基于目标分解及纹理信息的全极化SAR影像分类

刘雨思，余 洁*，张 晶

（1.首都师范大学 资源环境与旅游学院，北京 100048）

目标分解是全极化SAR影像分类中一种较为实用、准确的方法［1,2］，其主要思想在于把数据与目标的物理特性联系起来［3］，将地物回波的复杂散射过程分解为几种单一的散射分量，每种散射分量都有一个对应的散射矩阵［4］。不同目标分解方法的分类效果不同。本文基于此，选取不同目标分解方法的分量用作分类时的极化特征，利用不同目标分解方法充分挖掘和提取全极化SAR图像中包含的极化特征信息。同时，考虑到全极化SAR影像纹理信息与极化特征信息在表现地物特性方面的互异性和互补性［5］，进一步结合纹理信息辅助进行全极化SAR影像分类的研究，意在筛选出精度更高的分类方法。

1 极化特征信息提取

全极化SAR测量的是目标的散射矩阵，它将目标散射的能量特性、相位特性和极化特性统一起来，完整描述了雷达目标的电磁散射特性。根据目标散射特性的变化与否，极化目标分解可分为相干目标分解和非相干目标分解［6］。相干目标分解是针对极化散射矩阵的分解，要求目标的散射特征是确定的或稳态的，只适合于点目标。非相干目标分解是针对极化相干矩阵、极化协方差矩阵等的分解，分解的目标散射可以是非确定的。由于实际地面目标多为随机散射，因此非相干目标分解的应用更为普遍。Cloude分解、Freeman分解、Yamaguchi分解是非相干目标分解方法中应用最为广泛的3种分解方法［5］，故选择这3种方法进行实验研究。

1.1 Cloude分解

1986年，Cloude基于极化相干矩阵的特征矢量分析，提出了能够包含所有散射机理的分解定理。利用特征值分解的方法，将极化相干矩阵分解为3种成分的加权和，其中每种成分对应着一种散射机制，表示为［6］：

式中，上标“H”表示共轭转置；λi为T的第i个特征值；ei为相应的特征向量。

根据分解得到的特征值，可以进一步得到散射熵H和平均散射角α。散射熵映散射介质从各向同性散射（H=0）到完全随机散射（H=1）之间的一种随机程度，其值越大，表明随机性程度越高。平均散射角其值在 [0°，90°] 上连续变化，反映了目标的散射机理。

1.2 Freeman分解

1998年，Freeman和Durden在Van Zyl的工作基础上，提出一种基于三元散射模型的目标分解方法，将协方差矩阵分解成三种散射机制的加权和，表示为［6］：

式中，fv、fd、fs分别对应体散射、偶次散射以及表面散射分量的贡献。α表示偶次散射的HH后向散射与VV后向散射的比值。β表示表面散射的HH后向散射与VV后向散射的比值。

1.3 Yamaguchi分解

2005年，Yamaguchi在Freeman分解的基础上引入Helix散射分量，该分量由螺旋体（等价于左旋或右旋圆极化状态）的散射引起，常出现在城市区域,即将协方差矩阵表示为［6］：

式中，复系数fs，fd，fv，fh分别对应表面散射、偶次散射、体散射、螺旋体散射的贡献。

2 纹理信息提取

全极化SAR影像成像时，由于微波波段对地面的穿透性，影像上的散射回波是地物和土壤散射回波的叠加，即存在混合像元问题［7］。同时，在获取SAR数据时，具有相同或相近后向散射系数的不同地物在SAR影像中会表现为相同或相近的灰度值［5］，会对全极化SAR影像分类的效果产生影响。基于灰度共生矩阵的纹理信息提取方法，通过对影像上相隔一定距离的两个像素的灰度值之间空间相关关系进行统计分析，利用各种纹理描述子改写相关像素的灰度值，从而使纹理特征清晰地显示出来［8］，对影像分类起到了良好的辅助作用。

灰度共生矩阵用2个位置的像素联合概率密度来定义［9］：

式中，δ是灰度共生矩阵的生长步长；θ是灰度共生矩阵的生成方向；P是满足δ、θ条件、灰度值分别为i、是满足δ、θ条件的所有点对数。

3 实验与结果分析

选择北京市顺义地区286×261大小的Radarsat-2全极化SAR影像数据进行实验研究。研究区主要的土地利用类型为水体、建筑、农用地和林地4种，分辨率8 m，中心经纬度坐标为116°29'E、40°04'N。实验所用数据的Pauli分解RGB合成影像如图1所示，实验流程如图2所示。

首先，为了筛选出较好的极化特征信息，对基于Cloude、Freeman、Yamaguchi 3种不同的目标分解方法生成的特征集进行SVM监督分类。为了方便分析，在分类时选用相同的训练样本。3种方法SVM监督分类结果定性对比如图3a～c，定量对比如表1。

图1 实验数据Pauli分解RGB合成影像

图2 基于目标分解及纹理信息的全极化SAR影像分类流程图

表1 基于3种不同目标分解方法的SVM监督分类结果精度评价

从定性分析的角度，基于Cloude分解的分类结果整体含有较少的混合杂斑，地类区分相对明显。基于Freeman分解和Yamaguchi分解的分类结果较为相似，但二者相比，基于Yamaguchi分解的分类结果错分现象相对较少，且对于建筑物的区分效果较好。从定量分析的角度，基于Cloude分解的分类结果总体精度为85.69%，Yamaguchi分解为82.56%，Freeman分解仅有76.12%。逐类分析，可以发现Cloude分解和Yamaguchi分解对于不同地类各有优势，而Yamaguchi分解各类别的分类精度都高于Freeman分解。综合考虑上述3种目标分解方法的散射机制，Yamaguchi分解是将目标极化协方差矩阵［C］建模成表面散射、体散射和偶次散射这3种散射机制的加权和，与Freeman分解的表面散射和偶次散射模型相同，但在Freeman分解的基础上引入了第四分量，即螺旋体散射分量，改变了相关方位角概率密度函数，修改了体散射分量。所以在这两种分解方法中，基于Yamaguchi分解的分类效果较好。Cloude分解是针对目标相干矩阵[T]的分解，与Yamaguchi分解散射机制不同，引入了散射熵H、各向异性A和α角，导致二者在分类时对于不同地类各有优势。因此，考虑结合Cloude分解和Yamaguchi分解提取极化特征信息，并进行SVM监督分类，结果见图3d及表2。分类方法与单独基于Cloude、Yamaguchi的SVM监督分类方法相比，分类总体精度有所提高，为85.94%。Yamaguchi分解依其对城区建筑的分类优势，提高了Cloude分解在建筑类别上的分类精度；Cloude分解依其对水体的良好分类效果，弥补了Yamaguchi分解对水体分类精度低的不足。上述结果表明，Cloude分解和Yamaguchi分解具有信息互补作用，可以将二者结合作为极化特征信息，提高分类精度。

表2 基于Cloude分解、Yamaguchi分解及二者结合的SVM监督分类结果精度评价

由于全极化SAR影像不单含有极化特征信息，还包含纹理信息，因此利用灰度共生矩阵提取纹理信息并引入特征集，采用相同的训练样本进行分类，结果如图3e及表3所示。

表3 结合纹理信息前后的SVM监督分类结果精度评价

当利用Cloude分解和Yamaguchi分解结合的极化特征集进行分类时，研究区东侧间接分布有林地的建筑区被分为了建筑和林地掺半，错分现象明显。结合纹理信息后，该现象得到缓解。研究区中明显的河流水域在未结合纹理信息前，可见其上散落分布着被错分为农用地的像元，且河流水域边界不规整。结合纹理信息后，河流水域上只零星分布着两3个被错分的像元，且河流水域边界更规整。结合表3定量分析，在结合Cloude分解和Yamaguchi分解的特征集中，再引入纹理信息进行SVM监督分类，分类总体精度从85.94%显著提高到90.86%。而且各地类分类精度都有所提高，其中农用地提高0.85%、水体提高1.32%、林地提高7.66%、建筑提高14.51%，表明纹理信息在全极化SAR影像分类时可起到良好的辅助作用。

4 结 语

本文选用Radarsat-2全极化SAR数据，对Cloude、Freeman、Yamaguchi 3种不同目标分解方法所得到的极化特征进行SVM监督分类实验。通过对比分析可以发现,Cloude分解是3种分解方法中分类总体精度最高的，Yamaguchi分解次之，Freeman分解相对精度最低。同时，Yamaguchi分解在各类别的分类精度均优于Freeman分解，但与Cloude分解相比较，依类别不同而各有优势。将Cloude分解和Yamaguchi分解结合提取极化特征信息并进行SVM监督分类，分类总体精度优于单独基于Cloude分解、Yamaguchi分解的分类方法。考虑到纹理信息与极化特征信息在表现地物特性方面的互补性，最终再将纹理信息与极化特征信息结合进行全极化SAR影像SVM监督分类。实验结果表明，分类总体精度为90.86%，Kappa系数为0.875 4，与不结合纹理信息的分类结果相比总体精度提高了4.92%。

[1] 吴永辉．极化SAR图像分类技术研究[D]．长沙：国防科学技术大学,2007

[2] 赵力文．基于目标分解理论的极化SAR图像分类方法研究[D]．长沙：国防科学技术大学,2007

[3] 张祥,邓喀中,范洪冬,等．基于目标分解的极化SAR图像SVM监督分类[J]．计算机应用研究,2013,30(1):295-298

[4] 陈劲松,邵芸,李震．基于目标分解理论的全极化SAR图像神经网络分类方法[J]．中国图象图形学报,2004,9(5):42-46

[5] 付姣．基于纹理和极化特征的SAR影像分类[D]．阜新：辽宁工程技术大学,2013

[6] 王超,张红,陈曦,等．全极化合成孔径雷达图像处理[M]．北京:科学出版社,2008

[7] 刘利敏,余洁,燕琴,等．引入纹理特征的SSVM算法在极化SAR影像分类中的应用[J]．测绘通报,2012(8):7-10

[8] 任国贞,江涛．基于灰度共生矩阵的纹理提取方法研究[J]．计算机应用与软件,2014,31(11):190-192

[9]安智晖,余洁,刘利敏．结合纹理信息的极化SAR影像分类研究[J]．地理空间信息,2016,14(2):41-43