基于H/α/A-Wishart分類算法的PolSAR影像地物分類研究

(成都理工大學地球科學學院 四川 成都 610059)

基于H/α/A-Wishart分類算法的PolSAR影像地物分類研究

李成繞薛東劍賈詩超

(成都理工大學地球科學學院四川成都610059)

極化合成孔徑雷達(polarimetric syntheticaperture radar,PolSAR)作為一種先進的雷達成像系統，能夠獲取多極化、多參數的目標散射信息，為人類提供豐富的地物信息和分類特征，因此極化SAR圖像已經成為地物目標識別、信息提取、土地覆被分類的重要數據源。本文利用PolSAR影像具有地物目標豐富的散射信息，采用H/α/A-Wishart分類算法對PolSAR影像進行地物分類，實驗結果表明，H/α/A-Wishart分類方法可以有效提高地物分類效果。

PolSAR;H/α/A-Wishart分類

全極化合成孔徑雷達(polarimetric synthetic ap-erture Radar，PolSAR)系統是在傳統的單極化、雙極化和多極化雷達系統基礎上發展起來的新型主動微波成像系統，如何通過全極化SAR系統提供的極化信息對地物進行分類已成為全極化SAR圖像應用的一個重要方面[1]。眾所周知，全極化SAR與常規單極化SAR相比優勢在于可以獲得地物目標的全極化散射信息，最大限度地將不同地物的散射特性以矢量的形式表現出來，從而揭示地物的散射差別[2]。PolSAR圖像數據的每個像素表現為矢量數據,與標量數據相比具有更豐富的目標信息,能夠更好地應用于目標的識別與分類。SAR極化分類以目標的極化特征參數分析為基礎,通過參數辨別器識別后向散射機理[3],并依據后向散射源的類型來解譯圖像。

隨著對SAR極化特征研究的深入，近年來，許多監督和非監督(自動)分類方法被相繼提出。早期的極化SAR圖像分類算法是基于其統計特征的。之后，物理散射機制的固有特性也作為一個額外的優勢用于提供類別識別的信息。

一、H/α-Wishart非監督分類

基于散射特性的H/α目標分解理論為像素分類提供了合理的依據，但該方法在一些情況下的分類結果并不能達到較為理想的效果。原因在于：首先H/α分解只利用了想干矩陣中部分極化信息；并且H/α區域邊界的設定具有一定的任意性，某一類別可能落在幾個獨立區域交匯的邊界附近，兩個或更多的類可能落在同一區域，使得分類結果存在一定的模糊性；最后，為了得出較好的H與α的結果，需要進行平均處理操作，而該操作有進一步損失了細節信息。

為了改善分類的性能，Lee等進一步考慮了用于H/α分解的多視相干矩陣的統計特性，將監督分類中常用的基于統計知識的方法引入到H/α分類中，提出了基于H/α分類和復Wishart分類器的聯合分類算法，以下簡記為H/α+Wishart分類器。該算法首先應用H/α無監督分類的結果形成訓練集，將其作為Wishart分類器的輸入進行二次迭代分類。一般地，H和α值通過多視數據獲取視數較小時會嚴重低估熵H值,為了得到理想的H和α值,需要對多視數據的協方差矩陣或相干矩陣進行濾波處理。傳統的矩形窗濾波嚴重降低了圖像質量，使得靠近邊界的極化信息因為不加選擇的平均而發生變化,為了保持圖像分辨率并且堿少相千斑,Lee等應用改進的Lee濾波器對相干矩陣濾波,再由濾波圖像計算H和α。根據H和α結果,將初次分類圖分為8個區域,利用其訓練Wishart分類器。

二、H/α/A-Wishart非監督分類

Pottier和Lee在H/α/A-Wishart分類過程中進一步引入信息-反熵A,通過分析H/α/A的分類空間,發現反熵信息的加人使得原來聚類在同一H/α/區域的不同類別得以區分開來,可以進一步改善極化非監督分類結果。

極化數據首先根據H/a-Wishart非監督分類算法進行分類。一旦該過程收斂之后，通過與一個閾值(通常設為0.5)比較每個像元的反熵嫡值，將上步得到的8個聚類中心進一步分成16個聚類中心。然后，用這16個聚類中心來初始化第二次最大似然Wishart分類過程。在分類過程中反熵值A的引人允許我們將較大的聚類分裂成更小聚類,以更精確的方式區分更小的差異。

三、實驗結果及分析

基于特征向量分解的極化SAR分類方法的實驗研究采用C波段的ALOS-PALSAR四川省德陽市洛水鎮全極化SAR數據。為了消除SAR圖像相干斑噪聲的影響，在進行目標分解之前先進行精致極化Lee濾波，該濾波方法是對整個極化相干矩陣進行濾波。然后將濾波之后得到的極化相干矩陣根據目標分解理論進行特征向量分析，提取出各種顏色與目標物理散射特性有關的特征量，即散射熵H、散射角α和反熵A。由于水體散射的主要貢獻來源于水面的表面散射或布拉格散射，為各向同性；居民地的墻面與地面會形成偶次散射，以及屋頂等形成表面散射，有一定的各向異性；而林地區域結構復雜，可以同時包含表面散射、偶次散射和體散射，故具有較強的隨機性，所以林地區域具有較高的熵值，居民地次之，而水面的熵值最小；再次，水面的主要散射機制為單次散射，居民地為典型的偶次散射，而林地多以體散射為主。

H/α-Wishart分類方法由于引入了Wishart分類，從圖像統計分布的角度看有效地改善了原有H/α分類方法的的分類結果，而且只需要3～4次迭代，就可以得到收斂。此外，通過引入另一個參數A(反熵)，還能將原有的8個類別倍增為16個分類類別，進一步細化分類結果，分類結果見圖1。

圖1 H/α/A-Wishart分類圖

[1]Cloude S R,Pottier E.A review of target decomposition theorems in Rader polarimetry[J].IEEE Transactions on Geoscience and Remote Sensing,1996,34(2):498-518.

[2]王超,張紅，陳曦.全極化合成孔徑雷達圖像處理[M].北京：科學出版社,2008.

[3]Touzi R,Goze S,et al.Polarimetric discriminators for SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,1992,30(5):973-980.

李成繞(1991-)，男，漢，云南，成都理工大學，碩士，研究方向3S技術及應用。