基于不同特征的隨機森林極化SAR圖像分類①

陳媛媛， 鄭加柱， 魏浩翰， 張榮春， 歐 翔

1(南京林業大學 土木工程學院，南京 210037)

2(南京郵電大學 地理與生物信息學院，南京 210023)

遙感圖像計算機分類一直是遙感領域的研究熱點，分類精度的提高對于國土資源的監測與保護具有重要的意義[1]. 近些年，隨著遙感技術的飛速發展，各種傳感器平臺不斷發射升空，為地表監測提供了豐富的數據源[2，3]. 極化SAR尤其是全極化SAR圖像作為新的遙感手段，由于具有多個極化通道，可以獲取更加豐富的地表信息，因此逐漸被用于地表分類及信息提取中[4，5].目前，極化SAR圖像散射信息提取主要采用極化分解的手段，不同的極化分解方法提取的特征參數對地物的敏感性也不盡相同[6]. 極化SAR圖像中除了散射信息，還包含有豐富的紋理信息[7]. 目前的研究大多基于其中的某一類特征進行分類或信息提取，如果將極化SAR中的不同特征結合起來，勢必會提高地表的分類精度. 因此，本文以江蘇沿海灘涂為實驗區域，不僅采用H/α和Freeman兩種分解算法提取SAR圖像中的極化特征參數，而且采用灰度共生矩陣提取紋理特征; 然后將提取的所有特征進行不同的組合; 最后采用隨機森林模型對不同特征集合進行灘涂的分類和精度評估.結果表明僅用紋理特征對沿海灘涂進行分類時效果較差; 利用極化分解提取出的散射特征進行分類的結果要優于矩陣元素特征的分類結果; 綜合了極化散射特征和紋理特征的組合方式在沿海灘涂的分類中可以取得最優的分類結果，總體精度和Kappa系數可以達到94.44%和0.9305，表明極化SAR圖像中蘊含的不同方面的特征在灘涂分類中具有一定的互補性.

1 極化SAR圖像特征提取

1.1 極化分解特征

本文采用采用經典的H/α分解[8-10]和Freeman[11，12]分解來提取極化SAR圖像中的極化散射特征參數.H/α分解是對相干矩陣進行基于特征值/特征向量的分解，相干矩陣的形式如下：

式中，λi為相干矩陣的特征值，且∞?λ1≥λ2≥λ3?0，μi為與特征值對應的特征向量.

利用該分解可以得到以下參數：

Freeman3分解是由Freeman和Durden提出的一種典型的基于非相干分解的分解算法[11，12]. 它將協方差矩陣C3分解為體散射、二面角散射和表面散射等三種散射機制的線性組合的形式，如下：

其中，〈[C3]〉surface對應表面散射; 〈[C3]〉double對應二面角散射; 〈[C3]〉vol體散射. fs、fd、fv分別對應于體散射分量的貢獻、二面角散射分量的貢獻及表面散射分量的貢獻. 三種散射體對應的功率為：

1.2 紋理特征

灰度共生矩陣是像元距離和角度的矩陣函數，它通過計算圖像中的一定距離和一定方向的兩點灰度之間的相關性來反映圖像在方向、間隔、變化幅度以及快慢上的綜合信息[7，15]. 本文根據灰度共生矩陣計算了四種統計量，分別是熵、差異性、均勻性、角二階矩，公式如下：

2 隨機森林模型

隨機森林是近些年發展起來的一種機器學習模型[16-18]. 該模型的理論基礎是決策樹，是對決策樹進行組合得到的，即在變量和數據的使用上進行隨機化，生成很多決策樹分類模型{h(X，θk)，k=1，…}，每棵樹之間是沒有關聯的，其中參數集θk為獨立同分布的隨機向量，在自變量X給定時，每個決策樹分類模型都采用投票的方法產生最優的結果. 當原始數據進入隨機森林后，每棵決策樹都對其進行分類，最后取所有樹中出現頻率最高的分類結果作為最終結果.

① 采用自助法(Bootstrap)有放回地從原始訓練數據集中隨機抽取k個自助樣本集，利用這k個樣本集構建k棵決策樹.在這一過程，每次未被抽取的樣本組成k個袋外數據(Out-Of-Bag，OOB);

② 設有N個特征，則在每一棵樹的每個節點處隨機抽取n個特征(n≤N)，通過計算每個特征蘊含的信息量，選擇一個分類能力最強的特征進行分裂，這樣決策樹的某一個葉子節點要么是無法繼續分裂的，要么里面的所有樣本都指向同一個分類;

③ 每棵樹都不進行剪枝，使其最大限度地生長;

④ 所有決策樹組成隨機森林，隨機森林構建后，將新的樣本輸入分類器中，對于每個樣本每棵決策樹都對其類別進行投票，分類結果按決策樹投票數決定.

3 實驗與分析

3.1 實驗數據及實驗方案

本實驗選用L波段全極化ALOS PALSAR數據對江蘇沿海灘涂進行分類，研究區域如圖1所示. 此外，還選取了2008年5月獲取的QuickBird高分光學影像及Google Earth衛星圖像作為輔助數據，以便對結果進行目視判讀. 根據圖像地物覆蓋類型，將研究區域分為水體、道路、魚塘、沙灘、農田、蘆葦和鹽蒿等6種典型地物.

圖1 研究區域：(a) 研究區域位置; (b) 研究區域對應的Pauli圖像

通過H/α分解、Freeman3分解和灰度共生矩陣算法一共得到7個極化特征和4個紋理特征，加上相干矩陣的6個相干矩陣元素，一共得到17個特征，根據表1對它們進行不同的組合. 然后采用隨機森林模型對特征向量進行分類，本文實驗的技術流程如圖2所示，具體步驟為：(1) 利用多視處理、濾波算法等對原始圖像進行預處理; (2) 對濾波后的圖像進行H/α和Freeman分解，獲取極化分解特征; (3) 利用灰度共生矩陣計算Pauli圖像的紋理特征; (4) 特征組合;(5) 選擇訓練樣本和驗證樣本; (6) 利用隨機森林算法對表1中的不同特征組合向量進行分類; (7) 計算分類精度.

表1 不同特征組合方式

圖2 技術路線

3.2 實驗結果及精度評估

為了減少監督分類中選擇樣本對最后結果產生的影響，本次實驗中選取同一組訓練樣本，選取隨機森林模型對5組不同的特征組合實施分類，結果如圖3所示. 并利用同一組驗證樣本計算每個分類結果中的總體精度、生產者精度、用戶精度和Kappa系數，從而進行定量評估(表2).

通過與高分辨率QuickBird影像和谷歌地圖衛星影像比較進行目視判讀. 僅利用極化SAR圖像蘊含的紋理特征進行分類時，所有地物被分成了海洋、道路和魚塘三種，且總體精度和Kappa系數都很低，僅分別為30.38%和0.1508，而農田、沙灘、蘆葦與鹽蒿等根本無法識別出來. 當把相干矩陣的6個元素作為極化特征向量組進行分類時，精度相較于僅利用紋理特征的分類結果總體精度提高了31.31%，Kappa系數提高了0.3629，且能把部分農田、沙灘、蘆葦與鹽蒿等識別出來，但是生產者精度和用戶精度這兩個指標在道路這一地類上卻有大幅下降，大部分道路被誤分成了農田和沙灘，說明這些地物在極化SAR圖像中呈現較為相似的散射特性. 通過圖3(c)、圖3(d)及表2可以看出，當對利用極化分解算法提取出的極化特征集進行分類時，總體精度與相干矩陣元素得到的分類結果相比提升了12%以上，Kappa系數提升了0.17以上，這說明了極化分解可以挖掘出極化SAR矩陣元素所不能表達的信息. 而比較H/α分解和Freeman分解這兩種分解算法的分類結果及精度可以看出，利用Freeman模型分解算法得到的極化散射特征比H/α分解得到的極化特征對沿海灘涂更加敏感，分類效果更好，精度更高. 當把所有特征組合在一起進行分類時，雖然有少部分魚塘被誤分為了海洋，這可能是因為他們均發生奇次散射的緣故，但總體精度達到了94.44%，Kappa系數達到了0.9305，所有地類的生產者精度和用戶精度與其他方法相比均有所提高，這說明，利用不同分解算法提取的極化特征參數對不同地物的敏感性不同，綜合極化SAR圖像中的紋理信息和極化散射信息進行分類時可以有效地提高分類精度，它們在灘涂分類中具有一定的互補性.

4 結論與展望

本文利用不用的極化分解算法和灰度共生矩陣分別從極化SAR圖像中提取出極化特征參數和紋理特征參數，并將這些特征組成不同的特征集，然后利用隨機森林方法對江蘇沿海灘涂的全極化ALOS PALSAR影像進行了分類. 實驗表明，紋理特征除了對道路較為敏感，對其他地類的分類效果都比極化特征差; 采用極化分解算法提取的極化特征對灘涂的分類效果要優于矩陣元素特征; 綜合了極化散射特征和紋理特征的組合方式在沿海灘涂的分類中可以取得較好的分類結果，表明極化SAR圖像中蘊含的不同方面的特征在灘涂分類中具有一定的互補性.

圖3 分類結果

表2 不同特征組合下的分類精度