基于多極化特征和紋理特征的PolSAR圖像分類

宋瑞超，趙國忱，卜麗靜

(遼寧工程技術大學 測繪與地理科學學院，遼寧 阜新 123000)

1 引 言

全極化合成孔徑雷達(polarimetric synthetic aperture radar，PolSAR)具有全天時、全天候和透射性強等諸多優點，極化SAR 影像的地物分類技術逐漸成為各國學者的研究熱點[1，2]。極化SAR影像全面包含了地物的散射信息，其獲得的HH、HV、VH、VV四種散射回波信息能夠很好地提高極化SAR影像的分類精度。2007年，Touzi[3]等人提出一種旋轉不變非相干分解法，用多個極化分量進行分類實驗，加入極化特征能夠提高濕地的分類精度。2014年，Van Beijma[4]等人應用Freeman-Durden分解和VanAyl分解等方法，對海岸區域進行分類，結果表明，多種極化特征的結合使分類效果大大提高。另外，PolSAR影像中含有大量的紋理信息，紋理特征的應用也能有效改善地物分類的結果。2013年，Hu[5]等人提出了一種稀疏編碼的小波紋理元方法，通過采樣構建目標的紋理基元庫，將紋理信息用于圖像分類中，這種方法具有較高的分類精度。但以上兩種特征的分別使用都有其缺點。相對于紋理特征，基于極化特征的分類中，道路、水泥房頂等地物的散射機制與水體相似，無法將其區分開來。而僅基于紋理特征的分類中，由于淺草和裸地表面都較為平滑，其紋理特征與水體相似，三者并不能完全區分開來。針對以上問題，本文提出一種結合極化特征與紋理特征的SVM(Support vector machine)分類方法，以湖北武漢市的GF3數據為例進行分類實驗，已有效改善PolSAR圖像的分類效果。

2 多極化特征和紋理特征的PolSAR圖像分類算法原理

極化SAR影像中散射體的多極化特征可以反映PolSAR數據的本質屬性，描述目標的幅度和相位變化的完整信息。另外，PolSAR影像中的大量紋理特征反映散射體內部有規律變化形成的影像結構。分別提取影像的多極化特征和紋理特征，將多極化特征與紋理特征兩種性質完全不同的特征進行選擇與融合描述地物，使地物的表征更加完整，分類精度更高，更加具有實用性。

因此本文對輸入影像進行去噪預處理，降低相干斑噪聲后，提取出影像的極化特征和紋理特征，對這兩種不同性質的特征進行選擇與融合，組成特征向量，用于結合極化特征和紋理特征的SVM非監督分類實驗。為了檢驗本文分類實驗的效果，又進行了只加入極化特征，只加入紋理特征的非監督分類實驗以及Wishart監督分類實驗，將四種不同的實驗結果進行對比分析。

2.1 極化特征提取

極化特征提取是本實驗的關鍵步驟。將極化信息應用于分類實驗可以改善目標的分類結果[6]。散射體的極化特性是由散射矩陣、Stokes矩陣、相干矩陣、協方差矩陣表示的，其中相干矩陣T和協方差矩陣C中的元素具有一定的物理意義[7，8]。基于目標的散射屬性，將極化SAR數據的后散射系數變形得到散射矩陣S，再將散射矩陣S進行矢量化可得到相干矩陣T與協方差矩陣C，從這些矩陣中可直接得到目標的基礎特征，它反映的是PolSAR數據的本質屬性，可以提取幅度和相位變化的完整信息。

對于線性電磁散射的雷達目標，只要已知散射空間坐標系和相應的極化基，就可以用線性變換關系表示雷達照射波和目標散射波的各極化分量。極化散射矩陣S是用一個復二維矩陣表示目標的變極化效應的，表示在特定的姿態和觀測頻率下目標的全極化信息。定義本地笛卡爾坐標系(H，V)，后向散射矩陣[S]可表示為：

(1)

散射矩陣S包含完全的電磁散射特征，可以描述目標的能量、相位和極化特征。但實際得到的極化SAR圖像中存在較多的分布式目標不能用散射矩陣表示，并且在進行圖像處理中需濾出相干斑噪聲，由此引入相干矩陣T和協方差矩陣S。

利用Pauli基矩陣對散射矩陣S進行矢量化可得相干矩陣[T3]：

(2)

其中K3P為Pauli基矩陣，H為復共軛轉置運算符，*為復數共軛運算符：

(3)

利用Lexicographic基矩陣對散射矩陣矢量化可得協方差矩陣[C3]：

(4)

其中K3L為Lexicographic基矩陣，H為復共軛轉置運算符，*為復數共軛運算符：

(5)

相干矩陣與協方差矩陣是一對相似矩陣，一方可以通過相似變換得到另一方。

在對PolSAR理論知識充分理解的基礎上，提取出可用于SVM監督分類的極化參數。相干矩陣T和協方差矩陣C包含表示能量的實數3個對角線元素和6個獨立的復數元素。各元素表示的是各極化通道之間的相關性，特別是協方差矩陣中的元素反映了在各極化通道下目標的后散射系數與通道間的相關系數。相干矩陣T適用于極化分解、分類和識別，協方差矩陣更適合于相干斑抑制等。

本文提取相干矩陣的對角線元素T11、T22、T33以及協方差矩陣的對角線元素C11、C22、C33，復數C12的模|C12|、相位角∠C12，復數C13的模|C13|、相位角∠C13，復數C23的模|C23|、相位角∠C2312個元素。將這12個元素組成極化特征向量FV，見式(6)：

FV={T11，T22，T33，C11，C22，C33，∠C12，|C12|，∠C13，|C13，|，∠C23，|C23|}

(6)

2.2 紋理特征提取

極化SAR影像中的紋理信息可以有效地反映地物特征，對紋理信息的全面認知將大大提高圖像的分類精度。本文基于經典的灰度共生矩陣法進行紋理特征的提取[9，10]，提取信息熵(ENTROPY)、對比度(CONTRAST)、均值(MEAN)、相異性(DISSIMILARITY)、協同性(HOMOGENEITY)、一致性(UNIFORMITY)這6個紋理特征統計量進行實驗，計算方法如下：

(1)信息熵(ENTROPY)

(7)

信息熵是圖像中信息量的度量，反映影像中紋理信息的復雜度和隨機性，熵值越大，圖像紋理越復雜，紋理隨機性越大[11]。

(2)對比度(CONTRAST)

(8)

對比度是圖像中的局部灰度變化的總量，反映影像清晰度和紋理溝紋的深淺，對比度越大，圖像越清晰，溝紋越深；反之，對比度越小，圖像越模糊，溝紋越淺[12]。

(3)均值(MEAN)

(9)

均值是圖像中所有像素灰度的平均值，反映圖像灰度的均勻性。

(4)相異性(DISSIMILARITY)

(10)

其中|i-j|=n0

相異性表示圖像紋理間的相異性，相異性越大，紋理間差異越大。

(5)協同性(HOMOGENEITY)

(11)

協同性也叫局部相似性，是圖像中局部區域的紋理特征的相似性，也就是說，局部相同的區域可能就是同屬一類的目標。

(6)一致性(UNIFORMITY)

(12)

一致性也是反映圖像中局部區域的紋理信息。

將這6種紋理特征組合成一個紋理特征向量T，如式(13)所示：

T={CON，DIS，ENT，HOM，MEA，UNI}

(13)

2.3 算法流程

SVM分類方法是由線性可分情況下的最優超平面發展而來，被推廣到非線性可分的數據中去[13]。如圖1所示，在二維平面內，空心點和實心點分別代表不同的兩類，這兩類能夠被多條分割線(平面)正確地區分開來，其中H稱為分類超平面，H1和H2分別為兩類離H最近的樣本所在的且平行于H的超平面，H1與H2到H的距離相等，它們之間的距離稱為分類間隔，為了提高分類精度，找到一個最優超平面，使其將這兩類樣本正確地分開且分類間隔最大，這類情況稱為樣本線性可分[14]。

圖1 最優超平面示意圖

若這兩類樣本不能被直線正確地分割開來(即非線性可分)，SVM分類針對這種情況將低維的非線性可分數據通過核函數(非線性映射方法)映射到高維特征空間，將在高維特征空間中通過樣本訓練構造的最優分類超平面作為判決面，使兩類數據到該平面的距離最大，從而使分類風險上界最小[15]。這種分類方法需輸入每個類別的訓練樣本，后續也可以通過檢驗樣本來進行分類精度的評價。

本算法的基本流程為：在輸入原始極化SAR圖像后，進行圖像去噪預處理，降低相干斑噪聲，尤其是由于成像系統與水域內大型金屬材質的船只原因造成的十字叉型的噪聲，預處理同時保留較好的地物紋理信息。圖像預處理后分別提取影像的多極化特征和紋理特征。用不同的基對極化散射矩陣矢量化分別得到相干矩陣T和協方差矩陣C，將相干矩陣T與協方差矩陣C中的有效元素進行組合得到極化特征FV={T11，T22，T33，C11，C22，C33，∠C12，|C12|，∠C13，|C13，|，∠C23，|C23|}。基于灰度共生矩陣法提取各個紋理特征參數，組成紋理特征向量T={CON，DIS，ENT，HOM，MEA，UNI}。然后對這兩種不同性質的特征向量進行選擇與融合，進行結合多極化特征與紋理特征SVM分類實驗，并將實驗結果進行精度分析，算法流程如圖2所示：

圖2 算法流程圖

3 分類實驗

3.1 實驗數據

本實驗選用湖北武漢市的PolSAR數據進行分類實驗，數據參數如表1所示。

實驗數據參數 表1

圖3 實驗數據

在該PolSAR影像中截取一塊地物豐富的區域進行研究，該區域內中主要包括植被、水體、道路、裸地和建筑物5種地物。進行分類實驗前需分析地物特征，其中植被表現復雜的體散射，其回波能量適中，呈現出亮度適中且整體具有相似性的綠色信息；水體表現為單次的光滑表面散射，其回波能量較少，呈現亮度較低的偏黑色信息；道路表現為高亮的白色信息且具有細長型的特點；建筑物表現為偶次散射，回波能量較高，呈現高亮粉白色信息；裸地表現單次散射，呈現為整體較均勻的淡紫色信息[16]。如圖3為實驗區光學影像與極化SAR圖像對比圖：

3.2 極化特征向量提取

基于測量矩陣提取目標的極化特征向量，散射矩陣S經矢量化計算后得到相干矩陣T和協方差矩陣C，這兩個矩陣能夠反映全部的極化特性，其中的元素具有一定的物理意義。實驗中提取相干矩陣的對角線元素T11、T22、T33以及協方差矩陣的對角線元素C11、C22、C33，和復數C12的模|C12|、相位角∠C12，復數C13的模|C13|、相位角∠C13，復數C23的模|C23|、相位角∠C2312個元素，組成極化特征向量。圖4為每個極化參數的圖像表示：

圖4極化參數圖像

3.3 紋理特征向量提取

基于經典的灰度共生矩陣法進行紋理特征向量的提取，提取信息熵(ENTROPY)、對比度(CONTRAST)、均值(MEAN)、相異性(DISSIMILARITY)、協同性(HOMOGENEITY)、一致性(UNIFORMITY)這六個紋理特征，組成紋理特征向量，每個紋理參數的圖像表示如圖5所示：

圖5紋理參數圖像

3.4 PolSAR圖像分類結果與分析

在進行特征向量提取后，利用SVM分類器，進行基于多極化特征與紋理特征的PolSAR圖像分類實驗。為了檢驗這種分類方法的效果，另外進行了Wishart監督分類，只加入極化特征的SVM監督分類和只加入紋理特征的SVM分類，對結果進行對比與精度分析。圖6為四種分類方法的結果對比圖，圖中綠色代表植被，藍色代表水體，黃色代表建筑物，黑色代表道路，粉色代表裸地。圖6(a)為Wishart監督分類，圖6(b)為只加入極化特征的SVM分類結果，圖6(c)為結合紋理特征的SVM監督分類結果，圖6(d)為結合極化和紋理特征的SVM分類結果：

圖6分類結果對比圖

由圖6可以看出，經Wishatr監督分類后5種地物被區分開來，但建筑物與裸地出現明顯錯分現象，并存在嚴重的噪聲影響。只加入極化特征的SVM分類結果中，5種地物區分不明顯，水體較模糊，但噪聲影響有所改善。只加入紋理特征的SVM分類結果中，水體區分明顯，輪廓也較為清晰，但存在黃色建筑物的斑點狀況，建筑物、裸地與道路的劃分都較不準確。而結合極化與紋理特征后，5種地物的劃分都有了很好改善，水體的輪廓更加清晰，噪聲影響也明顯減少。

為進一步將分類結果進行對比，4種分類方法樣本的混淆矩陣如表2～表5所示：

Wishatr監督分類樣本混淆矩陣 表2

結合極化特征的SVM分類樣本混淆矩陣 表3

結合紋理特征的SVM分類樣本混淆矩陣 表4

結合極化與紋理特征的SVM分類樣本混淆矩陣 表5

由樣本的混淆矩陣可以看出，Wishatr監督分類中植被、水體和道路三種地物都得到大致區分，其中水體的樣本精度達到99.90%，但建筑物與裸地的分類精度不高。只加入極化特征的SVM分類得到的混淆矩陣顯示植被、水體、建筑物、裸地都出現明顯的錯分現象，其樣本精度很低。只加入紋理特征的SVM分類實驗中，水體的精度較高，但建筑物的樣本精度僅為44.52%，錯分較明顯。結合極化與紋理信息的SVM分類結果中植被，水體，建筑物，道路，裸地五種地物的樣本精度綜合來看都高于另外三種監督分類方法，說明本文的分類方法能夠有效改善分類效果。

4 結 語

本文提出了一種結合多極化特征向量與紋理特征向量的PolSAR圖像分類方法。首先闡述了算法原理；然后進行實驗驗證，為了檢驗本文方法的實驗效果，又分別進行了Wishart監督分類、僅加入極化特征的SVM監督分類和僅加入紋理特征的SVM PolSAR圖像分類實驗；最后將四種實驗結果進行對比與精度分析，從對比結果中可以看出，與其他三種分類方法相比，結合極化和紋理信息的SVM分類方法結果中五種地物都能得到準確劃分，對道路、水體和建筑物的區分最為明顯，且噪聲影響較小，有效提高了分類精度。極化SAR圖像分類的研究還需進一步探索，本文提出的分類算法對本文實驗數據具有有效性，后續需要再應用更多的實驗數據來驗證本文提出的分類算法。