特征选择的全极化SAR影像面向对象土地覆盖分类

陆翔 章皖秋 郑雅兰 岳彩荣



特征选择的全极化SAR影像面向对象土地覆盖分类

陆翔 章皖秋 郑雅兰 岳彩荣

（西南林业大学，昆明 650224）

全极化SAR数据信息丰富，仅利用单一的极化特征和基于像元的分类很难得到较好的分类效果。因此，提出了全极化数据特征优选结合面向对象方法进行土地覆盖分类。以云南西双版纳州勐腊县和普洱市思茅区的Terra SAR-X的X波段全极化雷达数据为信息源，首先对全极化SAR数据进行预处理，提取研究区Pauli RGB图像后，利用影像分割技术对Pauli RGB图像进行分割，作为分类的基本单元；然后对SAR影像提取极化分解特征和Span影像的纹理特征，选取最优特征集合；最后利用面向对象模糊分类方法进行土地覆盖分类，并采用实地调查数据对分类结果进行了精度评价。试验结果表明，面向对象方法可以很好地去除噪声的影响，最优组合的特征波段使得分类结果更加精确。西双版纳州勐腊县总体分类精度达到88.5%，普洱市思茅区总体分类精度达到86.8%，较之H/A/α-Wishart分类方法精度提高了40%以上。

全极化 合成孔径雷达 影像分割 特征选择 模糊分类 遥感应用

0 引言

近年来，极化合成孔径雷达（Polarimetric Synthetic Aperture Radar，PolSAR）技术在土地覆盖分类、城市规划、植被高度估测、环境监测和探测军事目标等领域有着广泛的应用[1]。其中，遥感影像分类是Pol SAR的重要研究内容之一，尤其是SAR数据的极化特征，进一步提升了遥感技术对土地覆盖进行分类的能力。

基于像元和对象分类是当前进行SAR影像土地覆盖分类的两种主要形式，且分类方法主要采用支持向量机分类方法、距离分类方法、模糊分类法、神经网络分类方法，SAR数据特征选取的不同，这些方法的分类效果也各不相同。基于像元的SAR影像土地覆盖研究是利用SAR影像的极化信息，从极化散射矩阵中提取与散射机理和特性密切相关的参数，并结合其他分类方法直接进行分类。文献[2]利用散射熵和平均散射角组成的/平面划分8个区域进行非监督分类；文献[3]利用非监督分类结合基于极化目标分解分类；文献[4]利用Freeman分解结合复合Wishart分布的最大似然分类器，提出了可以保持极化散射特性的分类方法。近年来，基于像元SAR图像分类方法大多是在上述方法的基础上进行优化，在SAR图像分类上取得了重大突破，但是也存在不足[5-6]。文献[2]/的平面采用人工线性划分的方式，导致地物细节信息丢失。文献[3]的自动迭代分类方法无法保持地物的散射特性，导致误分错分现象严重。这些基于像元的SAR图像分类方法在类别划分上依靠经验，没有有力的理论支撑，且存在较多斑点噪声，严重影响分类精度[7]。基于对象的SAR图像分类研究依据SAR图像本身提取出有利于分类的各类特征参数，再结合图像分割技术和适当的分类方法进行图像分类。例如，文献[1]利用图谱分割技术获得分类对象，然后提取基于极化信息和纹理信息的44种分类特征并用于分类；文献[8]利用分割和特征提取结合改进的分类器算法实现SAR图像的分类；文献[9]提出了一种基于统计区域合并分割和支持向量机的新型面向对象分类方法。以上基于面向对象的SAR图像分类中，分类特征的选择是面向对象分类的重要条件之一。基于像元和对象的两类方法中均把提取的所有特征未经过甄选全部用于分类，这样会造成数据冗余，甚至分类精度的降低。

由于数据类型的限制，以上研究多集中于单极化、双极化信息的分类，而对全极化分类的研究相对不多。在高分辨率的支持下，SAR图像的纹理特征又可以作为分类的重要条件。因此，本文针对基于像元和基于对象分类的缺点，结合本文的全极化和高分辨率的Terra SAR数据，提出了特征波段的选择与面向对象结合用于SAR影像地物分类的方法。首先对提取的Pauli RGB图像进行分割得到分类对象，然后提取出原始影像的极化分解特征和Span影像的纹理特征，并采用特征空间优化得到最优分类特征组合，利用模糊分类器得到分类结果。结果表明本文较高的分类精度可以满足勐腊研究区和普洱研究区的土地变化监测、森林动态监测、城镇变化监测等的需求。

1 研究方法

1.1 研究区和数据

选取了面积较小但是地类丰富、具有典型代表的两块试验区，见图1。勐腊县位于北纬21°09′~22°23′，东经101°05′~101°50′之间。地处北热带湿润季风气候区，植被以常绿阔叶林和热带雨林为主，研究区内地形以山地为主。普洱市位于北纬22°02′~24°50′，东经99°09′~102°19′，属亚热带季风气候，全年气候温和，垂直气候明显，全市以山地为主。天然植被以亚热带常绿阔叶林、思茅松林为主，也是普洱茶的主要种植区。

图1 研究区示例

Terra SAR-X空间分辨率达到2.1m，能够获取高品质的X波段数据。目前，Terra SAR-X已被广泛应用于变化检测、林业、农业、国土、水文以及城市规划等领域。本文研究区的数据是全极化数据，（见表1），在西双版纳及普洱这种多云雨天气的地区具有无可代替的优势。

表1 研究区Terra SAR数据参数

Tab.1 Terra SAR data in the study area

1.2 影像分割

以云南西双版纳州勐腊县和普洱市思茅区的Terra SAR-X的X波段全极化雷达数据为信息源，进行了基于特征选择的极化SAR影像面向对象土地覆盖分类试验。

面向对象的SAR影像土地覆盖分类中，分割是决定分类精度的重要像因子，准确的地物边界分割是正确分类的必要条件。本文采用多尺度分割方法对研究区的Pauli RGB图像进行分割，得到分割对象，即具有相同统计特性像元组成的区域[10]，利用分割后的对象进行分类可以有效避免噪声对分类的影响。

分割时需要考虑两个参数，一个是异质度，一个是分割尺度。异质度由颜色和形状异质度组成，二者权重之和为1。

式中color为颜色异质度；为颜色异质度的权重；shape为形状异质度；1–为形状异质度的权重，0≤≤1。compact为紧致度；s为紧致度的权重；smooth为光滑度；1–s为光滑度的权重，0≤s≤1。

根据影像的颜色和形状特征设置分割参数，如果研究区内地物形状明显则形状的权重相应的增大[11]。

式（1）中的color是两个对象合并后得到的光谱异质性值和合并前对象（obj1和obj2）的各自光谱异质性值之和的差值

式中w为参与分割合并的波段权重，为参与分割的波段；merge，δ,merge分别为合并后的区域面积和光谱方差；δ,obj1，δ,obj2分别为两个空间相邻区域的光谱方差；obj1，obj2分别为两个空间相邻区域的面积。

形状异质度变化是用合并前后的差值来评估的，所以光滑度smooth和紧致度compact表示为

式中merge表示合并后的对象实际边长，obj1，obj2分别表示两个空间相邻对象的实际边长；merge为合并后对象外切矩形的周长；obj1，obj2分别表示两个空间相邻对象的外切矩形的周长。

1.3 影像的分类特征的选取

Terra SAR-X全极化数据具有丰富的极化特征信息，这些特征信息可间接反映地物的组成和结构信息，是地物分类的重要依据。本文采用Freeman极化分解[12]、Yamaguchi极化分解[13]和Cloude-Pottier极化分解[14]三种极化分解方法提取了勐腊研究区和普洱研究区各10种常见的极化特征参数（见表2），作为地物覆盖分类的备选分类特征，这些特征参数可以很好地表达地物的散射特性[15]。图2、图3分别为勐腊研究区和普洱研究区极化分解彩色合成图。灰度共生矩阵（Gray Level Cooccurrence Matrix，GLCM）是提取纹理特征的常用方法[16]。纹理特征能够反映影像中的同质性区域，突出地物之间的差异性，在地物分类中起到重要作用。Terra SAR-X数据属于短波SAR高分辨率数据，空间分辨率可达2.1m，具有丰富的纹理结构特征。因为SAR数据本身是复数形式，不能直接提取纹理，所以将Terra SAR数据转换为Span（SAR数据的总功率图）影像，再基于Span利用GLCM提取常用的6种纹理信息（见表2）。

表2 特征参数

Tab.2 Characteristic parameters

图2 勐腊极化分解彩色合成图

图3 普洱极化分解彩色合成图

1.4 最优特征选择

在同样的分类器下特征的选取决定了分类精度，特征选择的目的就是求得一组最有效的分类特征，所谓有效是指特征维数减少到同一水平时，分类性能最佳。因此需要有定量分析比较方法，判断所得到的特征维数及所使用特征是否对分类最有利，这种用以定量检验分类性能的准则称为类别可分离性判据，即类内类间距离。

本文采用的特征选择算法是在给定的初始特征集下（表2中的16类特征集合），利用选取的各个类别的样本，寻找到不同类别的样本之间的类内类间距离最大的特征组合。在初始的特征集合中分析所有的特征组合，即1到16（特征个数）的所有组合，即在选择1个特征或最多选择16个特征时都可以用()计算出类内类间距离，对每一个特征组合利用式（4）计算类内类间距离()，()代表了样本间的可分性，所以当()最大时的特征组合即为最优特征组合。

式中为总类别数；r,r分别为类及类中样本数；p,p是相应类别的先验概率。由式（4）计算得到的类内类间距离（分离距离）。

1.5 模糊分类与H/A/α-Wishart分类

（1）模糊分类

本文在前面影像分割和特征提取的基础上结合模糊分类方法下的最邻近分类器进行影像分类。通过提取SAR影像的极化特征和纹理特征信息，建立分类隶属度规则集。面向对象的最邻近分类方法可分为2个步骤：1）确定分类类别，在每一类中选取正确的训练样本，通过特征优选建立特征空间，设置函数斜率和最小隶属度阈值，最后在特征空间中计算待分类影像对象与样本之间的距离；2）将距离转换为隶属度（通常在0~1范围的模糊值），如果待分类影像的隶属度大于所设定的隶属度阈值，则该对象被分为与它距离最近的样本所属的类别中[18]。例如：如果影像对象的最邻近样本对象属于红类样本，则这个对象分为红类样本（图4），所有对象的隶属度值由式（5）计算。

由式（5）中的距离可以计算出一个多维的指数形式的隶属度函数

式中()为对象的隶属度；f为函数斜率。

()的减少量由参数决定，可以用不同的函数斜率来表达（见图5）。

图4 最邻近分类原则

图5 最邻近隶属度函数

本文使用函数的缺省值为0.2。最邻近分类方法可以很好地评价对象特征间的相关性；可以有效解决二维空间中隶属度函数的类描述的重叠问题；可以快速处理分类的类层次结构。

（2）H/A/α-Wishart分类

1996年Cloude和Pottier提出的Cloude-Pottier分解方法[14]，定义了散射熵、反熵和平均散射角三个物理量。Cloude-Pottier分解方法利用和组建一个–二维特征平面，并把该平面依据熵值高低和散射类型划为8个有效区域，每个区域代表一类，可以依据和的值进行简单的非监督分类。

1999年Lee提出Wishart分布可以更好地描述自然分布的散射机制[3]。L Ferro-Famil提出将反熵引入分类，的值设定为0.5，反熵的值大于0.5为一类，小于0.5为另一类[19]。此时聚类中心由8类分为16类，然后进行Wishart迭代分类，即H/A/α-Wishart分类。此方法是一种简单快速的非监督分类方法，在迭代过程中无法保持地物的散射特性，造成误分发生，导致分类精度低。

晞月原本声音柔美，一哭起来愈加清婉悠亮，颇有一唱三叹之效，十分哀戚。连远远站在外头伺候的杂役小太监们，亦不觉心酸起来。

2 试验结果

勐腊与普洱两块试验区试验过程完全一致。试验过程简述如下：1）在ENVI软件下进行研究区的裁剪，并进行了图像滤波（Lee滤波，3×3窗口大小）；2）利用Polsarpro软件提取极化信息和Span影像；3）利用eCognition进行影像的多尺度分割，并在eCognition提取出纹理特征，选取训练样本，然后对所有波段进行特征空间优化，最后在eCognition自带的模糊分类器下进行分类；4）H/A/α-Wishart分类在Polsarpro软件下提取出熵、各项异性和平均散射角，在Wishart分类器下进行迭代分类。

2.1 分割结果

考虑地物梯度、色彩、纹理、灰度级等特性，经过多次分割试验，对两个试验区的分割参数进行设置，表3为最优分割结果。图6和图7分别是两个研究区分割结果，分割边界为黑色线条。为验证分割边界与实际地物的吻合度，在两个试验区中用分割边界叠加到光学影像对比显示。

表3 分割参数设置

Tab.3 Segmentation parameter settings

图6 勐腊研究区分割结果

图7 普洱研究区分割结果

对比图6（a）和图6（b）可以看出，河流、裸地、农田、林地的分割边界较准确，图右下角建筑区的分割效果较差，这是由于建筑区组成复杂，例如，建筑物之间有树木、道路以及空地等，影像的异质性较大，使得局部分割结果不连续。由图6（a）和图6（b）的细节图可以看出，SAR影像分割边界与光学影像显示的地物边界吻合效果很好。

对比图7（a）和图7（b）可以看出，建筑用地、机场、水田、裸地、农地、林地的边界都有明显的区分，由于分辨率的限制，道路未能分出，与建筑用地分为了一类。由图7（a）和图7（b）的细节图可以看出，在机场的南端，建筑物和机场空地间的边界清晰准确，分割结果同样符合光学影像的边界。普洱研究区的地块相较于勐腊研究区更小，采用的分割尺度比勐腊研究区的分割尺度要大，所以分割的更细，对象也更多。

2.2 特征优选结果

勐腊和普洱研究区分离距离与特征量维数的相关关系见图8、图9。勐腊研究区通过对表2中16个备选分类特征的优化，得到最佳维数为9，最大类内类间分离距离0.302 2（图8）。9类特征分别为：Freeman分解的偶次散射p，Yamaguchi分解的体散射f、螺旋体散射f，Cloude-Pottier分解的散射熵、反熵、平均散射角，灰度共生矩阵的差异性（Dissimilarity）、同质性（Homogeneity）、均值（Mean）。普洱研究区通过对表2中16个备选分类特征的优化，得到最佳维数为7，最大类内类间距离为0.288 4（图9）。7类特征分别为：Cloude-Pottier分解的散射熵、平均散射角，Yamaguchi分解的体散射f、螺旋体散射f，Freeman分解的体散射p，灰度共生矩阵的差异性（Dissimilarity）、同质性（Homogeneity）。

图8 勐腊研究区分离距离与特征量维数

Fig.8 Separation distance and feature dimension of Mengla study area

图9 普洱研究区分离距离与特征量维数

2.3 基于面向对象的模糊分类结果

图10为勐腊研究区的分类样本及分类结果，共6种地类：天然林地4个，橡胶林地3个，农地4个，水体4个，建筑用地5个、裸地4个。图11为普洱研究区的分类样本及分类结果，共6种地类：机场3个、农地3个、水田3个、林地3个、城区4个、裸地2个。试验验证数据采用目视解译光学影像与实地考察相结合得到的ROI，并利用混淆矩阵进行精度评价。勐腊及普洱研究区的精度评价结果分别如表4和表5所示。

图10 勐腊研究区分类样本及分类结果

表4 勐腊研究区精度评价表

Tab.4 The accuracy evaluation for Mengla study area

表5 普洱研究区精度评价表

Tab.5 The accuracy evaluation for Pu¢er study area

2.4 分类结果与分析

勐腊和普洱研究区总体分类精度分别达到了88.5%和86.9%，比H/A/α-Wishart分类方法提高了43.3%和44.6%。每一地类的分类效果也有很大的改善，在勐腊研究区中，相比H/A/α-Wishart分类方法在制图精度方面：裸地提高了45.03%，水体提高了23.20%，建筑用地提高了36.64%，农地提高了41.83%，橡胶林地提高了66.4%，天然林地提高了39.6%。普洱研究区的分类精度同样有很大提高，详见表5。此外，在勐腊研究区的分类结果中，H/A/α-Wishart分类方法将林区边界的阴影部分错分为水体，这是由于单纯的依靠散射机制不能有效地对阴影进行分类，而本文方法则成功地解决了这个问题。定性目视分析和定量精度评价表明，本文方法比H/A/α-Wishart分类方法有了较大提高，可以实现高精度的土地覆盖分类。

3 结束语

以TerraSAR-X的X波段全极化数据为信息源，经过微波遥感特征的提取和优化结合面向对象的模糊分类方法，开展了云南西双版纳州勐腊县和普洱市思茅区（均为局部）土地覆盖分类研究，研究结果表明：

1）本文特征优选方法在保证分类精度的同时，去除了冗余的分类特征，在准确地物边界分割和特征优选结果下，结合模糊分类，有效避免了噪声在分类中的影响，实现了SAR影像高精度的土地覆盖分类；

2）两个不同地区的试验结果中，散射熵、平均散射角、体散射、差异性、同质性等微波遥感特征在土地覆盖分类中发挥了重要作用，这一结果对同类型的微波遥感数据特征提取和优化具有一定的参考意义；

3）研究中两个不同气候类型的研究区的分类精度都能达到85%以上，说明本文的分类方法具有较高的可移植性，对其他地区开展微波遥感土地覆盖分类具有较高的借鉴价值，同样具有很好的分类效果。

以下问题有待进一步开展研究：1）如何确定最优分割尺度，并在最优分割结果的基础上，用Terra SAR-X/TanDEM-X数据进行极化干涉处理提取森林冠层高度和相位信息作为分类特征信息；2）如何提取反映对象形状的特征参数并用于分类，以期得到更好的分类效果；3）研究发现特征波段的选取与分类样本的依赖性较高，如何选取最优的分类样本是今后研究中有待深入研究的新问题。

[1] 赵磊. 基于谱图分割的极化SAR影像面向对象分类方法研究[D]. 北京: 中国林业科学研究院, 2014. ZHAO Lei. Object-based Classification of Polarmetric SAR Images Based on Spectral Graph Partitioning[D]. Beijing: Chinese Academy of Forestry, 2014. (in Chinese)

[2] CLOUDE S R, POTTIER E. An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR[J]. IEEE Transactions on Geoscience & Remote Sensing, 1997, 35(1): 68-78.

[3] LEE J S, GRUNES M R, AINSWORTH T L, et al. Unsupervised Classification Using Polarimetric Decomposition and the Complex Wishart Classifier[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002, 37(5): 2249-2258.

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

[5] PUTIGNANO C, SCHIAVON G, SOLIMINI D, et al. Unsupervised Classification of A Central Italy Landscape by Polarimetric L-band SAR Data[C]//IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2005: 1291-1294.

[6] LUMSDON P, CLOUDE S R, WRIGHT G. Polarimetric Classification of Land Cover for Glen Affric Radar Project[J]. IEEE Proceedings–Radar Sonar and Navigation, 2005, 152(6): 404-412.

[7] 赵一博, 秦先祥, 邹焕新. 基于目标分解和SVM的极化SAR图像分类方法[J]. 航天返回与遥感, 2013, 34(2): 50-56.ZHAO Yibo, QIN Xianxiang, ZOU Huanxin. Classification of Polarimetric SAR Image Based on Target Decomposition and SVM[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(2): 50-56. (in Chinese)

[8] CHEN J, DU P, TAN K. An Improved Object Oriented Classification Scheme for Polarimetric SAR Image[J]. Journal of China University of Mining & Technology, 2015, 44(5): 944-951.

[9] LI H T, GU H Y. Object-oriented Classification of Polarimetric SAR Imagery Based on Statistical Region Merging and Support Vector Machine[C]//International Workshop on Earth Observation and Remote Sensing Applications. IEEE, 2008: 1-6.

[10] STEWART D, BLACKNELL D, BLAKE A, et al. Optimal Approach to SAR Image Segmentation and Classification[J]. Radar, Sonar and Navigation, IEEE Proceedings, 2000, 147(3): 134-142.

[11] 关元秀, 程晓阳. 高分辨率卫星影像处理指南[M]. 北京: 科学出版社, 2008: 203-207. GUAN Yuanxiu, CHENG Xiaoyang. High Resolution Satellite Image Processing Guide[M]. Beijing: Science Press, 2008: 203-207. (in Chinese)

[12] FREEMAN A, DURDEN S L. A Three-component Scattering Model for Polarimetric SAR Data[J]. IEEE Transactions on Geoscience & Remote Sensing, 1998, 36(3): 963-973.

[13] YAMAGUCHI Y, MORIYAMA T, ISHIDO M, et al. Four-component Scattering Model for Polarimetric SAR Image Decomposition[J]. IEEE Transactions on Geoscience & Remote Sensing, 2005, 43(8): 1699-1706.

[14] CLOUDE S R, POTTIER E. A Review of Target Decomposition Theorems in Radar Polarimetry[J]. IEEE Transactions on Geoscience & Remote Sensing, 1996, 34(2): 498-518.

[15] YANG H, SHAO Y, YANG H, et al. Full Polarimetric SAR Classification Based on Yamaguchi Decomposition Model and Scattering Parameters[C]//IEEE International Conference on Progress in Informatics and Computing, 2010: 1104-1108.

[16] GAO C C, HUI X W. GLCM-based Texture Feature Extraction[J]. Computer Systems & Applications, 2010, 19(6): 195-198.

[17] 李海峰, 张建州, 游志胜. 基于类距离的可分离性判据[J]. 计算机工程与应用, 2003, 39(26): 97-99. LI Haifeng, ZHANG Jianzhou, YOU Zhisheng. A Separative Criterion Based on Class Distance[J]. Computer Engineering and Applications, 2003, 39(26): 97-99. (in Chinese)

[18] 陈金丽. 面向对象的最邻近算法研究与实现[D]. 北京: 中国地质大学, 2009. CHEN Jinli. Research and Realization of Object Oriented Nearest Neighbour Classification Algorithm[D]. Beijing: China University of Geosciences(Beijing), 2009. (in Chinese)

[19] FERRO-FAMIL L, POTTIER E, LEE J S. Unsupervised Classification of Multifrequency and Fully Polarimetric SAR Images Based on The H/A/Alpha-Wishart Classifier[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002, 39(11): 2332-234.

（编辑：王丽霞）

Object-oriented Land Cover Classification Based on Feature Selection in Quad-polarimetric SAR Images

LU Xiang ZHANG Wanqiu ZHENG Yalan YUE Cairong

（Southwest Forestry University, Kunming 650224, China）

As the quad-polarimetric SAR data has plentiful information, it is difficult to obtain good classification results just by single polarimetric feature and pixel-based classification. Based on the X-band quad-polarimetric radar data of Terra SAR-X in Mengla of Xishuangbanna and Simao Pu'er city, Yunnan province, the object-oriented land cover classification experiments based on feature selection are carried out. Firstly, the quad-polarimetric SAR data is preprocessed. The Pauli RGB image is extracted from the study area data, and then is segmented as the basic unit of classification using the image segmentation technique. Then, the polarimetric features and the texture features of Span images are extracted from the SAR images, and the optimal feature sets are selected. Finally, the object-oriented fuzzy classification method is used into classification experiments, and the classification results are evaluated by field survey data. The experimental results show that object-oriented method can effectively remove the impact of noise, and the optimal combination of feature bands makes the classification results more accurate. The overall classification accuracy is up to 88.5% for Mengla in Xishuangbanna, and is 86.8% in Simao of Pu'er city. Compared with the H/A/alpha -Wishart classification method, the accuracy is improved by more than 40%.

quad-polarimetric; synthetic aperture radar; image segmentation; feature selection; fuzzy classification; remote sensing application

TP751.1

A

1009-8518(2018)02-0093-11

10.3969/j.issn.1009-8518.2018.02.011

2017-08-28

陆翔，男，1992年生，2015年获滁州学院地理信息系统专业学士学位，现在西南林业大学地图学与地理信息系统专业攻读硕士学位。研究方向是微波遥感应用。E-mail：1821332789@qq.com。岳彩荣，男，1964年生，博士，教授，博士生导师，研究方向为资源环境遥感，微波遥感。E-mail：cryue@163.com。