基于SVM的極化SAR沿海灘涂分類

陳媛媛，何秀鳳，王 靜

（1.河海大學，江蘇 南京 210098；2.中國土地勘測規劃院，北京 100035）

隨著2009年江蘇沿海灘涂地區發展上升為國家戰略，如何及時準確地掌握和研究沿海濕地資源的現狀和動態，對于濕地的合理開發及保護都有著極其重要的作用[1]。運用合成孔徑雷達影像進行信息提取，是濕地生態研究中較為新穎的課題。尤其是Envisat、ALOS PALSAR、RADARSAT-2及TerraSAR等傳感器的相繼發射以及多極化數據的逐步產品化，SAR圖像的極化特性在濕地研究中的應用潛力被發掘出來。

我國對于極化數據在濕地方面的研究較少，現有的極化SAR分類方法大都直接利用后向散射系數或某一種極化目標分解的特征參數影像進行分類，沒有挖掘出極化SAR的所有信息，難以得到理想的分類結果。本文綜合了基于Cloude-Pottier分解的極化特征和基于灰度共生矩陣的紋理特征，采用SVM的分類方法對江蘇沿海灘涂的ALOS PALSAR影像進行分類，探討多特征參數對于分類結果的影響。

1 特征提取

1.1 基于極化分解的特征

Cloude-Pottier分解是基于相干散射矩陣T3的特征值/特征向量分析進行的[2]。通過該分解算法，可以得到如下3個特征參數：

2005年曹芳[3]引入了平均散射強度參數，該參數對保留圖像中的細致結構、保持圖像的分辨率、提高不同地物類型的區分度至關重要，其計算公式為：

1.2 基于灰度共生矩陣的特征

灰度共生矩陣（GLCM）的概念于1973年由Haralick提出，它是圖像灰度變化的二階統計度量[4]。在本文實驗中，主要用到以下4種紋理特征：

大量實驗表明，以上4個參數對于SAR圖像紋理的表達最有效[5]。在本文實驗中，將這4個紋理特征與極化分解特征結合起來，參與到極化SAR圖像的分類中。

1.3 SVM算法

近些年來， SVM算法被越來越多地應用到遙感圖像的分類中[6-9]。SVM分類算法的目標就是尋找一個最優的超平面，在盡可能滿足分類的限制條件下，把分類數據集中的所有點分開，且使點與該超平面距離最遠[10]。

設xi為訓練樣本輸入，i=1，…，N，yi∈{+1，- 1}為期望輸出，最優分類超平面為：

其中，ω表示權值矢量；b表示閾值。所要尋找的最優分類超平面能夠將不同的類分開，同時使分類間隔達到最大。

2 實驗流程

本文通過Cloude-Pottier目標分解和灰度共生矩陣的算法可以得到4個極化特征、4個紋理特征，加上相干矩陣的6個矩陣元素，可以進行如下組合：①散射熵、平均散射角、各向異性度參數；②散射熵、平均散射角、平均散射強度；③在組合②的基礎上加入各向異性度參數；④在組合③的基礎上加入4個紋理參數；⑤在組合④的基礎上加入|T12|、|T13|、|T23|三個相干矩陣元素；⑥在組合⑤基礎上加入T11、T12、T13三個相干矩陣元素。然后采用SVM的分類算法，選取訓練樣本，對每一組歸一化后的組合特征進行分類處理，得到最后的分類結果。

具體步驟為：

1）通過比較選取合適的濾波窗口，對極化ALOS PALSAR數據進行Refined Lee濾波；

2）進行Cloude-Pottier分解，獲取極化特征；

3）計算數據的灰度共生矩陣及紋理特征參數；

4）特征組合；

5）對每一組特征進行歸一化處理；

6）選擇訓練樣本；

7）利用SVM算法對每組特征進行分類；

8）計算每種組合下的分類精度。

3 實驗分析

3.1 實驗數據及預處理

本文使用的數據為江蘇沿海灘涂的ALOS PALSAR全極化數據（圖1），工作在L波段，極化方式有HH、HV、VH和VV。所選實驗區中的地物類型主要有灘涂植被、養殖塘、水體、水田、水澆地等。由于該數據為單視幅影像，方位向和距離向的采樣大小不一致，為了目視解譯的方便，首先對圖像進行1︰6的多視處理，并通過Refined Lee濾波消除相干斑噪聲的影響。為了選取合適的濾波窗口，本文分別對極化SAR圖像進行了窗口尺寸為3×3、 5×5、7×7的Refined Lee濾波，并通過濾波后相干矩陣元素T11的局部圖像比較濾波效果，如圖2所示。

圖1 研究區域

圖2 不同窗口尺寸下的濾波結果

由以上濾波結果可以看出，窗口大小為3×3時即可得到較為理想的結果，斑點噪聲得到了有效的抑制且地物細節也較清楚。當窗口大小為5×5或7×7時，斑點噪聲基本全部消除，但是圖像的細節損失嚴重，一些地物的紋理信息變得模糊，證明對全極化SAR進行較大視數的多視處理后，3×3的濾波窗口即可達到較好的效果。

3.2 特征提取

本文對濾波后的全極化SAR圖像采用Cloude-Pottier目標分解算法進行分解，得到散射熵、散射角、各向異性度和散射強度等4個參數，并利用灰度共生矩陣算法提取圖像的4個紋理參數：均勻性、差異性、熵、角二階矩，各參數圖像如圖3、4所示。地物在不同的特征圖像上表現出不同的特性，因此可以利用這些參數識別不同的地物類型。

圖3 極化參數

圖4 紋理特征

3.3 分類結果及分析

根據研究區域的地物覆蓋類型，選取水田、灘涂植被、養殖塘、水澆地、水體等5種地物的訓練樣本，由于監督分類中樣本的選擇對最后的結果有一定的影響，因此，本文實驗中采用同一組訓練樣本。然后利用SVM分類器對6組不同的特征組合進行分類，將研究區分為5類，結果如圖5、表1所示。

圖5 不同特征組合的分類結果

表1 分類精度

通過與多光譜影像和GoogleEarth影像比較進行目視判讀，并采用生成隨機點的方法計算每種組合下的分類精度。通過定性與定量的比較可以發現，前4種特征組合的分類結果中地物都比較零碎、邊界模糊。比較圖5 a與b，將各向異性參數A換成平均散射強度Lammda進行SVM分類時，水田與養殖塘的分類效果有所提高，用戶精度分別由37.88%、82.38%提高到78.93%、93.08%，但水體和水澆地的分類精度卻有所降低。當各向異性參數A與平均散射強度Lammda同時參與分類時，水體與水澆地的分類結果明顯好于組合 2的分類結果，而養殖塘的分類結果與組合1的結果相比也有所提高。以上分析說明，各向異性參數A與平均散射強度Lammda包含彼此沒有的信息，可以相互補充，將它們結合起來用于極化SAR圖像的分類會提高地物的分類精度。通過比較圖5c和d發現，加入了紋理信息后，養殖塘及水田的分類精度都有提高，說明紋理信息對于區分這2類地物類型起到了一定的作用。組合5是在組合4的基礎上又加入了|T12|、|T13|、|T23|三個相干矩陣元素，該組合的分類結果中5種地物類型分類精度都有明顯提高，零碎地塊減少，地物邊界也比較清晰，地物的細節均得以較好地保持，分類總體精度達到94.58%，Kappa系數為0.93，尤其對水體的分類，其分類精度達到96.22%。組合6在組合5的基礎上又加入了T11、T22、T33三個矩陣元素，分類結果如圖5f所示。可以看出，與圖5e相比，分類效果并不如組合5，這一方面是因為Cloude-Pottier分解出的散射熵與平均散射角2個參數與T11、T22、T33息息相關，這3個矩陣元素的信息已經包含在了散射熵與平均散射角中，因此它們的加入并不會提高分類精度；另一方面，這也說明了并非參與分類的特征越多分類效果越好，當過多的特征參與到SVM分類中時，除了會增加計算量外，還會因為這些特征之間的相關性造成信息冗余，使得有些地物的細節損失及提取的地類邊界模糊。

4 結 語

本文采用6組不同的特征組合方式，利用SVM分類方法對江蘇沿海的全極化ALOS PALSAR影像進行分類，可以得到以下結論：

1）Cloud-Pottier方法分解出的各向異性度參數與平均散射度包含的信息互補，將二者結合起來可以提高分類精度；

2）紋理特征可以提高養殖塘和水田的分類精度；

3）相干矩陣元素|T12|、|T13|、|T23|可以提供Cloude-Pottier分解所不包含的信息，將這3個參數加入特征空間進行分類時，分類效果顯著提高；

4）當過多的特征參數參與分類時，會造成信息冗余，計算量增大，分類的效果也會有所降低。

本文實驗驗證了極化SAR在灘涂分類中的有效性，下一步研究中將會考慮其他的極化分解算法及本文算法在其他波段頻率數據上的適用性。

[1]Schmidt K S, Skidmore A K.Spectral Discrimination of Vegetation Types in a Coastal Wetland[J].Remote Sensing of Environment,2003,85(1): 92-108

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

[3]Cao F,Wen H,Wu Y.An Unsupervised Segmentation with an Adaptive Number of Clusters Using the SPAN/H/α/A Space and the Complex Wishart Clustering for Fully Polarimetric SAR Data Analysis [J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(11):296-299

[4]Haralick R M,Shanmugam K,Dinstein I H.Textural Features for Image Classification[J].IEEE Transactions on Systems,Man and Cybernetics,1973,3(6):610-621

[5]徐佳,陳媛媛,黃其歡,等.綜合灰度與紋理特征的高分辨率星載SAR圖像建筑區提取方法研究[J].遙感技術與應用,2012(5):692-698

[6]Chapelle O,Haffner P,Vapnik V N.Support Vector Machines for Histogram-based Image Classification[J].IEEE Transactions on Neural Networks,1999,10(5):1 055-1 064

[7]Fukuda S,Hirosawa H.Polarimetric SAR Image Classification Using Support Vector Machines[J].IEEE Transactions on Electronics,2001,84(12):1 939-1 945

[8]Lardeux C.Support Vector Machine for Multifrequency SAR Polarimetric Data Classification[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(12):4 143-4 152

[9]巫兆聰,歐陽群東,李芳芳.顧及特征優化的全極化SAR圖像SVM分類[J].測繪科學,2013(3):115-117

[10]孟云閃,余潔,劉利敏,等.LSSVM算法在極化SAR影像分類中的應用[J].地理空間信息,2012,10(3):43-45