利用單類分類方法提取全極化雷達影像中的建筑物*

安相君，翟 瑋

（1.甘肅省公安消防總隊，甘肅 蘭州 730070；2.甘肅省地震局，甘肅 蘭州730000）

利用單類分類方法提取全極化雷達影像中的建筑物*

安相君1，翟 瑋2

（1.甘肅省公安消防總隊，甘肅 蘭州 730070；2.甘肅省地震局，甘肅 蘭州730000）

建筑物是人類賴以生存的基本場所，為人類的各種活動提供容納空間，建筑物分布信息是當代社會非常重要的信息資源。本文引入單類分類方法，對城市建筑物進行識別提取。文章介紹了基于最小超球支持向量機的單類分類方法，并提取一景全極化SAR影像的多種極化特征，利用該方法進行了建筑物提取實驗，結果表明單類分類方法能夠融合多種特征快速提取建筑物，且能保證一定的提取精度。

遙感；全極化SAR；建筑物；單類分類

城市現代化建設中最重要的內容是建筑物的規劃與建設，獲取建筑物分布信息在土地利用調查、城市地理信息數據庫更新、市政規劃、人口估計、經濟建設評估等方面都有著非常重要的作用［1］。利用遙感技術識別建筑物具有全面、宏觀的優勢［2］。雖然利用光學遙感影像提取建筑物比較直觀，但是在夜晚或天氣狀況不佳時，難以獲得有效圖像，但是合成孔徑雷達（Synthetic Aperture Radar，SAR）具有全天時全天候的對地觀測能力［3］，能夠保障數據的實時有效。目前有很多提取建筑物的方法是基于多數據進行的，比如利用InSAR圖像對提供的高程信息［4］，或融合光學影像和雷達影像［5］。相比基于多幅影像的方法，基于單幅SAR影像的方法無需配準影像，對數據要求較低［6］。然而單極化SAR影像包含的信息量遠遠少于全極化SAR，且易受噪聲和局部強散射等因素的影響，利用全極化SAR數據提取建筑物更可靠、更精確［7］。因此本文在對數據要求不高的同時，為了保證建筑物提取精度，選擇一景全極化SAR數據提取建筑物。

單類（One-Class）分類是指訓練樣本中只有一類目標數據，經過學習形成一個對該類別的數據描述，根據描述估計其邊界，做出正確分類。單類分類方法訓練和決策速度快，適合處理高維、有噪和有限樣本的單類問題［8］。由于本文只關注建筑物，只有建筑物一種類別，因此借鑒One-Class分類思想，利用基于支持向量機［9］的單類分類方法從全極化SAR影像中提取建筑物。只對建筑物進行學習訓練，估計出建筑物與非目標樣本的邊界，從而排除非目標樣本，提取出建筑物。支持向量機方法適合處理高維數據的分類問題，這樣就可以在特征空間中加入很多維數據特征，結合多種特征對樣本進行分類，同時保持較快的處理速度。本文選取了14個極化特征組成特征空間，對建筑物進行提取。實驗結果證明在提取建筑物時，利用支持向量機的單類分類方法是有效可行的。

1 單類支持向量機

1.1 支持向量機

支持向量機 （Support Vector Machine，SVM）是20世紀90年代中期由Vapnik［10］根據統計學習理論提出的，可用于模式分類和回歸估計。由于支持向量機具有泛化能力強、全局優化等優點，得到了廣泛的應用。支持向量機是為了求解二類分類問題而提出的，它能夠求解各種二類分類問題。在SVM的訓練集中需要正負兩類樣本。但是在很多情況下無法獲取到包含正負兩類樣本點的訓練集，而只能獲取一類樣本，這時就只能利用這一類樣本進行學習，形成數據描述從而實現分類［11］，這就是單類分類問題，即One-Class分類。One-Class分類主要應用于故障分析、異常檢測、離群點識別和疾病診斷等現實問題中。在單類分類問題中使用的支持向量機稱為單類支持向量機［12］（One-Class SVM，OCSVM）。單類支持向量機主要有超球法和超平面法兩種，本文使用超球法單類支持向量機從全極化SAR數據中提取建筑物。

1.2 超球法

Tax等［9，13，14］提出了超球法的單類支持向量機，其基本思想是將線性不可分的數據樣本映射到高維空間，在這個高維特征空間中找到一個能夠盡可能將目標樣本點包圍在其內部的最小超球體，并盡可能得將非目標樣本點隔離在這個最小超球體外，從而達到劃分兩個類別的目的。

給定一個樣本集X：

圖1是超球法單類支持向量機模型示例，圖中R和c分別是高維特征空間中最小超球的半徑和圓心，求解R和c的問題轉化為求解以下優化問題：

其中ξi為松弛因子，當ξi＞0時，對應隔離在超球體外部的非目標類樣本點。這是一個凸優化問題，可以變換為求解對偶變量的優化問題。引入核函數與拉格朗日對偶變量α，將上述問題轉化為對偶問題，其對偶形式為最小化目標函數［15］：

其中K=（Xi，xj）=Φ（xi）·Φ（xj）是核函數。

對應ai＞0的向量則為支持向量，超球體的半徑R為任一邊界支持向量到球心的距離，即半徑R由少量球面上的支持向量決定，它起到檢出目標類別而隔離非目標類別的閾值劃分作用。球心c和半徑R可以分別表示為：

求得超球體的R和c后，就可以得到判別函數［8］：

由判別函數可以判斷測試樣本是否屬于超球體內部，是否是離群點。若判別函數為負，測試樣本就在超球體外部，是離群點，反之則為目標樣本。如圖1所示。

圖1 超球體支持向量機模型示意圖

R和c分別代表最小超球的半徑和圓心，實心圓、空心圓和三角分別代表目標樣本點、支持向量和非目標樣本點。

2 實驗與分析

2.1 實驗數據

本文選用海地太子港的一景400×400大小的L波段UAVSAR航空極化SAR影像作為實驗數據，驗證研究思想的有效性。PauliRGB彩色合成圖像如圖2（a）所示，紅色代表|HH-VV|、綠色代表|HV|、藍色代表|HH+VV|。距離向空間分辨率為1.67m，方位向為0.6m。用于評價提取結果的參考影像（見圖2（b））由Google Earth獲得，并與極化SAR數據進行了配準。

圖2 實驗數據及實驗結果

2.2 實驗結果

本文提取Cloude-Pottier分解［16］得到的三種散射特征：散射熵H、散射角α和各向異性參數A，以及Yamaguchi四分量散射模型［17］分解得到的四種散射分量、功率均值lamda、同極化比、交叉極化比、圓極化相關系數、三種線性極化相關系數等14種極化特征，組成特征空間，參與超球法One-Class SVM分類。首先利用最小超球體One-ClassSVM方法對訓練樣本的上述14種極化特征進行訓練，估計出最小超球面。然后對測試樣本進行分類，建筑物提取結果如圖2（c）所示，白色區域代表提取出的建筑物，黑色是非建筑物。

為了評價建筑物提取精度，在參考影像中選擇了6701個建筑物參考樣本和5036個非建筑物參考樣本，在圖2（b）中分別以紅色和黃色標注。從表1的評價結果中可以看出，總體提取精度為74.0%，建筑物被誤分為非建筑的誤分率為37.2%，非建筑被誤分為建筑的誤分率為11.1%。

研究區處于城市繁華區，建筑物分布非常密集，地物布局比較復雜。將建筑誤分為非建筑的主要原因是平頂房屋沒有被正確提取，由于房屋密集，很多屋頂緊挨，連成大片平坦表面，被誤分為裸地。將非建筑分為建筑的情況主要存在于道路和建筑物之間的間隔地帶，大片平地較少，非建筑類多為細小目標。

表1 建筑物提取精度評價表

3 結論

鑒于研究目標只有建筑物一種地物類別，本文借鑒故障檢測的思想，將單類分類方法引入建筑物提取的應用中。由于單類分類只有一類訓練樣本，樣本的選取和訓練方便快捷。借助極化SAR影像豐富的信息量，本文使用一景極化SAR影像提取建筑物，利用最小超球體單類支持向量機方法進行建筑物提取。實驗中選用14種極化特征組成特征空間，對訓練樣本進行學習訓練，并對測試樣本進行分類。在分類過程中，誤分類的情況主要存在于平頂建筑被誤分為非建筑、道路等間隔地帶被混入建筑物，無法提取。實驗結果表明，本文所采用的單類支持向量機方法能夠利用多種特征，既具有較快的訓練和分類速度，又能保證一定的提取精度。因此利用One-Class分類方法提取建筑物是有效可行的，但仍需進一步深入研究適合于建筑物提取的單類分類方法，改進現有的單類分類方法。

［1］ Zhai W，Shen H，Huang C，et al.Fusion of polarimetric and texture information for urban building extraction from fully polarimetricSARimagery［J］.RemoteSensingLetters，2015，7（1）：31-40.

［2］ ZhaiW，ShenH，HuangC，etal.BuildingEarthquakeDamage Information Extraction from a Single Post-Earthquake PolSARImage［J］.RemoteSensing，2016，8（3）：171.

［3］ 翟瑋，趙斐.基于極化SAR的城市建筑物提取［J］.甘肅科技，2016，32（2）：46-48.

［4］ GambaP，HoushmandB，SaccaniM.Detectionandextraction ofbuildingsfrominterferometricSARdata［J］.IEEETransactions onGeoscienceandRemoteSensing.2000，38（1）：611-618.

［5］ TupinF，RouxM.Detectionofbuildingoutlinesbasedonthe fusion of SAR and optical Features［J］.ISPRS Journal of PhotogrammetryandRemoteSensing.2003，58（1）：71-82.

［6］ 翟瑋.基于單時相全極化SAR影像的建筑物震害信息提取［J］.山西地震，2016，1：19-22.

［7］ 翟瑋，裴萬勝，趙斐，等.PolSAR影像紋理特征在倒塌建筑物提取中的應用分析［J］.國際地震動態，2015（9）：127-127.

［8］ 吳定海，張培林，任國全，等.基于支持向量的單類分類方法綜述［J］.計算機工程，2011，37（5）：187-189.

［9］ TaxDMJ，DuinRPW.Supportvectordomaindescription［J］. Patternrecognitionletters，1999，20（11）：1191-1199.

［10］Vapnik V N，Vapnik V.Statistical learning theory［M］.New York：Wiley，1998.

［11］潘志松，陳斌，繆志敏，等.One-Class分類器研究［J］.電子學報，2009，37（11）：2496-2503.

［12］尹傳環，牟少敏，田盛豐，等.單類支持向量機的研究進展［J］.ComputerEngineeringandApplications，2012，48（12）.

［13］TaxDMJ，DuinRPW.Datadomaindescriptionusingsupport vectors［C］.//ESANN.1999，99：251-256.

［14］Tax D M J，Duin R P W.Support vector data description［J］. Machinelearning，2004，54（1）：45-66.

［15］尹傳環，牟少敏，田盛豐，等.單類支持向量機的研究進展［J］.ComputerEngineeringandApplications，2012，48（12）.

［16］CloudeSR.Polarimetry：thecharacterisationofpolarisation effectsinEMscattering［D］.UniversityofBirmingham，1987.

［17］YamaguchiY，MoriyamaT，IshidoM，etal.Four-component scattering model for polarimetric SAR image decomposition［J］.IEEETransactions on Geoscience and Remote Sensing，2005，43（8）：1699-1706.

P237

甘肅省地震局、中國地震局蘭州地震研究所地震科技發展基金項目（2015M02）。