基于联合特征和SVM的极化SAR图像分类方法

马騳骉，卢春燕

(中国人民解放军65021部队，辽宁 沈阳 110867)

基于联合特征和SVM的极化SAR图像分类方法

马騳骉，卢春燕

(中国人民解放军65021部队，辽宁 沈阳 110867)

极化SAR地物分类作为极化SAR数据解译的关键环节，已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上，给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征，并结合具有上下文知识的纹理特征，构建联合特征矢量；利用提取样本区域像素的联合特征矢量训练SVM分类器；将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明，算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性，具有较好的分类性能。

航天遥感；极化SAR；目标分解理论；支持矢量机

0 引言

极化合成孔径雷达(Synthetic Aperture Radar，SAR)数据相比于SAR数据而言具有更加详尽的分类特征和极化信息，已成为遥感领域研究的一个新热点。极化SAR地物分类[1]作为极化SAR数据解译的关键环节，近年来得到了越来越多的关注，许多极化SAR图像的分类方法[2]应运而生。这些方法大致可以分为两大类：① 基于极化信息进行的分类。这一类方法中包括直接利用极化SAR数据本身散射体散射信息的后向散射矩阵S(Stoke矩阵)，还有相干矩阵T及协方差矩阵C等进行分类的方法[3]；还包括基于目标分解得到的信息进行分类的方法。如，Lee[4]等人提出了一种结合Cloud分解和Wishart分类器的分类方法；Cloud[5]等人提出了一种基于熵的地物分类模型；Lee[6]等人提出了基于Freeman分解与Wishart分类器相结合的分类方法，该方法可以很好地保持极化散射特性；② 将传统的分类方法应用在极化SAR图像上。该方法中将极化SAR图像看作是自然图像，然后利用纹理分析等图像处理算法来获取更多的衍生信息，在此基础上利用模式识别的方法进行分类。Vijaya V Chamundeeswar[7]等人于2009年将纹理特征引入极化SAR的分类当中，并肯定了纹理特征对分类的贡献。但以上方法均存在一定的弊端：① 特征中存在对分类意义不大的信息，且相互之间存在冗余，在一定程度上影响分类结果的准确性；② 单纯地利用极化信息进行分类就会丢失像素点之间的空间关系，导致分类结果椒盐化。

为解决以上问题，本文在特征组合上进行了新的尝试，将目标分解得到的电磁散射特征与图像纹理特征相结合，构造联合特征矢量，给出了一种基于联合特征和SVM的极化SAR图像分类方法。实验结果表明，该算法具有良好的分类性能、较好的可靠性和鲁棒性。

1 特征提取与选择

1.1 极化SAR数据表示

极化SAR图像[8]的每个像素点由一个极化散射矩阵表示为：

(1)

式中，VV、HH和HV表示垂直、水平和交叉极化发射和接收。互易情况下的S矩阵，在Pauli基下可转化为：

(2)

相应的极化协方差矩阵C和相干矩阵T可分别定义为C=〈hhH〉和T=〈kkH〉，其中上标“H”表示共轭转置，“〈·〉”表示取集平均。协方差矩阵C和相干矩阵T之间可以通过线性变化相互转化。

1.2 电磁散射特征

1.2.1Freeman分解

Freeman分解[9]将协方差矩阵C表示为3种散射机理的加权和：

(3)

式中，Cs、Cd和Cv分别为表面散射的协方差矩阵、二次散射的协方差矩阵和体散射机理的协方差矩阵；fs、fd和fv分别为它们对应的权值；a为二次散射的参数；b为表面散射的参数。

通过求解方程组，可以得出3种散射分量的能量分别为Ps=fs(1+|b|2)，Pd=fd(1+|a|2)和Pv=8fv/3。此时定义散射能量熵为：

式中，Q1=Ps/PA;Q2=Pd/PA;Q3=Pv/PA;PA=Ps+Pd+Pv。Hp反映了Freeman分解所得散射机制的随机程度，具有良好的区分能力。

1.2.2Cloude分解

Cloude分解[10]将相干矩阵T分解成3个独立的矩阵之和，代表3种散射机制的加权和：

(4)

式中，H为转置；ei为相关矩阵的特征向量；λi为特征值，均为实数。根据式(4)，可将特征向量描述为：

(5)

式中，αi∈[0°,90°]代表散射体的内部自由度；βi代表目标关于雷达视线的方向角；而φi、δi和γi则代表目标的散射相位角。

考虑到地物散射过程的无序性，可将散射介质的熵定义为:

(6)

1.3 纹理特征

纹理特征已经被证实在SAR地物分类中具有重要的价值。目前在SAR图像的分类中作用较为突出的就是经典的灰度共生矩阵[11]。灰度共生矩阵是建立在估计图像的二阶组合条件概率密度函数的基础上，通过统计图像在特定距离和方向上的2个点灰度值的分布规律，来反映图像的灰度在方向、间隔、变化大小及速度上的信息，通过灰度共生矩阵提取包括方差、均值、熵、对比度、能量、相关性，逆差矩、相异性和二阶矩在内的多种性质，全面反映图像纹理特征。本文主要研究了以下参数：

熵：它反映了图像中所包含信息的复杂程度。其值越大，代表图像中所包含信息的不可预测性更大。

(7)

对比度：它表示的是图像的清晰程度以及纹理沟纹的深浅程度。

(8)

2 极化SAR图像分类

本文引入SVM分类器来充分利用目标分解特征和纹理特征的互补性，从而实现SAR图像的有效分类。

2.1 SVM基本原理

SVM[12]是一种通过将低维空间转化为高维空间，从而将线性不可分问题转化为线性可分的方法，近年来，SVM在很多领域都被广泛地应用[13]，也有很多改进算法不断涌现[14]。

(9)

最优超平面的决策函数为：

(10)

式中，λi为Lagrange系数，满足以下条件：

(11)

在非线性可分问题中，首先要将非线性可分问题转化为线性可分的问题，通常采用的方法是利用核函数(高斯核函数、径向基核函数和S型核函数等)将低维空间映射到某个高维空间中，使其在新的高维空间中线性可分。

2.2 本文算法流程

本文算法的实现步骤如下：

① 确定训练样本的区域和类别，设置分类器参数；

② 采用文献[16]中提到的Lee滤波方法对极化SAR图像进行滤波，从而减少相干斑噪声的影响；

⑤ 选取训练样本提取特征向量，输入SVM分类器进行训练；

⑥ 对待分类图像提取特征向量并输入训练好的SVM分类器，得到最终分类结果。

3 实验结果与分析

3.1 实验数据

为验证本文算法的有效性，采用2幅真实极化SAR图像进行实验。实验1数据为1989年NASA/JPL实验室AIRSAR获取的荷兰Flevoland区域极化SAR数据，图像分辨率为6.7m*6.7m，图像大小为300*400，包括油菜籽地、裸沙地、甜菜地、苜蓿地、马铃薯地、大麦地、豌豆地和小麦地等8类地物；实验2数据为1992年NASA/JPL实验室AIRSAR获取的美国旧金山区域极化SAR数据，图像分辨率为10m*10m，图像大小为600*600，包含海洋、城区和植被3类地物。它们的总功率Span图如图1所示。

图1 实验区域SPAN图像

为验证文中算法的有效性，进一步分析算法性能优劣，本实验分别采用方法：① 基于目标分解所得特征的SVM分类(简称对比方法1)；② 基于纹理特征的SVM分类(简称对比算法2)作为比较算法。实验结果的评价指标主要有分类总精度(Overall Accuracy，OA)、平均分类精度(Average Accuracy，AA)和Kappa系数

3.2 Flevoland极化SAR数据分类结果

Flevoland极化SAR数据的实验结果如图2所示。图2(a)为该区域的地物参考分布图[17]，图2(b)、图2(c)和图2(d)分别为对比方法1、对比方法2和本文方法的实验结果。

从实验结果可以看出，对比方法1对油菜籽地、裸沙地和大麦地的分类结果相对较好，但甜菜地的分类效果不够理想，出现了部分将马铃薯地划分为甜菜地的错分；而对比方法2中豌豆地、小麦地、甜菜地和马铃薯地的划分效果明显优于对比方法1，但对大麦地的分类结果中存在较多的油菜籽地的误判情况。总体而言，本文提出的方法分类效果最好。从目视效果而言，该方法的分类结果与真实地物情况较为接近，能够较好地避免某一类别的严重错判。

图2 3种分类方法的结果

3.3 旧金山极化SAR数据分类结果

旧金山极化SAR数据的实验结果如图3所示。其中图3(a)为该区域的人工目视划分的地物参考分布图，图3(b)、图3(c)和图3(d)分别为对比方法1、对比方法2和本文方法的实验结果。

图3 3种方法的分类结果

3种方法的分类精度比较结果如表1所示。

表1 3种方法的分类精度比较

从实验结果可以看出，3种算法的分类结果均较好。但仔细观察发现，对比方法1中对于植被区域的分类效果较好；对海洋区域的划分存在较多错分，如图3(b)中标出的A1区域和A2区域；对城市区域的划分也存在较多的错误，如图3(b)中的C1区域和C2区域；对比方法2对于海洋区域的划分效果较好，但存在植被错分较多的情况，如图3(c)中所标出的B区域；相比较而言，本文方法的分类效果最佳。

以上实测数据的实验结果表明：① 目标散射特性与纹理特性反映了目标的不同属性，具有互补性；② SVM可以综合不同属性特征的信息，合成性能更优越的分类器；③ 本文方法采用联合特征矢量的策略，可以充分利用散射特性与纹理特征的互补性，具有比仅利用单一属性特征的方法更高的分类精度。

4 结束语

本文通过将H/∂/A和Freeman分解得到的电磁散射特征与纹理特征进行选择和组合，提出一种基于联合特征和SVM的极化SAR图像分类方法。实测极化SAR数据的实验结果表明,本文算法能够有效地结合二者的互补性，具有更好的分类性能。

[1] 卢文清，何加铭，曾兴斌，等.基于多特征提取和粒子群算法的图像分类[J].无线电通信技术，2014，40(2)：90-93.

[2] 李思嘉，赵晓焱，张继学.基于OTSU算法的图像分割有效性研究[J].无线电通信技术，2014，40(5)：54-56.

[3] WANG S,LIU K,PEI J J,et al.Unsupervised Classification of Fully Polarimetric SAR Images Based on Scattering Power Entropy and Copolarized Ratio[J].IEEE Geoscience and Remote Sensing Letters,2013,10(3):622-626.

[4] LEE J S,GRUNES M R,AINSWORTH T L,et al.Unsupervised Classification Using Polarimetric Decompositon and the Complex Wishart Classifier[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(5):2 249-2 258.

[5] CLOUD S R,POTTIER E.An Entropy-based Classification Scheme for Land Application of Polarimetric SAR[J].IEEE Transactions on Geocsience and Remote Sensing,1997,35(1):68-78.

[6] LEE J S,GRUNES M R,POTTIER E,et al.Unsupervised Terrain Classification Preserving Polarimetric Scattering Characteristics[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(4):722-731.

[7] CHAMUNDEESWARI V V,SINGH D,SINGH K.An Analysis of Texture Measures in PCA-based Unsupervised Classification of SAR Images[C]∥IEEE Geoscience and Remote Sensing Letters,2009:214-218.

[8] 尹 曼，陈 兵，孟庆华.基于分数阶傅里叶变换的聚束SAR成像算法[J].无线电工程，2015，45(8)：19-22.[9] 单子力，刘 翔，陈 旸，等.双极化SAR图像H/α分解及替代方法研究[J].无线电工程，2013，43(12)：32-36.

[10] FREEMAN A,DURDEN S L.A Three-component Scattering Model for Polarmetric SAR Data[J].IEEE Transactions on Geoscience and Remote Sensing,1998,36(3):963-973.[11] 黄 敏，刘云坚.改进灰度共生矩阵的指纹图像分割算法[J].长沙理工大学学报(自然科学版)，2006，13(1)：75-80.

[12] 张景柱，柴焱杰.多维力传感器的LS-SVM动态逆解耦建模[J].无线电工程，2014，44(8)：18-20.

[13] 吴永辉，计科峰，郁文贤.利用SVM的全极化、双极化与单极化SAR图像分类性能的比较[J].遥感学报，2008，12(1)：47-53.

[14] 马 强，田红园，郑文秀.基于分形维数与SVM的PUE攻击检测[J].无线电通信技术，2015，41(2)：26-28.

[15] 吕雍正，芮国胜，董道广.基于改进型支持向量机的电磁传播损耗研究[J].无线电通信技术，2015，41(2)：64-66.

[16] LEE J S,GRUNES M R,GRANDI G D.Polarimetric SAR Speckle Filtering and Its Implication for Classification[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(5):2 363-2 373.

[17] WU Y,LIU K,JI K,et al.Region-based Classification of Polarimetric SAR Images Using Wishart MRF[J].IEEE Geoscience and Remote Sensing Letters,2008,5(4):668-672.

马騳骉 男，(1970—)，硕士，高级工程师。主要研究方向：计算机应用。

卢春燕 女，(1988—)，硕士，助理工程师。主要研究方向：图形与图像处理技术。

Classification of Polarimetric SAR Image Based on Associated Feature and SVM

MA Du-biao,LU Chun-yan

(Unit65021,PLA,ShenyangLiaoning110867,China)

Classification of Polarimetric Synthetic Aperture Radar (PolSAR) image is the key link of Data interpretation.Now it has become a hot spot in remote sensing.On the basis of the existing methods,in this paper,an algorithm of classification of PolSAR images is proposed based on associated feature and SVM.Firstly,scattering characteristics of PolSAR image are extracted according to target decomposition methods.Then the scattering characteristics and texture which has contexture knowledge are combined to obtain the associated Feature vector.And the associated Feature vector of the pixels in the sample areas is used to train the SVM.Finally,unknown data of PolSAR image is imported to the trained SVM to achieve final classification.Experimental results on real PolSAR images demonstrate that the proposed method is able to utilize the complementary information of scattering characteristics and texture,which has a sound classification effects.

space remote sensing;polarimetric SAR;target decomposition methods;support vector machine

10.3969/j.issn.1003-3106.2017.03.08

马騳骉,卢春燕.基于联合特征和SVM的极化SAR图像分类方法[J].无线电工程,2017,47(3):31-34，46.

2016-12-27

国家部委基金资助项目。

TP751

A

1003-3106(2017)03-0031-04