一种基于改进极化散射矩阵和H/α-Wishart分类器的极化SAR影像分类方法

廖露 黄青伦 周兴霞

摘要：本文提出一种基于改进极化散射矩阵和H/α-Wishart分类器的极化SAR影像分类方法。采用Quegon算法求解极化畸变参数矩阵并改进极化散射矩阵。利用该矩阵构建更为准确的H/α二维平面。通过H/α-Wishart分类器对极化SAR影像进行分类。在合并分类后，通过与调绘成果进行对比，表明改进方法的有效性。

关键词：极化散射;初始聚类;极化相干矩阵;分类精度

中图分类号：TP393 文献标识码：A

文章编号：1009-3044（2019）30-0215-02

目前，已有学者针对极化散射矩阵误差及其对影像分类的影响进行过相关研究。在分类研究中，众多学者提出了大量的分类方法。其中较为经典且常用的便是H/a-Wishart分类方法。该方法的优点是以地物極化散射机理为特征进行初始聚类，但缺点是计算结果过分依赖初始聚类精度。而初设值（极化散射矩阵）的误差，亟须通过畸变纠正尽可能改进，进而提升极化SAR影像分类精度。

1改进极化散射矩阵

对于极化SAR影像，真实值与通道不平衡、串扰、系统噪声等之间的关系可以用下式定义：

3分类方法流程

基于改进极化散射矩阵的极化SAR影像分类方法整体流程如下：

（1）采用Quegan算法，针对原始极化散射矩阵，求得r和t极化畸变矩阵;使用畸变矩阵，求得改进后的极化散射矩阵。

（2）使用改进后的极化散射矩阵，求得单站条件下的极化相干矩阵;利用极化相干矩阵，求得H和α参数，构建H/α平面。

（3）依据H/α空间分布情况，求得聚类中心位置;采用Whis-hart分类器，实现地物分类;可选定一定区域，进行精度评价，提升分类精度。

4实验与分析

数据采集区域中心位于海南省陵水县。实验区地物覆盖类型丰富，属于典型的中国平原浅丘区域。

从图1（a）和（b）中可见，基于不同的初始聚类中心，聚类结果会有不同。发现原始数据的八类高度集中在第5区，易混淆。而改进数据虽然也相对集中于第5区，但有更为清晰的聚类分布。原始方法得到的像素聚类中心由第3区移动到了第5区，而利用改进方法得到的图像的聚类中心保持在了第3区。产生以上差异的主要原因有：1）改进方法会使交叉极化之间的差值比原始数据的差值要大一些。2）原始方法与改进方法使得串扰和交叉通道不平衡度存在差值。

依据实际调绘资料对分类结果进行评价，该区域内真实的地物类型A为卡亡果幼苗区;B为槟榔一木瓜混种区;C为卡亡果成熟区。对于短波波段而言，幼苗冠层为主的区域红外草地区域，先验知识认为应该以体散射为主;植被冠层为主的区域、植被区域，先验知识认为应该以体散射和表面散射主。然而从图中可见，原始方法数据分类，除了零星分布有8类，杧果幼苗区域内的分布主要是第6类和第3类。槟榔一木瓜混种区域分布最多为第3类，随后是第5类、第6类、第8类。卡亡果成熟区域除了零星的第6类，其余多是第2类、第5类。A、B、C三个区域比较，槟榔一木瓜混种区域与卡亡果幼苗区域有相近的分类结果，但槟榔一木瓜混种区域与卡亡果成熟区域却有明显差异的分类结果。上述与实际调绘结果不一致。但这种不一致与图1的第3区聚类中心的差异相一致。而改进方法数据分类，卡亡果幼苗区域分布最多的是第5类，其次是第8类。槟榔一木瓜混种区域分布最多的是第3类，随后是第5类、第6类、第8类。杧果成熟区域除了零星的第2类外，分布最多的是第3类，其次是5类。三个区域比较，槟榔一木瓜混种区域与杧果幼苗区域、杧果成熟区域有着明显差异的分类结果，但槟榔一木瓜混种区域与卡亡果成熟区域有着相似的分类结果，区别仅在于槟榔一木瓜混种区域分布较多第8类，卡亡果成熟区域分布较多第2类。表明改进方法数据分类结果更符合真实状况。

5结论与展望

本文提出了一种基于改进极化散射矩阵和H/α-Wishart分类器的极化SAR影像分类方法。利用极化畸变校正改进的极化散射矩阵，可以提升数据质量，并获得更好的H和α参数精度。通过H/α-Wishart分类器，聚类中心更利于地物合并分类，有效提升原始数据分类精度。