一種基于改進極化散射矩陣和H/α-Wishart分類器的極化SAR影像分類方法

廖露 黃青倫 周興霞

摘要：本文提出一種基于改進極化散射矩陣和H/α-Wishart分類器的極化SAR影像分類方法。采用Quegon算法求解極化畸變參數矩陣并改進極化散射矩陣。利用該矩陣構建更為準確的H/α二維平面。通過H/α-Wishart分類器對極化SAR影像進行分類。在合并分類后，通過與調繪成果進行對比，表明改進方法的有效性。

關鍵詞：極化散射;初始聚類;極化相干矩陣;分類精度

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2019）30-0215-02

目前，已有學者針對極化散射矩陣誤差及其對影像分類的影響進行過相關研究。在分類研究中，眾多學者提出了大量的分類方法。其中較為經典且常用的便是H/a-Wishart分類方法。該方法的優點是以地物極化散射機理為特征進行初始聚類，但缺點是計算結果過分依賴初始聚類精度。而初設值（極化散射矩陣）的誤差，亟須通過畸變糾正盡可能改進，進而提升極化SAR影像分類精度。

1改進極化散射矩陣

對于極化SAR影像，真實值與通道不平衡、串擾、系統噪聲等之間的關系可以用下式定義：

3分類方法流程

基于改進極化散射矩陣的極化SAR影像分類方法整體流程如下：

（1）采用Quegan算法，針對原始極化散射矩陣，求得r和t極化畸變矩陣;使用畸變矩陣，求得改進后的極化散射矩陣。

（2）使用改進后的極化散射矩陣，求得單站條件下的極化相干矩陣;利用極化相干矩陣，求得H和α參數，構建H/α平面。

（3）依據H/α空間分布情況，求得聚類中心位置;采用Whis-hart分類器，實現地物分類;可選定一定區域，進行精度評價，提升分類精度。

4實驗與分析

數據采集區域中心位于海南省陵水縣。實驗區地物覆蓋類型豐富，屬于典型的中國平原淺丘區域。

從圖1（a）和（b）中可見，基于不同的初始聚類中心，聚類結果會有不同。發現原始數據的八類高度集中在第5區，易混淆。而改進數據雖然也相對集中于第5區，但有更為清晰的聚類分布。原始方法得到的像素聚類中心由第3區移動到了第5區，而利用改進方法得到的圖像的聚類中心保持在了第3區。產生以上差異的主要原因有：1）改進方法會使交叉極化之間的差值比原始數據的差值要大一些。2）原始方法與改進方法使得串擾和交叉通道不平衡度存在差值。

依據實際調繪資料對分類結果進行評價，該區域內真實的地物類型A為卡亡果幼苗區;B為檳榔一木瓜混種區;C為卡亡果成熟區。對于短波波段而言，幼苗冠層為主的區域紅外草地區域，先驗知識認為應該以體散射為主;植被冠層為主的區域、植被區域，先驗知識認為應該以體散射和表面散射主。然而從圖中可見，原始方法數據分類，除了零星分布有8類，杧果幼苗區域內的分布主要是第6類和第3類。檳榔一木瓜混種區域分布最多為第3類，隨后是第5類、第6類、第8類。卡亡果成熟區域除了零星的第6類，其余多是第2類、第5類。A、B、C三個區域比較，檳榔一木瓜混種區域與卡亡果幼苗區域有相近的分類結果，但檳榔一木瓜混種區域與卡亡果成熟區域卻有明顯差異的分類結果。上述與實際調繪結果不一致。但這種不一致與圖1的第3區聚類中心的差異相一致。而改進方法數據分類，卡亡果幼苗區域分布最多的是第5類，其次是第8類。檳榔一木瓜混種區域分布最多的是第3類，隨后是第5類、第6類、第8類。杧果成熟區域除了零星的第2類外，分布最多的是第3類，其次是5類。三個區域比較，檳榔一木瓜混種區域與杧果幼苗區域、杧果成熟區域有著明顯差異的分類結果，但檳榔一木瓜混種區域與卡亡果成熟區域有著相似的分類結果，區別僅在于檳榔一木瓜混種區域分布較多第8類，卡亡果成熟區域分布較多第2類。表明改進方法數據分類結果更符合真實狀況。

5結論與展望

本文提出了一種基于改進極化散射矩陣和H/α-Wishart分類器的極化SAR影像分類方法。利用極化畸變校正改進的極化散射矩陣，可以提升數據質量，并獲得更好的H和α參數精度。通過H/α-Wishart分類器，聚類中心更利于地物合并分類，有效提升原始數據分類精度。