一种联合多特征的极化SAR海冰类型提取方法

2020-09-23王志勇孙培蕾刘健

遥感信息 2020年4期

王志勇，孙培蕾，刘健

(1.山东科技大学测绘科学与工程学院，山东青岛 266590；2.测绘工程国家级实验教学示范中心(山东科技大学)，山东青岛 266590)

0 引言

海冰作为全球气候系统重要的因子，其冻结和漂移不仅影响全球的气候变化，对沿岸水产养殖、渔业生产、海上交通运输、海上生产作业等也带来了巨大影响，由此而带来的经济损失十分严重[1]。因此，为减少海冰灾害的影响，需要对海冰进行实时准确的监测。海冰类型提取是海冰监测的重要研究内容，是获取海冰厚度、海冰外缘线、海冰密集度等信息的重要手段[2]。因此，准确高效地提取海冰的类型及分布范围，对于海冰灾害的监测及预防等都具有重要意义。

微波遥感技术，特别是合成孔径雷达(synthetic aperture radar，SAR)，具备全天候、全天时工作、不受云雾影响的特点，已经成为海冰监测的重要技术手段[3]。其中极化SAR图像已成为海冰类型监测的重要途径，极化SAR是全极化SAR的简称，与传统的SAR图像相比，极化SAR图像包含HH、HV、VH、VV 4种极化方式，描述地物信息更加丰富，能更大限度地揭示地物的散射差别，更有利于地物分类[4]。

近年来，国内外众多专家学者针对极化SAR图像分类已经开展了较为细致的研究，并取得了一系列的研究成果。张晰等[5]利用H/α分解、Freeman分解和极化基变换提取海冰的极化散射特征，并总结了海冰分类的有效特征，进而通过二叉树分类器来区分海冰类型；Moen等[6]基于统计距离的自动分割算法，实现了对C波段全极化海冰数据的分类；Suman等[7]提出了一种适用于X波段、C波段和L波段全极化合成孔径雷达图像的海冰分类方法，该方法首先提取海冰分类的极化特征，然后将得到的特征向量输入到经过训练的神经网络分类器中，最后实现了基于像素的海冰自动分类；赵泉华等[8]采用ALOS PALSAR数据，着重研究了极化特征的提取和选择，并通过BP神经网络分类器，实现了格陵兰岛开放水、初期冰和一年冰的识别；王常颖等[9]提出在考虑影像中原始多极化属性特征的同时，利用2个属性的属性差特征的决策树分类方法，提高了全极化SAR影像海冰分类精度。

通过分析发现，现有研究主要是利用SAR的极化特征开展的，当不同类型海冰的后向散射系数接近时，海冰类型的识别性能较差，因此，需要进一步探讨适合于极化SAR影像海冰类型提取的方法。为此，本文利用H/α/A分解和AnYang分解提取海冰的多类极化特征，并在此基础上引入纹理特征构建联合特征空间，进而采用支持向量机(support vector machine，SVM)分类器进行海冰类型监测研究。

1 海冰类型提取方法

本文在联合纹理特征和极化分解特征的基础上，提出了一种基于全极化SAR数据的海冰类型提取方法。该方法首先通过H/α/A分解和AnYang分解提取海冰的极化特征，并通过计算HV极化图像的灰度共生矩阵提取海冰的纹理特征；然后，将获得的极化特征参数和纹理特征参数进行优化组合，构建适合于海冰类型提取的联合特征矢量；最后，将其输入到训练好的SVM分类器，实现海冰类型的提取。

1.1 联合特征向量的构建

1)极化分解特征。不同特征参数包含不同的地物散射信息，将这些特征参数联合构建特征矢量，发挥它们各自的特征优势，特征之间相互补充，有利于提高分类效果。由于海冰分布复杂，受海况的影响严重，且不同类型海冰的后向散射特征一般差别不大，单一的目标分解方法无法包含所有的极化信息，因此很难精确地识别海冰类型[10]。本文利用H/α/A分解[11]提取海冰的极化散射熵、平均散射角和各向异性度，同时利用AnYang分解[12]提取海冰的单次散射、偶次散射和体散射，获得6个极化特征参数。AnYang分解为2010年安文韬改进的Freeman分解，该方法在分解前对相干矩阵进行定向角补偿，并加入能量约束以改善体散射高估和负能量问题。

2)纹理特征。不同的海冰类型在SAR影像上会呈现出不同的纹理特征，因此，可利用纹理特征进行海冰类型的分析。灰度共生矩阵[13]是描述图像纹理常用的方法。因此，本实验采用计算图像灰度共生矩阵的方法，来提取海冰的纹理特征。首先选择合适的参数，本实验中方向取 45°，窗口大小为15×15，位移为1，灰度量化级为32，计算海冰图像的8个纹理特征，分别为均值(mean)、方差(variance，VAR)、同质性(homogeneity，HOM)、对比度(contrast，CON)、差异性(dissimilarity，DIS)、熵(entropy，ENT)、角二阶矩(angular second moment，ASM)和相关性(correlation，COR)。然后，通过目视分析筛选出有利于海冰分类的纹理特征。通过分析发现，VAR、HOM和ASM 3个纹理特征对海冰类型的识别效果明显。最后将VAR、HOM和ASM 3个纹理特征与极化散射熵、平均散射角、各向异性度、单次散射、偶次散射、体散射6个极化分解特征作为海冰分类的基础特征，表1为用于海冰类型提取的联合特征参数的详细信息。

表1 特征向量组合

1.2 基于SVM的海冰类型提取算法

SVM[14]分类算法是通过核函数将低维空间映射到高维空间，从而将非线性不可分问题转化为线性可分问题的方法，其目的是寻找最优分类超平面，使分类间隔最大化。SVM分类算法是一种在小样本情况下，性能优越的分类器，并且泛化能力强，这解决了SAR图像由于严重的斑点噪声难以选取稳定的训练样本的问题，并且SVM可以有效综合不同特征所提供的信息，特别适合多特征分类[15]。

本文算法的具体步骤如图1所示。

图1 基于特征矢量组合的海冰类型提取算法流程图

1)对GF-3数据进行辐射定标、多视处理和Refined Lee滤波，获取极化相干矩阵T。

2)对极化相干矩阵进行极化目标分解，包括H/α/A分解和AnYang分解，提取6个极化特征参数F={H，α，A，Ans，And，Anv}。

3)计算HV极化方式的灰度共生矩阵，提取图像的纹理特征，筛选有效特征。

4)将极化目标分解特征极化散射熵、平均散射角、各向异性度、单次散射、偶次散射、体散射和纹理特征方差、同质性、角二阶矩联合，构建联合特征矢量F′={H，α，A，Ans，And，Anv，VAR，HOM，ASM}。

5)地理编码，将SAR坐标系转到制图坐标系，然后对图像进行地形校正，获得可直接进行判读和解译的地图投影格式的SAR图像。

6)陆地掩模，获取感兴趣区。

7)确定分类类别数，选择训练样本，训练SVM分类器。

8)以联合特征矢量F′作为输入，应用训练好的SVM分类器，实现海冰类型提取。

9)结果分析，精度评价。

2 实验结果与分析

2.1 实验区及实验数据

渤海是我国冬季唯一结冰的海洋，包括辽东湾、渤海湾、莱州湾等。其中，辽东湾位于渤海最北端，主要包括河北省大清河口到辽东半岛南端旅顺以北的海域。辽东湾地处39°N～41°N，120.5°E～122.5°E，是我国纬度最高、海冰灾害最为严重的区域。

图2 Pauli分解得到的伪彩色合成图像

对SAR影像进行目视分析，在第1景SAR海冰图像内主要的冰水类型有沿岸固定冰、初生冰、灰冰和海水4类。在第2景SAR海冰图像内主要的冰水类型有沿岸固定冰、初生冰、灰冰、灰白冰和海水5类。

2.2 实验结果与比较

为了验证本文提出的海冰类型提取方法的有效性，分别采用H/α/A分解、AnYang分解以及H/α/A分解与AnYang分解结合这3种方式，构建特征矢量，输入SVM分类器，对遥感数据进行海冰类型提取，以此作为对照实验。

对于2017年1月13日辽东湾SAR海冰影像，4种方法的分类结果分别为图3(a)至图3(d)。从目视解译效果而言，4种方法具有明显的差异。其中，本文提出的结合纹理特征和多类极化分解特征方法的海冰分类结果总体视觉效果最好，基本可以准确地识别不同类型的冰水，边界清晰，错分像素很少。其次是H/α/A分解与AnYang分解结合的分类结果。基于单一目标分解的分类结果最差，错分像素很多，如沿岸固定冰与灰冰错分非常严重。对于单一目标分解的分类结果，基于H/α/A分解的分类结果对于海水和灰冰的识别效果较好，但无法识别沿岸固定冰；而基于AnYang分解的分类结果对于沿岸固定冰的识别效果好于基于H/α/A分解的分类结果，但容易与灰冰混淆，导致分类结果不理想。同时，本文以联合纹理特征和多类极化分解特征的特征矢量作为输入，采用最大似然分类器(maximum likelihood classifier，MLC)进行了海冰类型提取实验，结果如图3(e)所示。通过与图3(a)的分类结果对比，可以明显地看出，MLC总体分类效果不如SVM分类效果好，分类结果中较多的灰冰被错分为初生冰、沿岸固定冰和海水。因此，对于极化SAR海冰分类研究，SVM分类器的分类性能优于MLC分类器，更适合于极化SAR海冰数据的分类。

图3 2017年1月13日辽东湾海冰图像不同方法分类结果对比

为了定量比较不同方法的分类结果，以GF-1光学遥感数据作为参考，分别计算了各类冰水类型的制图精度、总体精度和Kappa系数，如表2所示。

表2 不同方法精度对比(2017年1月13日)

从表2可以看出，当采用不同特征矢量时，本文方法的分类精度最高，总体精度为92.6%，Kappa系数为0.87。接下来依次是H/α/A分解与AnYang分解结合的分类结果，总体精度为88.4%，Kappa系数为0.80。基于H/α/A分解的分类结果，总体精度为88.0%，Kappa系数为0.77。基于AnYang分解的分类结果，总体精度为86.9%，Kappa系数为0.78。对于初生冰的识别，基于AnYang分解的分类结果识别效果最好，精度达到96.6%，本文方法次之，其精度为90.9%，但高于其他2种方法。对于灰冰的识别，分类精度最高的是基于H/α/A分解的分类结果，其精度达到93.2%，本文方法的分类精度略低，为92.2%。对于海水和沿岸固定冰的识别精度，都是本文方法最高，尤其是对沿岸固定冰的识别效果，4种方法差异明显，与仅利用极化分解信息进行海冰类型提取的结果相比，本文方法精度最少提高了11.1%。总体而言，本文提出的结合纹理特征和多类极化分解特征的海冰类型提取方法具有最好的分类性能，结合多类极化特征的方法次之，基于单一目标分解特征的方法分类结果最差。其中，H/α/A分解的分类结果好于AnYang分解的分类结果。当采用不同分类器时，SVM分类器的分类结果较MLC分类器的分类结果总体精度提高了4.1%，Kappa系数提高了7%，海水、初生冰、灰冰和沿岸固定冰的识别精度都有明显的提高，也验证了SVM分类器在极化SAR海冰类型提取方面的优势。

对于2017年1月22日辽东湾SAR海冰影像，随着温度降低，灰冰逐渐变为灰白冰，海冰类型增多，并存在大量碎冰，其中沿岸固定冰、灰冰、灰白冰的特征较为相似。4种方法的分类结果分别如图4(a)至图4(d)所示。相比其他3种方法，本文算法区域一致性好，边界最为清晰，分类准确率最高，最接近海冰实况。H/α/A分解与AnYang分解结合的分类结果将大量灰冰误分为沿岸固定冰，初生冰和海水识别效果不好。基于H/α/A分解的分类结果，类间边界模糊，存在大量的孤立区域，几乎无法识别各类型的海冰。基于AnYang分解的分类结果，对灰冰和灰白冰区分较好，但对沿岸固定冰和灰白冰错分严重。支持向量机(SVM)分类结果仍优于最大似然(MLC)分类结果，如图4(e)所示，误分区域明显减少。