RADARSAT-2全極化SAR數據地表覆蓋分類

程 千，王崇倡，張繼超

（1.遼寧工程技術大學 測繪與地理科學學院，遼寧 阜新123000；2.國家農業信息化工程技術研究中心，北京100097）

合成孔徑雷達（Synthetic Aperture Radar，SAR）是一種主動式微波遙感成像系統，自20世紀50年代問世以來，已經逐步發展成為非常重要的遙感工具。極化SAR（PolSAR）通過測量地面每個分辨單元4種基本極化散射回波的幅度和相位，獲取目標的極化散射矩陣，用以刻畫地物的后向散射特征［1］。因此，極化SAR具有信息量大的優點，并且已經成為當前SAR研究和發展的熱點，而全極化雷達是合成孔徑雷達發展的一個重要方向，在地表覆蓋分類中發揮著越來越重要的作用［2］。在全極化數據日益海量化的背景下，進行全極化SAR影像分類研究具有迫切的現實意義和廣闊的應用價值。目前，神經網絡［3］、遺傳算法、模糊分類、支持向量機［4］、改進的最大似然分類、多視圖像分割等方法在SAR影像地表覆蓋解譯方面取得了大幅度的進步。在此基礎上本文緊緊圍繞如何提高極化SAR影像分類的精度和可靠性展開研究。由于散射機理與地物之間并不是一一對應關系，因此基于散射機理的全極化SAR非監督分類方法的分類結果會存在地物類別模糊的問題［5］。而特征選取的好壞直接導致了分類精度的差異變化，怎樣在大量的數據中快速挖掘出重要的特征非常重要，決策樹算法剛好解決了這個問題［6-7］。

本文采用北京地區的RADARSAT-2全極化雷達數據，利用PolSARPro軟件提取包含地物散射機理信息的各種極化參數，按 H-α、A-α、H-A 對全極化SAR圖像進行基于散射機理的分類，繼而將分類結果作為 Wishart H／A／α、Wishart H／α的初始類別劃分，然后采用決策樹分類算法對基于Wishart分布的監督分類及以上兩種分類算法進行融合處理，從而實現地物的準確分類。

1 極化目標分解原理

極化SAR系統測量得到的目標散射矩陣或者Stokes矩陣通常反映的是這些散射體集合的平均散射特性，直接利用它們分析地物目標的散射特性是困難的。極化SAR目標分解［8］就是將地物回波的復雜散射過程分解為幾種單一的散射過程，每種散射過程都有一個對應的散射矩陣。這有利于分析目標的散射特性，有助于解譯地物的散射機理。

基于目標散射矩陣分解的Pauli分解是最簡單的相干分解方法，Pauli基［9］是完全正交基，具有一定的抗噪性，即使是在去極化效應或有噪聲的情況下，仍然可以分解。

Pauli基矩陣為

滿足互易條件即Shv＝Svh時，散射矩陣S可以寫成如下形式：

Pauli分解簡單易用，通常把歸一化功率值分別對應藍、紅、綠3種色彩形成彩色合成圖，用以檢驗極化數據的可靠性，從而對影像進行初步解譯。本文通過PolSARPro軟件對北京地區2009年9月23日獲取的RADARSAT-2全極化數據進行Pauli分解，結果如圖1所示。

圖1 基本極化圖與Pauli彩色合成圖

2 實驗分類方法與結果分析

2.1 研究區概況及數據

選用北京地區2009年9月23日獲取的RADARSAT-2全極化數據，其距離向分辨率為4.73m，方位向分辨率為4.76m，入射角為33.4°。該數據是SLC格式的單視復影像，具有4個極化通道，即HH、HV、VH 和VV。裁剪大小為1 200像素×1 500像素的一塊子區域作為實驗區，裁剪區為北京頤和園附近，基本包括5種典型地物：水體、飛機場、植被、道路、居民地。同時獲取了同年6月28日的Quickbird影像作為輔助解譯影像。

2.2 實驗分類方法

結合實驗數據，輔以PolSARPro及ERDAS Imagine軟件對RADARSAT-2全極化數據進行地表覆蓋分類實驗。

2.2.1 濾波降噪

為了降低相干斑的影響，需對數據進行濾波處理。PolSARPro中的濾波器主要有：Box Car、Box-Car-Edge、C.Lopez、Gauissan、J.S.Lee Refind和J.S.Sigma濾波器。分別對這幾種濾波器進行操作，試驗結果表明BOX Car濾波器具有良好的邊緣保持和斑點抑制效果。

2.2.2 目標分解

利用PolSARPro軟件直接對濾波后影像的相關矩陣進行特征向量及特征值的極化分解，得到lambda、anisotropy、pedestal等圖像。相關矩陣分解是3個相互正交的相關矩陣的加權和，并滿足方位向對稱性［10］。其中，3個相關矩陣分別代表3個相互獨立、互補相關的散射過程：單向散射、雙向散射和交叉散射。為了便于分析，引進了3個參數：熵（H）、各向異性（A）和平均α角［9］，它們是特征值和特征矢量的函數。

1）熵H。熵H描述了以上3種散射過程的混亂程度和無序性，定義如下：

2）各向異性A。各向異性A描述除了占主導地位的一種散射機制以外的其他兩種散射機制的關系，定義如下：

圖2 H-α散點圖、H-α分割平面及分類結果圖

通常假定地物保持方位向對稱，A可以用來描述實際地物與這種假定之間的距離。重要的是，假定是由很多單軸小晶體組成的晶體云，它表現為表面散射，表面的法線一般為對稱軸，A可以用來衡量晶體走向的分布情況和表面的粗糙度。

3）平均α角。角α是由目標分解衍生出來的一個重要的角度參數，可以用來描述地物的散射特性。平均散射角α為相關矩陣每個特征矢量最大分量相位角的概率加權和［10］。

α值在［0，90°］之間，它反映了3個特征值對應散射機理中的最大項。當α＝0時，表示的主要散射機理是各向同性的表面散射；α角增大時，散射機理將成為各向異性的表面散射；當α＝45°時，表示為偶極子散射模型，其中一個散射分量為0；隨著α角度的增加，反映的散射機理為各向異性的二面角散射；當α＝90°時，表示二面角散射。

2.2.3 分 類

對分解得到的多種參數進行多次試驗和相關性分析，利用PolSARPro軟件按 H-α、H-A、A-α對全極化SAR影像進行基于散射機理的分類，根據H-α、H-A、A-α平面分別把地物散射類型分為8類、5類和6類，結果如圖2～圖4所示。

圖3 H-A散點圖、H-A分割平面及分類結果

圖4 A-α散點圖、A-α分割平面及分類

將以上分類結果作為Wishart H／A／α、Wishart H／α的初始類別劃分，從而得到基于Wishart H／α、Wishart H／A／α的非監督分類結果，同時對影像進行基于Wishart分布的監督分類，如圖5所示。最后，采用決策樹分類算法對以上3種分類結果進行融合處理，生成分類規則，形成決策樹（見圖6），從而實現地物的精確分類。其最終分類結果如圖7所示。

圖5 分類結果

圖6 決策樹分類器規則設置

圖7 最終分類成果

根據分類結果圖可知，Wishart H／α分類的效果一般，其中水域、飛機場、道路及部分植被相互混淆，分類精度最低；Wishart H／A／α分類中水域和飛機場相混淆，道路和部分植被相混淆，影響分類精度；而在Wishart監督分類中分類相對較清晰，但飛機場和部分植被仍然存在很多混淆；而經過決策樹算法融合處理的分類方法，得到了分類更加清晰的圖像。

2.3 精度評價與結果分析

分類精度評定采用混淆矩陣法，利用ERDAS軟件，分別將分類效果相對較好的Wishart監督分類和決策樹算法的分類結果與北京地區同期的Quick Bird影像數據進行配準，采用目視判別方法逐像元輸入實際地物類別，計算混淆矩陣，從而進行精度評價。評價結果見表1。

表1 Wishart監督分類和決策樹分類總體精度評價

由表1的精度比較可以看出：Wishart監督分類中，飛機場和道路的分類精度很差，總體分類精度為49%；而決策樹分類解決了上述幾種類別的分類問題，Kappa系數均達到了0.4以上，雖然植被和居民地分類精度略低于Wishart監督分類方法，但總體精度達到了64.83%，較監督分類提高了約16%。

3 結束語

本文基于RADARSAT-2全極化數據進行了地表覆蓋分類的研究與探索，根據PolSARPro軟件提取能夠代表地物散射特性的多特征參數，在決策樹分類當中起到重要的作用。采用決策樹分類算法對基于Wishart分布的監督分類及兩種非監督分類算法進行融合處理，能夠準確、有效地識別地物的散射特性，使得分類精度有較大幅度提高。

Wishart H／A／α非監督分類雖然能夠識別地物的散射機理但不能有效識別地物的類別；傳統統計模式的分類又有運算量大、無法獲取各個類別的先驗概率和概率密度函數、難以形成復雜的判別函數和分割界面等缺點；而決策樹模型的分類器規則是由訓練樣本的特征來決定的，在選擇訓練樣本時數據源的質量好壞及人為因素的添加，都對分類精度有一定的影響。因此，發展靈活、高效的分類算法是值得進一步研究的問題。

［1］朱良，郭巍，禹衛東.合成孔徑雷達衛星發展歷程及趨勢分析［J］.現代雷達，2009，31（4）：5-10.

［2］吳鳴亞.合成孔徑雷達系統的新概念及關鍵技術［J］.現代雷達，2012，34（11）：1-5.

［3］王崇倡，武文波，張建平.基于BP神經網絡的遙感影像分類方法［J］.遼寧工程技術大學學報：自然科學版，2009，28（1）：32-35.

［4］林超，楊敏華.基于球結構支持向量機的QuickBird影像分類分析［J］.測繪工程，2011，20（3）：46-49.

［5］任玉冰，趙磊.迭代非監督分類快速提取林地信息的研究［J］.干旱環境監測，2013，27（3）：126-130.

［6］LALIBERTE A S，KOPPA J，FREDRICKSON E，et al.Comparison of nearestneighbor and rule-based decision tree classification in an object-orientedenvironment［C］／／Proceedings of 2006IEEE International Geoscience andRemote Sensing Symposium.Denver，Colorado：IEEE press，2006：3923-3926.

［7］劉冰.基于決策樹方法的ETM＋影像濕地信息提?。跩］.測繪工程，2013，22（1）：46-49.

［8］張繼超，藺臘月，張永紅，等.基于目標分解的面向對象決策樹PolSAR影像分類［J］.遼寧工程技術大學學報：自然科學版，2013，32（5）：642-647.

［9］余海坤.極化SAR目標特征提取及其應用研究［D］.徐州：中國礦業大學，2006.

［10］吳永輝，計科峰，郁文賢.基于Hˉα和改進C-均值的全極化SAR圖像非監督分類［J］.電子與信息學報，2007，29（1）：30-34.