基于時變散射特征與CNN 的雙極化SAR作物分類

郭 交，白清源，李恒輝

（1.西北農林科技大學機械與電子工程學院，陜西 楊凌 712100；2.陜西省農業信息感知與智能服務重點實驗室，陜西楊凌 712100）

0 引言

極化合成孔徑雷達（Polarimetric Synthetic Aperture Radar，PolSAR）作為一種先進的遙感技術，以其全天候、多極化的優勢在遙感領域得到了廣泛的應用和研究。目前，針對PolSAR 數據提出的分類算法大致可分為3 大類：第1 種方法是基于統計模型和電磁散射機理的分類算法，如LEE等提出的復雜Wishart 監督分布分類算法。第2種方法是通過多種極化分解方法和參數反演技術提取目標的物理散射特征，提高分類性能。例如一些典型的極化算法，如Freeman 分解、基于Freeman 開發的Yamaguchi 方法和各種分解方法，已廣泛用于PolSAR 圖像。第3 種方法基于深度學習分類，其目的是利用深度學習良好的特征提取能力來提高分類精度，主要工作是基于Pol-SAR 數據的特征改進深度學習網絡結構，或者改進深度學習的特征輸入，進一步提高深度學習的性能。如CHEN 等和GUO 等試圖通過使用特征分解方法獲得的分類特征作為卷積神經網絡（Convolutional Neural Network，CNN）模型的輸入，進一步提高深度學習的分類性能。

然而，這些算法仍然存在一些缺點。例如基于統計模型的方法直接采用協方差矩陣，其計算效率較低，主要原因是協方差矩陣的信息冗余，大多數極化參數反演算法最初是針對四極化SAR 數據集提出的，不能應用于雙極化SAR 數據集。與全極化SAR 數據相比，雙極化SAR 系統存在一定的信息損失，這將降低作物分類結果的準確性。為了處理雙極化SAR 數據，一些研究人員提出了雙極化SAR 數據的分解算法，然而這些方法分析了HH 和VV 的雙偏振模式，沒有給出更多的散射參數。因此，迫切需要對雙極化SAR 數據集提出有效的極化處理方法和參數，以便更好地解釋目標的物理散射機制。經典的分解可以有效地應用于雙極化分解中，對具有相同散射特性的人造結構和裸土進行分類，并獲得良好的分類性能。然而分解不能直接應用于作物分類，因為主要原因是作物散射特性的變化，因此有必要結合參數的分布特征和作物的形態特征來提高分類結果。本文引入了一種新的基于分解的極化參數來度量分布變化的特征，重點研究了雙極化特征分解問題，試圖利用該方法對雙極化數據進行分解，得到一組新的雙極化特征，并結合CNN 分類方法提高作物分類精度。

本文首先介紹了雙極化SAR 數據的傳統極化參數及其定義和計算，其次比較了不同特征向量的CNN 分類器和使用Indian Head 農場數據的復雜Wishart 分類器的分類結果，并對實驗結果進行了分析和討論，最后進行了總結。

1 方法

1.1 極化相干矩陣

在VV-VH 模式下，雙極化SAR 的散射矩陣可形成為

式中：、為2 個獨立極化通道的散射元素，下標“H”和“V”分別為水平和垂直線性極化。第個像素的多視協方差矩陣表示為

通常，相干矩陣可以更好地表示目標的散射特性，第個像素的泡利散射矩陣為

為了確保散射向量的范數不變，該向量可以寫為

式中：j 為虛數單位。

基于雙極化SAR 數據的多視相干矩陣為

因此，將選擇相干矩陣的對角線信息作為特征向量的一部分。

CAVES提出VV-VH 極化更適合于農業作物分類。因此針對AIRSAR 數據集，從VV-VH 模式中提取相干矩陣的對角信息以及和的參數。

1.2 H/α 分解中的隱藏極化特征

目標的散射特性由雷達信號決定，農作物在不同的生長階段會表現出顯著的差異。基于分解算法的基本理論，GUO 等提出了一個新的偏振參數來測量作物在不同生長階段的散射特性。

分解基于相干矩陣的特征分解，可分解為

式中：λ為特征值；u為相應的特征向量。

每個特征向量表示為對應于α、β、?和δ的4個角度：

因此極化熵（即）和平均散射角（即）定義如下：

、都清楚地描述了介質的散射特性，該平面被定義并劃分為9 個子區域，用于目標識別和分類，如圖1 所示。因此，在下一節將選擇和的參數作為特征向量的一部分。

圖1 雙極化PolSAR 數據的H-α 平面散射區域劃分Fig.1 Division of the H-α plane for dual-PolSAR data

新定義的參數在分類平面中的定義如圖2所示。不同作物在不同生長階段的散射參數將沿著分類平面的下邊界向上和向右移動（即參數值逐漸增加），如圖2（a）中的紅色箭頭線所示，而不同種類的作物會隨著自身的生長周期而變化，與散射特性相對應的分布移動量會有顯著差異。

首先在分類平面中選擇1 個參考點，計算出每次訓練樣本集的質心，并可以根據訓練的質心的分布近似地構造線，從而得到的垂直平分線；再使用整個圖像中所有散射的最高和最低熵連接形成水平軸上的線，得到的垂直平分線，和的交點即為新參數的參考點位置，如圖2（b）所示。因此，可以獲得圖2（c）所示的高度參數來描述變化。

圖2 生長期H-α 分布區的變化Fig.2 Changes of H-α distribution zone during the growing period

1.3 構建的CNN 分類器

卷積神經網絡是深度學習方法中最成功的網絡算法之一，已成為計算機視覺領域取得突破性成果的基石。它具有良好的特征提取能力，在大規模目標識別、語義分割、地物分類等遙感領域得到了廣泛的應用。然而，在遙感分類的實際應用中，地面驗證數據的建立一直是一項艱巨的任務。

為了在不犧牲分類精度的前提下構建輕量級分類網絡，本文借鑒了GoogleNet 的網絡特性，采用兩個分支的卷積運算來完成分類任務，所提出的CNN 分類結構如圖3 所示。

圖3 CNN 分類器結構Fig.3 Architecture of the CNN classifier

該網絡主要由4 個卷積層（Conv1，Conv2，Conv3，Conv4）、1個平均池化層（Average pooling）、1 個Addlayer 層、1 個全連接層（Fully connect）和1 個Softmax 分類器組成，采用了兩卷積分支來對輸入特征進行不同層次特征提取，在雙分支卷積輸出末端，添加了平均池化層來減少全連接層的訓練參數數量，減少網絡復雜度。輸入數據的大小為15×15×，其中為輸入特征的數量。輸入首先經過32 個大小為5×5 的卷積核組成的卷積層，卷積核步長（Stride）為1，通過零填充操作保持輸出特征大小不變。然后將15×15×32 的輸入特征分別輸入2 個分支中，其中一條卷積分支包含2 個卷積層，另一條分支包含1 個卷積層。在這3 個卷積層中，都具有相同3×3 大小的卷積核，且都為64 個卷積核組成的卷積層，3 個卷積層卷積步長分別為2、1、2。需注意的是，每層的卷積后都添加了批標準化BN 和ReLU 非線性整流激活函數對輸出特征進行激活處理，并將激活特征作為下一層的輸入。在完成2 個卷積分支的運算后，得到2 個8×8×64 大小的特征圖，通過Addlayer 層將兩相同大小的輸入相加得到8×8×64 的融合特征，使用1 個2×2、步長為2 的平均池化層對合成圖進行下采樣。最后采用平均池化層和全連接層將Addlayer 層輸出的融合特征轉化為個神經元輸出，輸出值經過Softmax層獲得每個神經元對應的概率結果，取最大概率為分類結果，即完成分類。

與CHEN 等所提出的CNN相比，本文的CNN 結構由單路結構改為了雙分支結構，進一步對數據特征進行了提取，選用Adam 作為模型優化函數以及交叉熵損失函數，迭代次數為10 000，學習率為0.000 5。

2 實驗結果與分析

2.1 結果與分析

本文中的數據集是來自歐空局AgriSAR 項目的多時相雙極化SAR 數據。研究區域是位于加拿大Indian Head（103°40'32.2'' W，50°38'11.0'' N）約11 km×16 km 的矩形區域。數據收集日期為2009 年4月21 日、5 月15 日、6 月8 日、7 月2 日、7 月26 日、8 月19 日和9 月12 日，幾乎涵蓋了該地區主要作物的整個生長階段。Google Earth 的圖像、VV 通道的SAR強度圖像和地面真實數據如圖4 所示。精細共配準已經完成，散斑噪聲抑制是通過CAVES 等文中的平均結構Lee 濾波器的多時間濾波來實現的。

圖4 加拿大Indian Head 地區作物分布Fig.4 Images for the crop distribution of Indian Head in Canada

在實驗部分本文使用了4 種分類方法：1 種基準分類方法和3 種特征輸入方法（、強度；、強度；、、、強度），其中強度代表VV 和VH。4 種分類方法是復Wishart 基準分類法、支持向量機（Support Vector Machine，SVM）、文獻［17］提出的CNN 分類方法和本文提出的CNN 比較方法，利用多時相印第安農場對實驗進行了驗證。實驗重復5 次，隨機抽取1%的樣本進行訓練，并對整個圖譜進行預測和比較，對多種分類方法的結果進行了定量比較，所有分類器的實驗參數保持不變。

Indian Head 數據集中有6 個主要雜交品種（油菜、豌豆、亞麻扁豆、春小麥、牧草）。所有對照組中每種作物的分類精度見表1。

表1 分類精度比較Tab.1 Comparison of the classification accuracy

圖5 中上方圖為4 種模型的分類結果圖，下方為其對應的分類誤差圖。比較不同輸入下的分類結果，可以看出（、、、強度）的組合在所有分類器下都達到了最好的分類性能。此外，比較（、強度）和（、、強度）輸入組合的分類性能可以發現，3 種（、強度）特征組合可以獲得相對較弱的分類優勢，由此可見，本文提出的參數可以穩定地提高Indian Head 數據的分類性能。比較不同分類方法的分類性能，可以得出結論，（、、、強度）+CNN 的組合在對照組中達到最高的分類精度。OA 和Kappa 的分類準確率分別為99.30%和99.03%。

圖5 Sentinel-1 數據集的分類結果Fig.5 Classification results of the Sentinel-1 data sets

與傳統的復Wishart 方法相比，分類精度至少提高了24%。通過與特定作物的分類性能比較，可以看出本文提出的CNN 分類方法主要提高了亞麻的分類精度。

2.2 討論

在分類任務中，分類特征和分類器方法決定了分類任務的性能。因此，從這兩個方向出發已經成為提高分類精度的一個重要方向。作為對雙極化數據目標分解技術的補充，本文對基于特征分解提出的時變特征角參數進行了比較研究。

與傳統的Wishart 和SVM 分類方法相比，分類精度有了很大的提高。對比不同輸入特征的分類精度，發現與、、強度特征組合相比，本文提出的特征能夠穩定有效地提高雙極化數據的分類精度。因此，從兩個方面提高雙極化數據的分類精度是可行的。然而，需要指出的是，本文提出的角參數在多種類型的樣本中可能達不到理想的結果，其原因可能是多種作物在太多的作物中具有幾乎相同的生長和變化特征。在有限雙極化特征分解中，參數仍然可以作為一個有力的補充。此外，極化目標分解特征驅動的CNN 分類方法已被證明是一種非常有效的分類方法。總之，新引入的參數可以進一步改善農業作物分類結果。

3 結束語

為提高雙極化SAR 圖像的作物分類效果，建立了分解特征驅動的深度CNN 方法，提取雙極化圖像中隱藏的特征和極化特征，完成作物分類。在不同的數據集和分類方法中，基于分解的新參數可以達到與參數相近的分類精度。此外，在所有分類器中，新參數與特征相結合可以提高分類精度，表明特征參數可以作為雙極化分類的有效補充。此外，本文提出的CNN 分類器能夠顯著提高雙極化分類的精度，并在比較方法中獲得最佳的分類效果，證明了該方法的有效性。