基于閾值分割與決策樹的SAR影像水體信息提取

經 波，寧文怡

（1.廣西壯族自治區自然資源信息中心，廣西 南寧 530023）

水體約占地球表面總面積的75 %，陸地水約占地球表面總水量的3.469%。陸地水蘊含著豐富的自然資源，在人類生活和生產中發揮著重要作用。利用遙感技術快速、自動化、大面積地提取水體信息對于水資源管理、抗災減災、用水安全保障等方面具有重要意義。隨著遙感科技的快速發展，國內學者利用遙感技術提取水體信息的研究與應用較為深入[1-5]，如楊存建[6]等在地形數據的支持下，實現了SAR圖像的水體半自動提取；鄭偉[7]、潘祖燕[8]等利用光學遙感數據與SAR數據相融合的方法進行了洪水淹沒范圍研究。

GF-3號衛星是國產分辨率達到1 m的C波段多極化合成孔徑雷達（SAR）成像衛星，其不受云雨等天氣條件的限制，可全天候全天時對地觀測，已廣泛應用于防災減災工作[9]。

1 數據來源與實驗區域

GF-3號衛星的空間分辨率為1～500 m，幅寬為10～650 km，是世界上成像模式最多的SAR衛星，具有單極化、雙極化和全極化等成像模式[10]。

本文采用GF-3 L1級影像，精細條帶1（FSI）的HH、HV雙極化模式，成像時間為2017-07-02，分辨率為5 m；采用DEM作為輔助數據；采用成像時間為2017-09-26，同一區域范圍的光學GF-2號原始影像作為對比分析數據。

2 水體信息提取流程

基于GF-3 SAR影像特有的成像結構，首先對其進行基礎極化處理，再進行散射特征分析，然后通過KI二值化閾值分割法生成最佳分割閾值，建立決策樹模型進行水體信息提取，最后利用DEM地形建模方法得到陰影范圍，對地形起伏度較大的部分進行陰影去除，進而得到柳州市水體信息的精確范圍（圖1）。

圖1 基于閾值分割和決策樹的SAR影像水體提取流程圖

2.1 GF-3 SAR基礎極化處理

本文對GF-3 SAR原始數據的基礎極化處理內容包括輻射定標、幅度轉換、多視處理、影像濾波、地理編碼等。

1）輻射定標。GF-3 SAR影像的每個DN值都表示唯一確定的后向散射強度功率值。為了得到地物特征在不同空間與時間上的精確差異，定量計算散射系數的過程稱為輻射定標。由于存在不同的誤差源，SLC數據存在輻射誤差，為了能精確反映地物回波特性，需要進行輻射定標處理[11]，將輸入信號轉化為雷達后向散射系數。經過輻射定標的后向散射強度信息不受SAR數據觀測幾何的影響，相當于歸一化到統一標準下，可以進行對比和分析。

2）幅度轉換與多視處理。GF-3 SAR影像的復數數據是最高分辨率的原始數據，但將單個像元散射的雷達同波信號相干疊加，會導致影像的強度信息存在很多噪聲。為了提高影像的視覺效果以及每個像元后向散射的估計精度，需要對影像進行多視處理，即對目標的多個獨立樣本進行平均疊加，得到的結果是多視后的數據。多視處理既能使影像幾何特征更接近地面實際情況，又能在一定程度上降低斑點噪聲。多視處理即為對鄰域像素相干和的平均，計算公式為：

3）影像濾波。由于SAR發射相干電磁波，因此地物的回波具有相互干涉性；而雷達記錄的是隨機不定的地物微波后向散射值，這種現象在SAR影像上表現為斑點噪聲。多視處理縮短了距離向線性調頻的頻寬等，降低了空間分辨率。為了減少GF-3 SAR影像上的噪聲，本文采用一種環形對稱的Enhanced Frost Filter濾波器對GF-3 SAR影像進行處理，濾波窗口為3×3個像元。經過濾波處理，能很好地保留邊緣信息，并提高水陸邊界兩側的分割精度。

4）地理編碼。GF-3 SAR系統觀測到的是電磁波后向散射的雷達脈沖強度和相位信息，該信息編碼在雷達坐標系統下，為斜距坐標系。本文將GF-3 SAR影像數據從斜距坐標系轉換到地理坐標系，即地理編碼。本文采用橢球糾正編碼方法進行地理編碼，編碼后成果（L3）如圖2所示（波段組合為b1，2，2）。

圖2 基礎極化處理結果

將基礎極化處理后的GF-3 SAR影像與DEM數據進行匹配，選取均勻分布在GF-3 SAR影像和DEM數據上容易準確定位的明顯同名地物點作為控制點（如河流交叉點、拐彎處、道路交叉點、水庫、坑塘等邊上拐點，共選取30個控制點），利用三次多項式的數學方法將GF-3 SAR影像與DEM數據進行匹配，匹配精度控制在1個像元以內。

2.2 散射特征分析

由GF-3 SAR影像的輻射特征可知，水體的后向散射系數由極化方式、波長、斜視角、地物形狀、復介電常數、粗糙度等雷達參數決定。將GF-3 SAR影像用于水體分析提取時，主要考慮地表粗糙度對后向散射系數的影響。粗糙表面主要是漫反射，后射回波強，影像呈灰白色和灰色；地表水水體粗糙度相對于GF-3 C波段屬于平滑面，主要表現為簡單的鏡面反射，回波功率較小，因此在影像上表現為暗色或黑色[12]；建筑物在影像上為高亮顯示，植被次之。本文選取影像水體（藍色區域）、建筑物（紅色區域）、植被（綠色區域）3個典型地物感興趣區，每種地物約為65 000個像素。其后向散射系數分布情況如圖3～5所示。

圖3 GF-3 SAR影像上3種地物后向散射系數分布

圖4 GF-3 SAR影像HH極后向散射系數

圖5 GF-3 SAR影像HV極后向散射系數

由圖4、5可知，研究區水體后向散射系數在HH極化的浮動范圍主要為-7～-15，在HV極化的浮動范圍為-20～-31。

2.3 水體精細提取

本文采用KI二值化閾值分割法進行圖像分割，并通過構建知識決策樹模型來提取水體信息。KI二值化閾值分割法以圖像的概率分布為特征，以代價函數為輔助，當滿足總體分類的代價函數最小時，即可得最小錯分率的結果。高斯分布下的判別標準為：

式中，P為先驗概率；當U(T)取得最小值時，T則為最佳分割閾值。

本文基于KI二值化閾值分割法確定的閾值構建知識決策樹，進而完成水體提取。知識決策樹通過規則對數據進行逐步細化和二次劃分，最終得到目標類別信息的多層分類器[13]。其在水體提取的實用性表現為：①決策樹是基于簡單特征的地物提取，是解決簡單分類問題的有效途徑，如水體單類分類；②GF-3 SAR影像水體具有明確的后向散射系數范圍，可將該范圍作為決策規則，構建分類器，實現水體的快速提取。本文在分析水體后向散射系數的基礎上，構建決策樹模型中的規則，進而構建水體信息提取知識決策樹，如圖6所示。

圖6 水體信息提取的知識決策樹

2.4 DEM地形建模

根據雷達成像原理，利用DEM進行地形建模時，主要的影響因素為本地入射角大小[14]。本地入射角的計算公式為：

式中，θ為雷達入射角；θA、θC為分辨單元在距離向和方位向的坡度角。

由于雷達圖像一般是斜距圖像，因此以地面格網進行地形建模時，應考慮地距和斜距間的關系，計算公式為：

2.5 利用DEM構建地形模型陰影圖剔除陰影部分

首先利用空間分析地圖代數法生成山體陰影；再對利用DEM地形建模圖[15]（圖7）提取的陰影與基于決策樹方法的水體提取結果進行空間分析，去除誤提為水體的山體陰影（圖8），提高水體提取精度；最后精確提取水體信息，如圖9所示。

圖7 地形建模陰影效果圖

圖8 誤提為水體的山體陰影（紅色部分）

圖9 柳州市洪水水體信息提取結果

2.6 基于光學GF-2號影像的水體指數法提取水體信息

本文基于與GF-3 SAR相同區域、成像時間為2017-09-26的光學GF-2號影像，利用水體指數法進行水體信息提取。經反復試驗，選取閾值范圍為[-1 -0.18]的提取結果，如圖10所示。水體指數法的計算公式為：

圖10 基于光學GF-2號影像的水體信息提取

從基于光學GF-2號影像的水體指數法的提取結果來看，雖然能較完整地提取水體，但存在部分建筑物誤提的現象，精度較差。

3 精度分析與評價

3.1 評價方法

基于隨機生成的263個樣本點（圖11），結合高分辨率多光譜影像、其他專題資料等，通過經驗豐富的內業人員判讀樣本點的地物類別，再利用所確定的樣本點進行精度評價。

圖11 樣本點分布圖

3.2 精度評價

本文主要從混淆矩陣、總體精度和Kappa系數3個方面評價分類精度。混淆矩陣如表1所示。通過混淆矩陣計算得到的水體信息提取總體精度為89.22 %，Kappa系數為0.71。

表1 混淆矩陣

4 結 語

本文研究了基于GF-3 SAR影像的水體信息自動化提取方法。首先利用基于KI二值化閾值分割法確定的閾值構建知識決策樹完成水體提取，再利用DEM數據正射影像產品和山體陰影的掩膜文件剔除山體陰影區域影響，最后精確提取水體信息。本文在柳州市城區展開實驗，得到的主要結論為：

1）利用水體在雷達波束表現為鏡面散射的機制，在GF-3 SAR影像上采用KI二值化閾值分割法進行水體信息的提取。

2）基于KI二值化閾值分割法確定的閾值構建決策樹，進而精確快速地提取水體范圍。相較于傳統的基于面向對象、監督分類、非監督分類的方法，其在時效性上有一定的改進，能快速響應災害應急措施。

3）由于山體起伏變化將產生陰影，可利用DEM構建山體陰影的掩膜文件去除被誤提的水體，從而提高水體提取精度。

4）將GF-3 SAR影像的水體信息提取結果與相同區域的光學GF-2號影像水體信息提取結果進行對比發現，本文方法的提取結果優于基于光學影像的水體指數法，能達到較高的實驗精度，對洪水等自然災害的監測以及GF-3 SAR影像的快速業務化應用具有重要意義。