基于多層支持向量機的極化合成孔徑雷達特征分析與分類

宋 超，徐 新，桂 容，謝欣芳，徐 豐

(武漢大學 電子信息學院，武漢 430072)

(*通信作者電子郵箱xinxu@whu.edu.cn)

基于多層支持向量機的極化合成孔徑雷達特征分析與分類

宋 超，徐 新*，桂 容，謝欣芳，徐 豐

(武漢大學 電子信息學院，武漢 430072)

(*通信作者電子郵箱xinxu@whu.edu.cn)

為了充分利用極化合成孔徑雷達(SAR)圖像不同極化特征對不同地物目標類型的刻畫能力，提出一種基于多層支持向量機(SVM)的極化SAR特征分析與分類方法。該方法首先通過特征分析確定適合不同地物類型的最佳特征子集;然后采用分層分類樹的方式，根據每一種地物類型的特征子集逐層進行SVM分類;最終得到整體分類結果。RadarSAT-2極化SAR圖像分類實驗結果表明所提方法水域、耕地、林地、城區4類地物分類精度為85%左右，總體分類精度達到86%。該算法充分利用了不同地物目標類型的特性，提高了分類精度，也降低了算法時間復雜度。

極化合成孔徑雷達圖像；地物目標特征分析；多層支持向量機；監督分類

0 引言

合成孔徑雷達(Synthetic Aperture Radar, SAR)是一種主動微波成像雷達，能夠不受云層等自然不良天氣的影響獲取地表數據。極化SAR相對于單極化SAR，其地物目標信息更加豐富，能更好地應用在分類等領域。

極化SAR的監督分類方法主要使用“特征+表達+分類器”的模式。極化SAR的特征主要來源是目標分解。目標分解的概念是由Huynen[1]首次提出，其目的是得到切合實際的物理約束解譯目標的散射機制，使之更好地表征極化SAR數據。之后隨著極化SAR研究[2-7]的不斷深入，其分解方式也越來越多,如圖1所示。

分類器作為圖像分類最重要的組成部分之一。在光學圖像中運用成熟的各種分類器也在逐步結合不同的目標分解方法應用于極化SAR圖像分類中。目前主要的分類器包括：貝葉斯選擇[8-9]、馬爾可夫隨機場(Markov Random Field, MRF)[10]、支持向量機(Support Vector Machine, SVM)[11-13]等。其中比較有代表性的就是SVM分類器。SVM分類器在小訓練樣本情況下有良好的分類性能，相比其他分類器，更適合應用于極化SAR圖像分類。本文也是采用SVM分類器進行分類。

由于極化SAR圖像的某些特征具有相似的物理意義，直接利用全部特征進行分類會帶來嚴重的維數災難，故需要根據具體的應用需求對特征進行有效的表達，如文獻[14]針對城區建筑密度提出基于極化特征共生矩陣的城區分類方法。解決這一問題的常規方法是特征選擇。文獻[15]提出一種wrapper特征選擇方法用于森林地物SVM分類；文獻[16]通過特征線性判別分析(Linear Discriminant Analysis, LDA)對近200維的特征進行優選，提出一種面向對象的極化SAR 分類方法。文獻[17]通過最小冗余最大關聯(minimum Redundancy and Maximum Relevance, mRMR)特征選擇算法[18]，利用互信息量來衡量特征之間的相關性和冗余度，利用信息差和信息熵進行特征選擇。

圖1 極化特征

雖然這些方法能夠在一定程度上解決維數災難的問題，分類效果也有了較大的改進,但是并沒有充分考慮不同地物的典型特點，并不適用于復雜的應用場景。

基于上述問題，本文提出一種基于多層SVM的極化SAR特征分析與分類方法。該方法充分利用不同極化特征對不同地物類型的刻畫能力，選擇適合每一類地物類型具有足夠區分能力的特征子集，分層特征表達，使之更有效地表征地物類型。

1 地物目標特征分析

通過地物目標特征分析可以得到描述某類地物目標比較好的特征子集，使該類地物可以取得更好的監督分類結果。

實驗數據1為荷蘭Flevoland省Radarsat-2極化SAR數據，圖像時間為2008年，圖像大小為1 400×1 200，圖像分辨率為8 m，如圖2所示。實驗數據2為加拿大Vancouver市 Radarsat-2極化SAR數據，圖像大小為2 600×1 600，圖像分辨率為8 m，如圖3所示。

圖2 Flevoland實驗數據

實驗數據中主要的地物類型為水域、耕地、林地和城區。主要研究的極化特征包括：極化相干矩陣分量幅值|Tij|(0

圖3 Vancouver實驗數據

得到地物類型具有足夠區分能力的特征子集來源主要包括兩個方面：一方面是極化SAR特征的物理意義及其特性，使得特征與地物類型之間存在對應關系;另一方面是具體考察特征直方圖類間的區分能力，直接建立地物類型和極化特征的關聯關系，構造地物的具有足夠區分能力的特征子集。

1.1 水域

水域主要包括海洋、河流和湖泊。根據地物目標特征分析得到水域和其他地物區分明顯的特征包括：|T22|、|T23|、|T33|、P3、C1mHA、CSERD。其特征如圖4所示，樣本直方圖如圖5所示。

圖4 Flevoland水域特征子集特征

其中，C1mHA是在Cloude分解中的極化熵H和極化散射各向異性度A組合生成的新特征，具體計算式見式(1)，可以從理論上解釋C1mHA對水域有效的原因。當極化熵H值較低時可以認為是弱去極化，低熵散射一般發生在海洋地區。而各向異性度A較高說明λ2和λ3差別較大，在城區和海區混合了中等和較高的各向異性度。

C1mHA=(1-H)A

(1)

從特征圖和樣本直方圖中可以看出，上述6維特征能夠有效區分水域和其他地物類型。

1.2 耕地

耕地主要包括旱地、水田等。根據地物目標特征分析得到耕地和其他地物(不包括水域)區分明顯的特征包括：α、CPR、P1、P2、C1mH1mA=(1-H)(1-A)、φρHH-HV(線性極化相關系數ρHH-HV相位)。其特征如圖6所示，樣本直方圖如圖7所示。

從理論分析，平均散射角α與平均物理散射機制直接相關。具體見式(2)。其中Pk是偽概率，αk是特征矢量參數。較低的α出現在水域和耕地區域，表示單次散射是主要散射機制，中等或者較高的α值出現在城區和園林地區。這樣在沒有水域的區域就容易將耕地和其他兩類地物進行區分。

(2)

從特征圖和樣本直方圖分析，上述6維特征在無水域情況下，可有效區分耕地區域和林地、城區。

通過上述理論公式和特征圖分析發現，并不存在單獨區分耕地區域的特征，但是在無水域情況下，較容易區分耕地和其他地物。

圖5 Flevoland水域特征子集樣本直方圖

圖6 Flevoland耕地特征子集特征

1.3 林地、城區

林地主要指植被高度比較高的植被區，城區主要指的是人工建筑區。根據地物目標特征分析得到林地和城區區分明顯的特征包括：A、RρRR-LL(圓極化相關系數ρRR-LL實部)、|ρRR-LL|(圓極化相關系數ρRR-LL幅值)、CHm1mA=H(1-A)、CRVI、P3。其特征如圖8所示，樣本直方圖如圖9所示。

從理論分析，各向異性度A反映特征分解得到的第二個、第三個特征值的相對大小，具體表達形式見式(3)。各向異性度在海洋和園林區域中較低，在城區和沿海地區較高。比較容易區分林地和城區；圓極化相關系數ρRR-LL是處理當同極化和交叉極化相關系數為0時無法描述非對稱目標的情況所構建的相關系數，具體見式(4)。文獻[20]證明圓極化相關系數對區分林地和城區是有效的。

(3)

(4)

從特征圖和樣本直方圖分析，上述6維特征對林地城區有較好的可分性，但是如果摻雜其他地物則容易出現錯分。

通過對特征圖和樣本直方圖的分析，可以得到如下結論：

1)|T22|、|T23|等特征可以單獨區分水域和其他地物(耕地、林地、城區)。

2)在無水域地物的情況下，α、CPR等特征可以區分耕地和其他地物(林地、城區)。

3)在無其他地物的情況下，A、RρRR-LL等特征可以區分林地和城區地物。

2 基于多層SVM的極化SAR特征分析與分類

基于多層SVM的極化SAR特征分析與分類方法的流程如圖10所示。主要針對地物目標類型包括：水域、城區、林地和耕地。

圖7 Flevoland耕地特征子集樣本直方圖

圖8 Flevoland林地城區特征子集特征

圖9 Flevoland林地城區特征子集樣本直方圖

圖10 基于多層SVM的極化SAR特征分析與分類方法流程

2.1 預處理：輪廓檢測和分級圖像分割算法

輪廓檢測和分級圖像分割算法是Arbelaez等[19]于2011年提出的。該算法使用一種結合局部和全局信息的高性能邊緣檢測器——gPb算子來提取場景輪廓，其基于譜聚類將多尺度局部亮度、顏色、紋理四個通道的信息融入到全局框架中，并定義關聯矩陣來表征圖像塊的相似度，使用全局化分類器優化局部線索。在此基礎上，該方法引入方向分水嶺變換(OrientedWatershedTransformation,OWT)從有向輪廓信息中構造初始化區域集合，然后使用聚類算法得到超度量等高線圖，各個尺度上每條邊緣的權重由輪廓線在尺度上的相對頻率決定，最后根據閾值k得到相應的邊緣，確定最終的分割結果。

Flevoland局部輪廓檢測分級圖像(ContourDetectionandHierarchicalImageSegmentation,CDHIS)分割和線性迭代聚類(SimpleLinearIterativeClustering,SLIC)分割結果對比如圖11所示。從分割結果上看，相對于SLIC分割結果，CDHIS對細小區域的解析能力有明顯提高，并且對于介質相同的區域得到的分割塊比較大。這樣的分割結果使得計算特征均值更加準確，出現奇異值的概率降低，對分類起到更好的作用。

圖11 Flevoland局部CDHIS分割和SLIC分割結果對比

2.2 基于多層SVM的極化SAR特征分析分類方法

基于多層SVM的特征分析分類方法的具體步驟如圖12。

該方法中SVM分類器的核函數為徑向基函數(RadialBasisFunction,RBF)。RBF核函數在處理線性不可分的分類問題有較大優勢，其SVM核參數為默認參數。

通過上述地物目標特性分析發現：僅利用一種或幾種特征是無法對每一類的地物和其他類地物類型進行有效區分的，因此本文采用了一種多層樹結構進行分類，其分類順序為：水域、耕地、林地和城區。基于多層SVM的特征分析分類方法是基于由易到難的準則，結合地物目標特性分析結論，得出分類順序。各特征子集典型特征直方圖如圖13所示。

首先，水域特征子集(|T22|、|T23|等)的特征能很好地區分水域和其他三個類別，其典型特征直方圖如圖13(a)。預處理后得到數據根據水域特征子集進行第一次SVM分類，樣本為兩類：一類為水域樣本；一類為其他三類地物的混合樣本。其次，耕地特征子集(α、CPR等)在無水域的情況下很好地區分耕地和其他兩個類別，其典型特征直方圖如圖13(b)。第一次SVM結果其他類別根據耕地特征子集進行第二次SVM分類，樣本分為耕地樣本和林地城區混合樣本兩類。最后，林地城區特征子集(A、RρRR-LL等)在無耕地和水域的情況下較好地區分林地和城區兩個類別，其典型特征直方圖如圖13(c)。第二次SVM分類的其他結果根據林地城區特征子集進行第三次SVM分類，樣本分為林地樣本和城區樣本兩類。通過上述三次SVM分類就可以得到全部的分類結果。

圖12 基于多層SVM的特征分析分類方法的具體步驟

圖13 各特征子集典型特征直方圖

3 實驗結果及分析

本文通過分析Flevoland實驗數據中的水域、城區、林地、耕地及總體的分類精度來評價本文方法及對比算法。該算法的硬件平臺為PC，配置為i5處理器/16GB內存，軟件平臺為Matlab2014a。對比實驗1為Wishart監督分類；對比實驗2為|Tij|+SVM(0

圖14 Flevoland實驗結果

表1Flevoland不同方法分類準確率對比

Tab.1ClassificationaccuracycomparisonofdifferentmethodsinFlevoland

類型準確率/%Wishart監督分類|Tij|+SVM多維特征+SVM多維特征+mRMR+SVM本文方法水域90．5096．280．195．492．1耕地71．1878．389．683．888．8林地96．6573．668．781．686．3城區50．0063．861．376．785．4總體78．1077．176．1683．888．0耗時/s103．809929．95?20000．0016220．901022．00

對本文方法和對比實驗方法的結果進行分析：1)對比實驗1是較為經典的極化分類方法，并在分類結果后面增加馬爾可夫后處理，時間復雜度較小，主要針對自然地物。從分類結果上可以看出其區分水域和林地的效果好，但是對人工地物效果不好，總體分類精度一般。2)對比實驗2只提取單一特征|Tij|(0

Vancouver實驗數據實驗結果如圖15和表2所示。從目視解譯和分類結果評估兩個方面得到了相似的實驗結論。

圖15 Vancouver實驗結果

表2Vancouver不同方法分類準確率對比

Tab.2ClassificationaccuracycomparisonofdifferentmethodsinVancouver

類型準確率/%Wishart監督分類|Tij|+SVM多維特征+SVM多維特征+mRMR+SVM本文方法水域94．2197．6897．0398．1598．93耕地62．4964．3779．5971．6979．34林地88．7269．8243．2276．9385．89城區86．2165．1241．3379．0387．29總體78．2173．7673．1080．5886．77耗時/s420．7010152．00?100000．00109330．007960．00

通過重復實驗評估樣本數量對分類精度的影響。每組重復次數為15次，重復實驗的樣本是通過隨機選擇得到的。實驗結果如圖16。

圖16 樣本數量對總體分類精度影響

從圖16和數據分析得出，當樣本百分比超過5%，其總體分類精度的標準差小于0.002。結果表明：一方面，本文方法有較好的穩定性，在同等實驗條件下得到一致的實驗結論；另一方面，本文方法受樣本量的影響較小，隨著樣本量的增加，總體分類精度迅速增加并保持穩定。

4 結語

本文提出一種基于多層支持向量機(SVM)的極化SAR特征分析與分類方法。通過特征分析確定適合不同地物類型的最佳特征子集，采用多層樹結構根據每一種地物類型的特征子集進行SVM分類。該算法充分利用了地物目標類型的特性，提高了分類精度，也降低了算法時間復雜度。實驗結果驗證了該方法的有效性和穩定性。

下一步的研究方向主要是面向更豐富地物目標類型，通過更細致物理機制的研究，選擇更為精確的SVM核參數，構造更好的分類框架，以期在各種復雜地物類型中獲得更精確的分類結果，在減災、土地利用等重要領域發揮積極作用。

)

[1]HUYNENJR.Phenomenologicaltheoryofradartargets[D].TUDelft,Holland:DelftUniversityofTechnology, 1970: 157-179.

[2]HOLMWA,BARNESRM.Onradarpolarizationmixedtargetstatedecompositiontechniques[C]//Proceedingsofthe1988IEEENationalRadarConference.Piscataway,NJ:IEEE, 1988: 249-254.

[3]FREEMANA,DURDENSL.Athree-componentscatteringmodelforpolarimetricSARdata[J].IEEETransactionsonGeoscienceandRemoteSensing, 1998, 36(3): 963-973.

[4]YAMAGUCHIY,MORIYAMAT,ISHIDOM,etal.Four-componentscatteringmodelforpolarimetricSARimagedecomposition[J].IEEETransactionsonGeoscienceandRemoteSensing, 2005, 43(8): 1699-1706.

[5]CLOUDESR.Targetdecompositiontheoremsinradarscattering[J].ElectronicsLetters, 1985, 21(1): 22-24.

[6]DURDENSL,VANZYLJJ,ZEBKERHA.Theunpolarizedcomponentinpolarimetricradarobservationsofforestedareas[J].IEEETransactionsonGeoscienceandRemoteSensing, 1990, 28(2): 268-271.

[7]KROGAGERE.Newdecompositionoftheradartargetscatteringmatrix[J].ElectronicsLetters, 1990, 26(18): 1525-1527.

[8]SAEPULOHA,KOIKEK,OMURAM.ApplyingBayesiandecisionclassificationtoPi-SARpolarimetricdatafordetailedextractionofthegeomorphologicandstructuralfeaturesofanactivevolcano[J].IEEEGeoscienceandRemoteSensingLetters, 2012, 9(4): 554-558.

[9]L?NNQVISTA,RAUSTEY,MOLINIERM,etal.PolarimetricSARdatainlandcovermappinginborealzone[J].IEEETransactionsonGeoscienceandRemoteSensing, 2010, 48(10): 3652-3662.

[10]VOISINA,KRYLOVVA,MOSERG,etal.ClassificationofveryhighresolutionSARimagesofurbanareasusingcopulasandtextureinahierarchicalMarkovrandomfieldmodel[J].IEEEGeoscienceandRemoteSensingLetters, 2013, 10(1): 96-100.

[11]FUKUDAS,HIROSAWAH.Supportvectormachineclassificationoflandcover:applicationtopolarimetricSARdata[C]//IGARSS’01:ProceedingsoftheIEEE2001InternationalGeoscienceandRemoteSensingSymposium.Piscataway,NJ:IEEE, 2001: 187-189.

[12]WASKEB,VANDERLINDENS.ClassifyingmultilevelimageryfromSARandopticalsensorsbydecisionfusion[J].IEEETransactionsonGeoscienceandRemoteSensing, 2008, 46(5): 1457-1466.

[13] 何吟，程建.基于商空間粒度的極化SAR圖像分類[J].計算機應用,2013,33(08):2351-2354.(HEY,CHENGJ.ClassificationofpolarimetricSARimagesbasedonquotientspacegranularitycompositiontheory[J].JournalofComputerApplications, 2013, 33(8): 2351-2354.)

[14] 桂容,徐新,董浩,等.全極化SAR影像城區建筑密度分析 [J]．遙感技術與應用,2016,31(2):267-274.(GUIR,XUX,DONGH,etal.UrbanbuildingdensityanalysisfrompolarimetricSARimages[J].RemoteSensingTechnologyandApplication, 2016, 31(2): 267-274.)

[15]MAGHSOUDIY,COLLINSMJ,LECKIEDG.Radarsat-2polarimetricSARdataforborealforestclassificationusingSVMandawrapperfeatureselector[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2013, 6(3): 1531-1538.

[16] 李雪薇,郭藝友,方濤.基于對象的合成孔徑雷達影像極化分解方法[J].計算機應用,2014,34(5):1473-1476,1490.(LIXW,GUOYY,FANGT.Object-basedpolarimetricdecompositionmethodforpolarimetricsyntheticapertureradarimages[J].JournalofComputerApplications, 2014, 34(5): 1473-1476, 1490.)

[17] 王云艷,何楚,涂峰,等.特征選擇雙層SVM的融合算法用于極化SAR圖像分類[J].武漢大學學報(信息科學版),2015,40(9):1157-1162.(WANGYY,HEC,TUF,etal.PolSARimageclassificationusingfeaturefusionalgorithmbasedonfeatureselectionandbilayerSVM[J].GeomaticsandInformationScienceofWuhanUniversity, 2015, 40(9): 1157-1162.)

[18]DINGC,PENGH.Minimumredundancyfeatureselectionfrommicroarraygeneexpressiondata[J].JournalofBioinformaticsandComputationalBiology, 2005, 3(2): 185-205.

[19]ARBELAEZP,MAIREM,FOWLKESC,etal.Contourdetectionandhierarchicalimagesegmentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2011, 33(5): 898-916.

[20] 楊杰,趙伶俐,李平湘,等.引入規范化圓極化相關系數的保持極化散射特性的分類算法[J].武漢大學學報(信息科學版),2012,37(8):911-914.(YANGJ,ZHAOLL,LIPX,etal.Preservingpolarimetricscatteringcharacteristicsclassificationbyintroducingnormalizedcircular-polcorrelationcoefficient[J].GeomaticsandInformationScienceofWuhanUniversity, 2012, 37(8): 911-914.)

ThisworkispartiallysupportedbytheTechnologyResearchandDevelopmentoftheMajorProjectofHigh-ResolutionEarthObservationSystemunderGrant(03-Y20A10-9001-15/16),theComprehensiveDisasterDemonstrationProjectofSpatialInformationServices.

SONG Chao, born in 1992, M.S.candidate.His research interests include synthetic aperture radar image interpretation.

XU Xin, born in 1967, Ph.D., professor, doctoral supervisor.His research interests include signal and information processing.

GUI Rong, born in 1990, M.S.candidate.Her research interests include synthetic aperture radar image interpretation.

XIE Xinfang, born in 1994, M.S.candidate.Her research interests include synthetic aperture radar image interpretation.

XU Feng, born in 1980, M.S., associate research fellow.His research interests include application of synthetic aperture rada image in disaster prevention and reduction.

Polarimetric synthetic aperture radar feature analysis and classification based on multi-layer support vector machine classifier

SONG Chao, XU Xin*, GUI Rong, XIE Xinfang, XU Feng

(SchoolofElectronicInformation,WuhanUniversity,WuhanHubei430072,China)

In order to make full use of the ability of of Synthetic Aperture Radar (SAR) images with different polarization features for characterizing different types of ground objects, an analysis and classification approach of polarimetric SAR feature based on multi-layer Support Vector Machine (SVM) classifier was proposed.Firstly, the optimal feature subsets suitable for different terrain types were determined through the feature analysis.Then, the method of hierarchical classification tree was used for SVM classification step by step according to the feature subset of each object type.Finally, the overall final result was obtained.The experimental results of RadarSAT-2 polarimetric SAR image classification show that, the classification accuracy of the proposed approach is approximately 85% for four kinds of ground objects such as water area, cultivated land, forest land and urban area and the overall classification accuracy is up to 86%.The proposed approach can make full use of the characteristics of the different ground object target types, improve the classification accuracy and reduce the time complexity.

polarimetric Synthetic Aperture Radar (SAR) image; feature analysis of ground object; multi-layer Support Vector Machine (SVM); supervised classification

2016-06-02;

2016-07-25。

高分辨率對地觀測系統重大專項技術與開發項目(03-Y20A10-9001-15/16);綜合減災空間信息服務應用示范項目。

宋超(1992—)，男，福建福州人，碩士研究生，主要研究方向：合成孔徑雷達圖像解譯； 徐新(1967—)，男，湖北武漢人，教授，博士生導師，博士，主要研究方向：信號與信息處理； 桂容(1990—)，女，湖北武漢人，碩士研究生，主要研究方向：合成孔徑雷達圖像解譯；謝欣芳(1994—)，女，河南周口人，碩士研究生，主要研究方向：合成孔徑雷達圖像解譯； 徐豐(1980—)，男，北京人，副研究員，碩士，主要研究方向：合成孔徑雷達圖像在防災減災方面的應用。

1001-9081(2017)01-0244-07

10.11772/j.issn.1001-9081.2017.01.0244

TP75; TN958

A