基于超像素和全卷积网络的极化SAR图像分类

陈彦桥，张小龙，陈金勇，高 峰，柴兴华

(1.中国电子科技集团公司第五十四研究所，河北 石家庄 050081；2.中国电子科技集团公司航天信息应用技术重点实验室，河北 石家庄 050081)

0 引言

极化合成孔径雷达(Synthetic Aperture Rader，SAR)图像分类已经成为了遥感处理领域最重要的应用之一[1]。这些年，一系列机载和星载平台提供了大量的极化SAR数据，极化SAR图像研究也变得越来越重要[2]。许多相关算法也被提出用于极化SAR图像分类任务，在这些方法中，许多方法是基于物理散射机制的极化目标分解方法，包括Cameron分解[3]、Cloude分解[4]、Krogager分解[5]、Freeman分解[6]、Huynen分解[7]、Yamaguchi分解[8]和Van Zyl分解[9]等方法。除此之外，极化SAR相关学者已经证明极化协方差矩阵(C)和极化相干矩阵(T)都服从复Wishart分布[10]。因此，极化SAR的数据分布在极化SAR图像分类中扮演着很重要的角色。需要补充的是，极化SAR数据的散射机制和统计特性也常常在极化SAR图像分类方法中同时使用[11]。近些年，机器学习在极化SAR图像中也变得越来越重要。直至今日，许多机器学习方法用于极化SAR图像分类，包括马尔科夫随机场(Markov Random Field，MRF)[12]、K近邻(K-Nearest Neighbor，KNN)[13]、神经网络(Neural Network，NN)[14]、随机森林分类器(Random Forest Classifier，RFC)[15]和支持向量机(Support Vector Machine，SVM)[16]。

近些年，深度学习在极化SAR图像分类中得到了应用，包括深度置信网(Deep Belief Network，DBN)[17]、稀疏自编码(Sparse Auto-Encoder，SAE)[18]、卷积神经网络(Convolution Neural Network，CNN)[19]和全卷积神经网络(Fully Convolution Network，FCN)[2]。在上述方法中，FCN是最适合极化SAR图像分类的架构，因为FCN可以利用图像空间信息，而且是端到端、点到点的架构。因此，本文使用FCN作为基础框架。

在之前的基于FCN的极化SAR图像分类方法中，并没有使用超像素，因为FCN已经可以使用图像的空间信息。然而，在FCN没有取得较为理想的分类结果时，超像素仍然可以在一定程度上修正分类结果。本文首先使用FCN得到初步分类结果，然后利用超像素对分类结果进行修正，最后使用FCN的分类结果中置信度较高的部分修正分类结果。

1 特征提取

1.1 极化相干矩阵

Sinclair散射矩阵包含全极化信息，极化图像的单像素点可以通过散射矩阵描述。基于散射矩阵，极化相干矩阵[2]也包含全极化信息。满足互易定理SHV=SVH的情况下，T矩阵可以用式(2)表示，T矩阵的每个元素的物理意义已经被Huynen证明：

(1)

(2)

需要补充的是，T矩阵也可以表示为：

(3)

式中，a=SHH+SVV；b=SHH-SVV；c=SHV；“*”代表共轭操作。

1.2 H/A/α分解方法

在H/A/α分解模型中，利用T矩阵的特征值分析，给出了目标平均散射矩阵参数的估计。T矩阵的特征值分解[2]可以表示为：

(4)

(5)

2 本文方法

2.1 超像素SLIC算法

基于颜色空间和距离空间，Achanta等人[20]提出了简单线性迭代聚类(Simple Linear Iterative Cluster，SLIC)算法。SLIC算法通过改进K-means聚类算法生成超像素。假设图像的像素点数目为N，超像素的数目为K，以步长为S的网格初始化聚类中心；在2S×2S的范围内计算每个像素点与最近的超像素中心的相似度，并将像素点赋值给最相似的超像素，不断迭代上述过程直到最终收敛。相似度计算方式可以表示为：

(6)

(7)

(8)

式中，dlab代表颜色空间；dxy代表空间距离；DS代表像素空间距离；lk，ak，bk分别代表第k个像素点在lab颜色空间的值；xk，yk代表第k个像素点的坐标值；S代表步长；m是一个超参数，用于平衡空间距离和颜色距离。

2.2 滑窗全卷积网络

FCN是CNN模型的改进，用于解决密集预测问题，例如图像分割。为了在输出层恢复输入层的分辨信息，在经典FCN框架中加入了上采样层。FCN还在上采样通道和下采样通道使用跳跃连接解决由于下采样引起的分辨信息损失。跳跃连接对于上采样通道从下采样层恢复细节信息很有帮助。然而，FCN并不能直接应用于极化SAR图像分类，因为不同尺寸的图像需要不同的FCN框架，而且较大尺寸的输入图像也往往会增大设计框架的难度。为了为所有极化SAR图像设计一种通用架构，李阳阳等人[2]提出了滑窗全卷积网络(Sliding Window Fully Convolution Networks，SFCN)。SFCN框架图如图1所示。

图1 SFCN框架图Fig.1 Frame diagram of SFCN

SFCN的滑窗操作与CNN的滑窗操作类似，通过滑窗操作得到的图像数目的计算方式为：

num=(ceil((Height-W)/S)+1)×

(ceil((Width-W)/S)+1)，

(9)

式中，ceil代表向上取整函数；Height，Width分别代表图像的高度和宽度；W，S分别代表滑窗的尺寸和步长；num代表通过滑窗操作获得图像的数目。

2.3 超像素+SFCN

本文使用超像素+SFCN的方式对极化SAR图像进行分类，具体步骤如下：

① 用超像素算法对整幅图像进行分割；

② 用SFCN对整幅图像进行分类，得到分类结果，标记为Result-SFCN；

③ 用超像素分割结果修正SFCN的分类结果，具体做法为：隶属于同一超像素块的所有像素点出现次数最多的分类类别赋值给该超像素块所有像素点的分类类别，标记为Result-SLIC；

④ 根据信息熵，取Result-SFCN中置信度高的分类结果，修正Result-SLIC中对应区域的分类结果，并将最终分类结果标记为Result-Entropy，信息熵的计算方法为：

(10)

式中，N代表类别数目；i代表第i个类别；p(i)代表将x分为第i类的概率；h(x)越小，则x的分类结果的置信度越高。

3 实验与分析

本文使用T矩阵(T11，T22，T33，Re(T12)，Re(T13)，Re(T23)，Im(T12)，Im(T13)，Im(T23))和H/A/α特征(H，A，α，λ1，λ2，λ3)作为原始特征，使用精致Lee滤波[1]抑制相干斑噪声，使用平均正确率(Average Accuracy，AA)、总体正确率(Overall Accuracy，OA)和Kappa系数作为分类结果评价指标。

3.1 Xi’an图像分类实验

Xi’an图像[2]是由RADARSAT-2卫星获取的全极化C波段极化SAR图像，位于中国西安市渭河，包含水域(Water)、草地(Grass)和建筑区(Building)3类地物。该图像大小为512 pixel×512 pixel，分辨率为8 m×8 m。图2给出了Xi’an图像的Pauli伪彩色图、类标图和配色方案，该图像的有标记样本数目为237 416，本文随机选取1%的有标记样本作为训练集，剩余的有标记样本作为测试集。

图2 Xi’an极化SAR图像Fig.2 PolSAR image of Xi’an

该图像的分类结果如图3所示。SFCN得到了不错的分类结果，而且SLIC也得到了不错的分割结果，如图3(c)所示，Result-SFCN经过超像素修正后，分类结果得到提高，如图3(d)所示，Result-SLIC经过Result-SFCN中置信度较高的分类结果修正后，分类结果得到进一步提高。

图3 Xi’an分类结果Fig.3 Classification results of Xi’an

表1给出了该图像的分类正确率。本文方法的AA、OA以及Kappa系数都是所有方法中最高的。

表1 Xi’an图像分类正确率Tab.1 Classification accuracy of Xi’an image

综上所述，本文方法在Xi’an图像的分类有效性得到证明。

3.2 Oberpfaffenhofen图像分类实验

Oberpfaffenhofen图像[2]是由E-SAR获取的全极化L波段的极化SAR图像，位于德国Oberpfaffenhofen部分区域，包含开放区域(Open Areas)、森林(Wood Land)和建筑区(Built-up Areas)3类地物。该图像大小为1 300 pixel×1 200 pixel，分辨率为3 m×2.2 m。图4给出了该图像的Pauli伪彩色图、类标图和配色方案，该图像的有标记样本数目为1 374 298，本文随机选取0.1%有标记样本作为训练集，剩余的有标记样本作为测试集。

图4 Oberpfaffenhofen极化SAR图像Fig.4 PolSAR image of Oberpfaffenhofen

图5和表2分别给出了该图像的分类结果和分类正确率。

图5 Oberpfaffenhofen分类结果Fig.5 Classification results of Oberpfaffenhofen

表2 Oberpfaffenhofen图像分类正确率

由图5可以看出，SLIC得到了不错的分割结果，本文方法得到了最好的分类结果。由表2可以看出，本文方法得到了最高的AA、OA和Kappa系数。

综上所述，本文方法在Oberpfaffenhofen图像的分类有效性得以证明。

4 结束语

本文提出了基于超像素和FCN的方法用于极化SAR图像分类。得益于FCN端到端、点到点的分类架构，其在极化SAR图像分类中很有前景。在此基础上，使用超像素去修正分类结果，最后使用信息熵选取FCN分类结果中置信度较高的部分，进一步修正分类结果。本文使用T矩阵和H/A/α分解特征作为输入特征，Xi’an和Oberpfaffenhofen两幅极化SAR图像用于测试方法的分类性能，与SFCN相比，本文方法得到了更好的分类结果。