基于城區特征和SLIC的簡縮極化SAR分類方法 *

尹 嬙， 徐 潔

(北京化工大學信息科學與技術學院, 北京 100029)

0 引言

作為一種主動式遙感手段，合成孔徑雷達(Synthetic Aperture Radar, SAR)通過發射電磁波獲取地物的散射信息。相較于傳統光學遙感，SAR在能見度較差的區域有其獨特的優勢。極化SAR則通過發送與接收不同方向的電磁波，獲取更為豐富的極化特征，這些極化特征對于地物分類、識別起很大作用。在極化SAR的各個模式中，全極化SAR包含了目標的全部散射信息，被廣泛地應用在農業、軍事等領域，但由于系統受限，全極化SAR成像幅寬小、分辨率低。為了克服全極化的缺點，簡縮極化的概念得到了提出，通過發送或接收線極化波以及圓極化波，更有效地保留全極化信息，并且可以獲得更大成像幅寬，有很大的應用潛力[1]。

簡縮極化SAR有3種工作模式：π/4模式[2]、CTLR (Circular Transmit and Linear Receive, CTLR) 模式[3]、DCP (Dual Circular Polarization, DCP) 模式[4]。π/4模式發射±45°線極化波，接收水平(H)和垂直(V)線極化波。CTLR模式發射左旋(L)或右旋(R)圓極化波，接收H和V線極化波。DCP模式發射和接收左旋或右旋圓極化波。雖然不同的簡縮極化模式獲取數據的格式不同，但本質上都是全極化數據的線性組合。

在極化SAR分類方面，監督分類和無監督分類是兩種主要思路[5]。監督分類需要結合真實地物信息，通過帶標記樣本進行分類。而無監督分類主要通過物理散射機制進行初步劃分，再通過基于目標統計特性的分類器進行迭代分類，不依賴真實地物信息，從而具有一定的實際應用價值[6-8]。

對于簡縮極化數據，我們常用Stokes矢量S=(S0,S1,S2,S3)T形式進行表述。通過Stokes矢量可進一步提取簡縮極化特征參數，如極化度m、相對相位角δ，圓度χ，極化熵H，以及散射角α等。其中，極化度m常被用作區分完全去極化分量和完全極化分量，完全去極化分量通常被看作體散射分量。Charbonneau等人[9]提出了m-δ分解，利用相對相位角δ區分表面散射和二次散射分量。與m-δ法相似，Cloude等人[10]利用αs區分表面散射和二次散射分量，提出了適用于CTLR模式的m-αs分解。郭勝龍等人[11]將該方法引入到π/4模式的計算中，因為兩種模式Stokes矢量有所區別，引入約束的方程求解方法得到了提出。以上幾種分解方法都基于極化度m對體散射分量進行估計，會存在體散射分量過估計的問題。為了改善分解及分類的結果，我們采用尹嬙等人改進的簡縮極化分解方法將簡縮極化數據分為表面散射、二次散射和體散射三個分量，將其作為Wishart分類器的輸入得到初步分類結果。然而，這種無監督分類方法基于像素點進行分類，并未考慮到空間信息，導致分類效果并不理想。因此，我們對分解后獲得的偽彩色圖像進行SLIC (Simple Linear Iterative Cluster) 超像素分割[10]，利用超像素分割獲取的空間信息對分類結果進行類別合并，以達到更好的分類效果。

1 算法原理

本文算法流程如圖1所示。

圖1 算法流程圖

首先，通過仿真從全極化SAR數據獲取兩種模式(π/4模式、CTLR模式)下的簡縮極化數據；其次，采用尹嬙等人改進的基于城區描述子的簡縮極化分解方法進行三分量分解；隨后，將分解結果作為Wishart分類器輸入進行迭代分類；最后，利用SLIC超像素分割結果對Wishart分類結果進行超像素區域類別合并。

1.1 簡縮極化分解

1.1.1 簡縮極化數據形式

極化SAR數據信息以4種線性正交極化組合HH、HV、VV和VV的形式存儲在4個通道中，每個像素的復數散射矩陣可以表示為

(1)

式中,h表示水平極化通道,v表示垂直極化通道。在單站后向散射體制下，滿足互易性定理，即Shv=Svh。

簡縮極化SAR目標散射矢量可表示為全極化散射矩陣S中元素的線性組合。由于散射矢量形式相比DCP模式更為簡單，本文主要涉及到CTLR[3]、π/4[2]這兩種模式：

(3)

其中+號表示發射波為左旋圓極化和+45°線極化，-號表示發射波為右旋圓極化和-45°線極化。

1.1.2 簡縮極化分解方法

尹嬙等人通過提出簡縮極化城區描述子DOOB，對Cloude提出的m-αs分解及郭勝龍的分解方法進行改進，從而降低體散射分量。

DOOB=DDP·DRD·(1-DPA)=

(γ·S0)·IRV·(1-AP)

(4)

式中,DDP為去極化分量，γ為交叉極化相關參數，S0為總功率，DRD表示隨機性分量，此處用簡縮極化植被參數IRV來描述，AP為簡縮極化各向異性度。

根據RVoG模型，兩種模式下Stokes矢量分解形式如下所示：

(5)

(6)

式中,Sv表示體散射機制部分，Sp表示秩為1散射機制部分。在求解方程過程中，以下約束被引入：

a2+b2+c2=1-DOOB

(7)

式中,a為sin2α·cosφ，b為±sin2α·sinφ，c為±cos2α。方程求解過程與郭勝龍[11]等人的方法類似。通過引入城區描述子DOOB，城區部分的體散射分量在模型求解的過程中得到了降低，二次散射分量得到了提升。

1.2 Wishart分類

在極化SAR分類中，Wishart分布常被用來描述極化相干矩陣的統計分布[8]。簡縮極化相干矩陣J的概率密度為

(8)

式中,n為等效視數，V為類中心極化相關矩陣，q為矢量維度，K(n,q)為歸一化系數常量。由于一般情況下無法確定類的先驗概率，通常假設它們相等，定義相干矩陣和第m類中心之間Vm的Wishart距離為

d(J,Vm)=ln|Vm|+tr(Vm-1J)

(9)

如圖1所示，將分解結果根據主要散射機理劃分為3個類別，每一大類根據散射功率再劃分為30個聚類，并計算平均協方差矩陣作為類中心，利用式(9)計算像素和類中心的距離，若像素的相干矩陣J到某類的Wishart距離最小，則該像素可以被分到此類中。更新聚類中心，并進行迭代。

1.3 超像素分類

SLIC是一種對圖像進行局部聚類的超像素分割算法[12]。本文采用的分類方法將超像素分割獲取的空間信息與分類結果進行融合，具體步驟如下所示：

1) 初始化聚類中心。對簡縮極化分解后獲取的偽彩色圖像均勻選取“種子點”，并設置超像素尺寸為S。

2) 對每個像素點，進行顏色距離dc和空間距離ds的度量，并計算和聚類中心的距離。

(10)

(11)

(12)

式中，m和S為權重參數。

3) 根據搜索范圍2S×2S，在局部區域重新進行聚類，并重新計算聚類中心。

4) 迭代至殘差E達到閾值E=0.01。

通過超像素分割獲取到不同的超像素區域，對于每個超像素區域，采用多數投票原則對超像素區域進行類別融合[13]。若超像素內某種類別出現的頻率超過閾值H，則該超像素的標簽tag(xi)可表示為

(13)

式中,xi為圖像中的第i個超像素，yj為超像素內的第j個像素，m為標簽，M為標簽總數。本文中閾值H設置為0.6。

2 實驗結果及分析

本文通過Radarsat-2全極化數據仿真合成π/4模式以及CTLR模式的簡縮極化數據，驗證了本文提出的分類方法的有效性。本文采用的數據是2008年4月9日獲取的美國舊金山區域全極化C波段數據，全極化Pauli偽彩色圖像以及所選區域光學圖像如圖2所示，可以看出該區域包含海洋(藍色方框區域)、小方位角城區(紅色方框區域)、大方位角城區(黃色方框區域)以及植被區域(綠色方框區域)。7×7精改Lee濾波器被用來改善相干斑噪聲的問題。實驗過程中，設置Wishart無監督分類迭代四次，超像素分割大小為 30×30。

圖2 Radarsat-2全極化數據Pauli圖

2.1 基于城區描述子的簡縮極化分解

簡縮極化分解結果如圖3、圖4所示，m-αs分解和Guo分解作為對比方法展示分解結果的優勢。對于圖3(a)及圖4(a)，海洋區域表面散射占主導地位，在偽彩色圖像呈現藍色；自然區域體散射占主導，呈現綠色；建筑區域由于體散射過估計問題，主要呈現黃綠色。經過改進后的分解方法如圖3(b)及圖4(b)，圖中建筑區域的體散射成分得到了明顯的抑制，二次散射分量得到了提升，主要呈現以二次散射為主的紅色。

圖3 CTLR模式下簡縮極化SAR分解偽彩色圖

圖4 π/4模式下簡縮極化SAR分解偽彩色圖

2.2 SLIC超像素分割

以Guo分解結果進行SLIC超像素分割為例，圖5為不同超像素大小下SLIC超像素分割效果局部圖。圖中黑色線表示每個超像素的分界線。如圖5(a)所示，當超像素尺寸為20×20大小時，對于圖像中的細節保留完好，但超像素過小會導致無法很好地提取空間信息。如圖5(c)所示，當超像素尺寸為40×40大小時，超像素不能很好地描述橋梁邊緣等細節信息。而當超像素尺寸為30×30大小時，如圖5(b)所示，可以在較好的提取空間信息的同時，保留更多細節。因此，本文選取的超像素分割大小為30×30。

圖5 不同超像素大小下SLIC超像素分割效果圖

2.3 分類結果

圖6 CTLR模式下簡縮極化分類結果圖(藍色：表面散射；紅色：二次散射；綠色：體散射)

圖7 π/4模式下簡縮極化分類結果圖(藍色：表面散射；紅色：二次散射；綠色：體散射)

美國舊金山區域的分類結果如圖6、圖7所示，像素被分為表面散射(藍色)、二次散射(紅色)、體散射(綠色)，根據散射功率強弱，每個大類分為三小類，并以顏色深淺表示。對于CTLR模式，分類結果如圖6所示：(a)m-αs分解+Wishart分類；(b)m-αs分解+Wishart分類+SLIC；(c)基于城區描述子分解+Wishart分類；(d)基于城區描述子分解+Wishart分類+SLIC。對于π/4模式，分類結果如圖7所示：(a) Guo分解+Wishart分類；(b) Guo分解+Wishart分類+SLIC；(c)基于城區描述子分解+Wishart分類；(d)基于城區描述子分解+Wishart分類+SLIC。

經過實驗發現，Wishart分類器四次迭代后基本上已經可以獲得較好的結果，因此本文實驗結果均為四次迭代后的分類結果。

圖6、圖7分別為兩種模式下分類結果及城區局部放大圖。如圖6(a)、(c)所示，通過基于城區描述子的分解方法獲取的特征，在經過Wishart分類器四次迭代后，可以獲得比m-αs更好的效果。由于城區二次散射分量得到提升，更多城區像素點被正確分為紅色的二次散射。如圖6(a)、(b)所示，經過超像素區域類別合并后，很多城區像素被誤分為綠色的體散射類別，而圖6(d)卻可以獲得視覺上優于圖6(c)的結果。這是由于圖6(a)中城區的許多像素被誤分為體散射類別，導致超像素中體散射類別占主導，產生誤分。圖7中π/4模式結果圖與圖6類似，基于城區描述子分解后進行Wishart分類，并采用超像素分割合并類別，可以獲得較好的分解結果。

為了定量分析分類結果，我們選取了如圖2所示4個方框中的4種典型區域，包括海洋、小方位角城區、大方位角城區以及植被區域，定量分析不同區域內各類別占比。分類結果如表1所示。在海洋以及植被等自然區域，m-αs、Guo分類精度略高于基于城區描述子的分類結果。這是由于改進后的分解結果一定程度提高了自然區域，尤其是植被區域的二次散射分量，導致兩種模式下的分類精度略低于對比方法。對于小方位角城區，本文的方法相比較原方法分類精度提升約有20%。值得注意的是，對于m-αs分類方法以及Guo分類方法，SLIC超像素區域類別合并可能會導致一定程度上的精度下降，這是由于這兩種方法的分解結果在城區附近不理想而造成的。而對于本文的方法，超像素類別合并可以提升5%左右的精度。對于大方位角城區，本文的方法相比較原方法分類精度提升約有10%。由于大方位角城區散射機制與體散射機制易混淆，該區域的分類呈現為多種類別混合的結果，所以SLIC超像素區域類別對該區域的影響較小。

表1 兩種簡縮極化模式下不同區域的分類結果(S:表面散射 D:二次散射 V:體散射)

3 結束語

本文提出了一種基于簡縮極化SAR城區特征和超像素分割的Wishart無監督分類方法。首先通過基于城區描述子的分解方法獲取表面散射、二次散射以及體散射分量，將其輸入到Wishart分類器進行迭代分類。同時將分解結果進行SLIC超像素分割，在超像素區域內以多數投票原則進行類別融合，以此提高分類精度。實驗表明，該算法對簡縮極化SAR圖像分類能夠得到更好的分類效果。在小方位角城區，本文的方法相比較原方法分類精度提升約有20%；在大方位角城區，本文的方法相比較原方法分類精度提升約有10%。