RADARSAT-2全極化SAR數(shù)據(jù)地表覆蓋分類

程 千，王崇倡，張繼超

（1.遼寧工程技術(shù)大學(xué) 測繪與地理科學(xué)學(xué)院，遼寧 阜新123000；2.國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京100097）

合成孔徑雷達（Synthetic Aperture Radar，SAR）是一種主動式微波遙感成像系統(tǒng)，自20世紀(jì)50年代問世以來，已經(jīng)逐步發(fā)展成為非常重要的遙感工具。極化SAR（PolSAR）通過測量地面每個分辨單元4種基本極化散射回波的幅度和相位，獲取目標(biāo)的極化散射矩陣，用以刻畫地物的后向散射特征［1］。因此，極化SAR具有信息量大的優(yōu)點，并且已經(jīng)成為當(dāng)前SAR研究和發(fā)展的熱點，而全極化雷達是合成孔徑雷達發(fā)展的一個重要方向，在地表覆蓋分類中發(fā)揮著越來越重要的作用［2］。在全極化數(shù)據(jù)日益海量化的背景下，進行全極化SAR影像分類研究具有迫切的現(xiàn)實意義和廣闊的應(yīng)用價值。目前，神經(jīng)網(wǎng)絡(luò)［3］、遺傳算法、模糊分類、支持向量機［4］、改進的最大似然分類、多視圖像分割等方法在SAR影像地表覆蓋解譯方面取得了大幅度的進步。在此基礎(chǔ)上本文緊緊圍繞如何提高極化SAR影像分類的精度和可靠性展開研究。由于散射機理與地物之間并不是一一對應(yīng)關(guān)系，因此基于散射機理的全極化SAR非監(jiān)督分類方法的分類結(jié)果會存在地物類別模糊的問題［5］。而特征選取的好壞直接導(dǎo)致了分類精度的差異變化，怎樣在大量的數(shù)據(jù)中快速挖掘出重要的特征非常重要，決策樹算法剛好解決了這個問題［6-7］。

本文采用北京地區(qū)的RADARSAT-2全極化雷達數(shù)據(jù)，利用PolSARPro軟件提取包含地物散射機理信息的各種極化參數(shù)，按 H-α、A-α、H-A 對全極化SAR圖像進行基于散射機理的分類，繼而將分類結(jié)果作為 Wishart H／A／α、Wishart H／α的初始類別劃分，然后采用決策樹分類算法對基于Wishart分布的監(jiān)督分類及以上兩種分類算法進行融合處理，從而實現(xiàn)地物的準(zhǔn)確分類。

1 極化目標(biāo)分解原理

極化SAR系統(tǒng)測量得到的目標(biāo)散射矩陣或者Stokes矩陣通常反映的是這些散射體集合的平均散射特性，直接利用它們分析地物目標(biāo)的散射特性是困難的。極化SAR目標(biāo)分解［8］就是將地物回波的復(fù)雜散射過程分解為幾種單一的散射過程，每種散射過程都有一個對應(yīng)的散射矩陣。這有利于分析目標(biāo)的散射特性，有助于解譯地物的散射機理。

基于目標(biāo)散射矩陣分解的Pauli分解是最簡單的相干分解方法，Pauli基［9］是完全正交基，具有一定的抗噪性，即使是在去極化效應(yīng)或有噪聲的情況下，仍然可以分解。

Pauli基矩陣為

滿足互易條件即Shv＝Svh時，散射矩陣S可以寫成如下形式：

Pauli分解簡單易用，通常把歸一化功率值分別對應(yīng)藍、紅、綠3種色彩形成彩色合成圖，用以檢驗極化數(shù)據(jù)的可靠性，從而對影像進行初步解譯。本文通過PolSARPro軟件對北京地區(qū)2009年9月23日獲取的RADARSAT-2全極化數(shù)據(jù)進行Pauli分解，結(jié)果如圖1所示。

圖1 基本極化圖與Pauli彩色合成圖

2 實驗分類方法與結(jié)果分析

2.1 研究區(qū)概況及數(shù)據(jù)

選用北京地區(qū)2009年9月23日獲取的RADARSAT-2全極化數(shù)據(jù)，其距離向分辨率為4.73m，方位向分辨率為4.76m，入射角為33.4°。該數(shù)據(jù)是SLC格式的單視復(fù)影像，具有4個極化通道，即HH、HV、VH 和VV。裁剪大小為1 200像素×1 500像素的一塊子區(qū)域作為實驗區(qū)，裁剪區(qū)為北京頤和園附近，基本包括5種典型地物：水體、飛機場、植被、道路、居民地。同時獲取了同年6月28日的Quickbird影像作為輔助解譯影像。

2.2 實驗分類方法

結(jié)合實驗數(shù)據(jù)，輔以PolSARPro及ERDAS Imagine軟件對RADARSAT-2全極化數(shù)據(jù)進行地表覆蓋分類實驗。

2.2.1 濾波降噪

為了降低相干斑的影響，需對數(shù)據(jù)進行濾波處理。PolSARPro中的濾波器主要有：Box Car、Box-Car-Edge、C.Lopez、Gauissan、J.S.Lee Refind和J.S.Sigma濾波器。分別對這幾種濾波器進行操作，試驗結(jié)果表明BOX Car濾波器具有良好的邊緣保持和斑點抑制效果。

2.2.2 目標(biāo)分解

利用PolSARPro軟件直接對濾波后影像的相關(guān)矩陣進行特征向量及特征值的極化分解，得到lambda、anisotropy、pedestal等圖像。相關(guān)矩陣分解是3個相互正交的相關(guān)矩陣的加權(quán)和，并滿足方位向?qū)ΨQ性［10］。其中，3個相關(guān)矩陣分別代表3個相互獨立、互補相關(guān)的散射過程：單向散射、雙向散射和交叉散射。為了便于分析，引進了3個參數(shù)：熵（H）、各向異性（A）和平均α角［9］，它們是特征值和特征矢量的函數(shù)。

1）熵H。熵H描述了以上3種散射過程的混亂程度和無序性，定義如下：

2）各向異性A。各向異性A描述除了占主導(dǎo)地位的一種散射機制以外的其他兩種散射機制的關(guān)系，定義如下：

圖2 H-α散點圖、H-α分割平面及分類結(jié)果圖

通常假定地物保持方位向?qū)ΨQ，A可以用來描述實際地物與這種假定之間的距離。重要的是，假定是由很多單軸小晶體組成的晶體云，它表現(xiàn)為表面散射，表面的法線一般為對稱軸，A可以用來衡量晶體走向的分布情況和表面的粗糙度。

3）平均α角。角α是由目標(biāo)分解衍生出來的一個重要的角度參數(shù)，可以用來描述地物的散射特性。平均散射角α為相關(guān)矩陣每個特征矢量最大分量相位角的概率加權(quán)和［10］。

α值在［0，90°］之間，它反映了3個特征值對應(yīng)散射機理中的最大項。當(dāng)α＝0時，表示的主要散射機理是各向同性的表面散射；α角增大時，散射機理將成為各向異性的表面散射；當(dāng)α＝45°時，表示為偶極子散射模型，其中一個散射分量為0；隨著α角度的增加，反映的散射機理為各向異性的二面角散射；當(dāng)α＝90°時，表示二面角散射。

2.2.3 分 類

對分解得到的多種參數(shù)進行多次試驗和相關(guān)性分析，利用PolSARPro軟件按 H-α、H-A、A-α對全極化SAR影像進行基于散射機理的分類，根據(jù)H-α、H-A、A-α平面分別把地物散射類型分為8類、5類和6類，結(jié)果如圖2～圖4所示。

圖3 H-A散點圖、H-A分割平面及分類結(jié)果

圖4 A-α散點圖、A-α分割平面及分類

將以上分類結(jié)果作為Wishart H／A／α、Wishart H／α的初始類別劃分，從而得到基于Wishart H／α、Wishart H／A／α的非監(jiān)督分類結(jié)果，同時對影像進行基于Wishart分布的監(jiān)督分類，如圖5所示。最后，采用決策樹分類算法對以上3種分類結(jié)果進行融合處理，生成分類規(guī)則，形成決策樹（見圖6），從而實現(xiàn)地物的精確分類。其最終分類結(jié)果如圖7所示。

圖5 分類結(jié)果

圖6 決策樹分類器規(guī)則設(shè)置

圖7 最終分類成果

根據(jù)分類結(jié)果圖可知，Wishart H／α分類的效果一般，其中水域、飛機場、道路及部分植被相互混淆，分類精度最低；Wishart H／A／α分類中水域和飛機場相混淆，道路和部分植被相混淆，影響分類精度；而在Wishart監(jiān)督分類中分類相對較清晰，但飛機場和部分植被仍然存在很多混淆；而經(jīng)過決策樹算法融合處理的分類方法，得到了分類更加清晰的圖像。

2.3 精度評價與結(jié)果分析

分類精度評定采用混淆矩陣法，利用ERDAS軟件，分別將分類效果相對較好的Wishart監(jiān)督分類和決策樹算法的分類結(jié)果與北京地區(qū)同期的Quick Bird影像數(shù)據(jù)進行配準(zhǔn)，采用目視判別方法逐像元輸入實際地物類別，計算混淆矩陣，從而進行精度評價。評價結(jié)果見表1。

表1 Wishart監(jiān)督分類和決策樹分類總體精度評價

由表1的精度比較可以看出：Wishart監(jiān)督分類中，飛機場和道路的分類精度很差，總體分類精度為49%；而決策樹分類解決了上述幾種類別的分類問題，Kappa系數(shù)均達到了0.4以上，雖然植被和居民地分類精度略低于Wishart監(jiān)督分類方法，但總體精度達到了64.83%，較監(jiān)督分類提高了約16%。

3 結(jié)束語

本文基于RADARSAT-2全極化數(shù)據(jù)進行了地表覆蓋分類的研究與探索，根據(jù)PolSARPro軟件提取能夠代表地物散射特性的多特征參數(shù)，在決策樹分類當(dāng)中起到重要的作用。采用決策樹分類算法對基于Wishart分布的監(jiān)督分類及兩種非監(jiān)督分類算法進行融合處理，能夠準(zhǔn)確、有效地識別地物的散射特性，使得分類精度有較大幅度提高。

Wishart H／A／α非監(jiān)督分類雖然能夠識別地物的散射機理但不能有效識別地物的類別；傳統(tǒng)統(tǒng)計模式的分類又有運算量大、無法獲取各個類別的先驗概率和概率密度函數(shù)、難以形成復(fù)雜的判別函數(shù)和分割界面等缺點；而決策樹模型的分類器規(guī)則是由訓(xùn)練樣本的特征來決定的，在選擇訓(xùn)練樣本時數(shù)據(jù)源的質(zhì)量好壞及人為因素的添加，都對分類精度有一定的影響。因此，發(fā)展靈活、高效的分類算法是值得進一步研究的問題。

［1］朱良，郭巍，禹衛(wèi)東.合成孔徑雷達衛(wèi)星發(fā)展歷程及趨勢分析［J］.現(xiàn)代雷達，2009，31（4）：5-10.

［2］吳鳴亞.合成孔徑雷達系統(tǒng)的新概念及關(guān)鍵技術(shù)［J］.現(xiàn)代雷達，2012，34（11）：1-5.

［3］王崇倡，武文波，張建平.基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類方法［J］.遼寧工程技術(shù)大學(xué)學(xué)報：自然科學(xué)版，2009，28（1）：32-35.

［4］林超，楊敏華.基于球結(jié)構(gòu)支持向量機的QuickBird影像分類分析［J］.測繪工程，2011，20（3）：46-49.

［5］任玉冰，趙磊.迭代非監(jiān)督分類快速提取林地信息的研究［J］.干旱環(huán)境監(jiān)測，2013，27（3）：126-130.

［6］LALIBERTE A S，KOPPA J，F(xiàn)REDRICKSON E，et al.Comparison of nearestneighbor and rule-based decision tree classification in an object-orientedenvironment［C］／／Proceedings of 2006IEEE International Geoscience andRemote Sensing Symposium.Denver，Colorado：IEEE press，2006：3923-3926.

［7］劉冰.基于決策樹方法的ETM＋影像濕地信息提取［J］.測繪工程，2013，22（1）：46-49.

［8］張繼超，藺臘月，張永紅，等.基于目標(biāo)分解的面向?qū)ο鬀Q策樹PolSAR影像分類［J］.遼寧工程技術(shù)大學(xué)學(xué)報：自然科學(xué)版，2013，32（5）：642-647.

［9］余海坤.極化SAR目標(biāo)特征提取及其應(yīng)用研究［D］.徐州：中國礦業(yè)大學(xué)，2006.

［10］吳永輝，計科峰，郁文賢.基于Hˉα和改進C-均值的全極化SAR圖像非監(jiān)督分類［J］.電子與信息學(xué)報，2007，29（1）：30-34.