所示，未经纹理分析的SVM次之。最大似然分类结果错分程度最大。

4 结 论

针对单极化SAR图像分类问题进行对SAR图像纹理特征提取并将独立主成分分析得到的第一主成分与彩色合成后的滤波图像的R、B通道进行了组合，对组合后的图像与彩色合成的滤波图像分别采用SVM分类和最大似然分类，并分别进行了整体的局部的对比。结果表明，对组合后的图像的分类精度高，效果比较好。但在边缘及现状地物的分类误差还是比较大，针对以上的不足，应对SAR图像去噪同时边缘保持做更进一步的研究，以得到更好的边缘信息，并结合在预处理中对不同波段的组合从目视角度得到更清晰的图像以便于后续工作，及分类时对线状目标的样本选择来得到更高精度的分类效果。

[1] 张宗海. 高分遥感影像纹理特征分析方法浅析[J]. 中国科技纵横，2015(21)：15～15.

[2] 刘晓民. 纹理研究综述[J]. 计算机应用研究，2008，25(8)：2284～2288.

[3] 廖宁，徐丽莎，钱晓山. 基于多尺度小波的纹理分析[J]. 系统仿真学报，2015，27(9)：1951～1959.

[4] 赵银娣，张良培，李平湘. 广义马尔可夫随机场及其在多光谱纹理影像分类中的应用[J]. 遥感学报，2006，10(1)：123～129.

[5] 孙丹，马久云. 一种新颖的去除SAR图像斑点噪声的各向异性扩散模型[J]. 阿坝师范高等专科学校学报，2014(2)：126～128.

[6] 孙健，胥亚，陈方玺等. 基于合成孔径雷达回波信号的海洋溢油监测方法研究[J]. 海洋学报，2014，36(09)：103～111.

[7] 王云艳，何楚，涂峰等. 特征选择双层SVM的融合算法用于极化SAR图像分类[J]. 武汉大学学报·信息科学版，2015，40(9)：1157～1162.

[8] 隋艳立. 基于深度支持向量机的极化SAR图像分类[D]. 西安：西安电子科技大学，2014.

[9] Daily M. Hue-saturation-intensity split-spectrum processing of Seasat radar imagery[J]. Photogrammetric Engineering and Remote Sensing，1983，49(3)：349～355.

SVM Classification of SAR Images with the Assistance by Textures

Bai Yunhai，Wu Wenbo

(School of Geomatics Liaoning Technical University，Fuxin 123000，China)

A designed method，called Support Vector Machine，is assisted by texture features extraction based on gray level co-occurrence matrix to classify the SAR image. The noise suppression is conducted by Enhanced Frost filtering method. Eliminate the correlation among them each other，through the analysis and comparison of the typical texture feature based on gray level co-occurrence matrix，leveraging the Independent Components Analysis. Select the principal components with the maximum information and 2 bands of SAR image transformed into coloured image by HSV transformation to compound into a new RGB image；then implement the SVM classification and the maximum likelihood classification separately in terms of the transformed color image and the new RGB image. With SAR images classified，the proposed method in the paper proved to be effective.

SAR image；texture feature；SVM；gray level co-occurrence matrix；maximum likelihood classification

1672-8262(2016)06-60-05

TP751.1

A

2016—05—19

白云海(1991—)，男，硕士研究生，主要研究方向：遥感图像处理。