基于特征值和Singh分解的全極化Radarsat-2圖像分類

曲永超，趙書河,3，莊喜陽，姜騰龍，張 宇

（1.南京大學 地理與海洋科學學院，江蘇 南京 210023；2.江蘇省地理信息技術重點實驗室，江蘇 南京210023；3.江蘇省地理信息資源開發與利用協同創新中心，江蘇 南京 210023；4.濟南市環境監測中心站，山東 濟南 250014；5.78125部隊，四川 成都 610066）

基于特征值和Singh分解的全極化Radarsat-2圖像分類

曲永超1,2，趙書河1,2,3，莊喜陽1,2，姜騰龍4，張 宇5

（1.南京大學 地理與海洋科學學院，江蘇 南京 210023；2.江蘇省地理信息技術重點實驗室，江蘇 南京210023；3.江蘇省地理信息資源開發與利用協同創新中心，江蘇 南京 210023；4.濟南市環境監測中心站，山東 濟南 250014；5.78125部隊，四川 成都 610066）

基于模型的分解發展較快，但存在負功率、體散射過估計、未充分利用相干矩陣等問題，考慮到基于模型分解的優點，采用Singh分解提取極化信息，同時用散射角、極化熵和極化總功率進行補充，再利用SVM對山東禹城地區全極化Radarsat-2數據進行分類。為驗證該方法的有效性，將其與H/α/A-Wishart和Yamaguchi-SVM兩種分類方法進行比較。結果表明，該方法分類效果較好，總體精度分別提高了6.4%和3.48%。

全極化SAR圖像分類；Singh分解；Cloude分解；極化總功率；SVM

非相干極化分解是全極化SAR圖像分類的重要方法之一，近年來得到廣泛應用[1-6]。非相干極化分解主要有基于特征值分解和基于模型分解兩大類[7-13]。基于模型的分解得到幾種確定的散射機制，但是這是一種理想化的處理，實際情況常常包含未知的散射機制。近年來，基于模型的分解有較多進展。2010年An[14]等提出一種采用去方位處理的分解，降低了負功率出現的概率，但是僅利用了相干矩陣中的6個元素；2012年Arii[15]等用極化方位補償改進了自適應的體散射模型，能夠應對植被和地形的影響，但是分解的結果不符合部分觀測值；

2014年Chen[16]等利用了相干矩陣中的全部元素，但是為了實現自適應，計算復雜度非常高。本文采用Singh分解[17]，該方法不依賴反射對稱假設，并且計算了相干矩陣中的全部參數，充分利用了極化信息[18]。

1 研究區與數據

研究區位于山東省西北部，覆蓋禹城市大部，齊河縣部分面積，平均海拔28 m。該市地形自西南向東北緩緩傾斜，屬典型的沖積平原地質區。禹城地區屬于暖溫帶半濕潤季風氣候區，光熱資源豐富，雨熱同期，利于農業生產，多年平均溫度13.1℃，年降水量582 mm。其自然條件和農業生產模式在黃淮海平原具有一定代表性，主要土地覆蓋類型為耕地、林地、水體和居民地等。轄區內種植的主要作物為冬小麥和玉米（兩季輪作），冬小麥種植比例高達 90%。正常情況下，冬小麥播種期是 10 月上旬，收獲期為次年 6 月中上旬。研究數據獲取時間在6月中旬，正值冬小麥收割完畢。因此，耕地上主要是冬小麥的殘茬。作物茬作為農田生態系統的重要組成部分，影響著農田生態系統中的營養物質、碳、水和能量的流動與循環[19-20]。

本文實驗采用全極化Radarsat-2數據。Radarsat-2是一顆搭載C波段傳感器的高分辨率商用雷達衛星，由加拿大太空署與MDA公司合作，于2007-12-14在哈薩克斯坦拜科努爾基地發射升空。極化方式為HH、VV、HV、VH四種，波段為C波段，分辨率為8 m，獲取時間為2014-06-17。圖1為研究區Pauli RGB合成圖。

采用30 m分辨率DEM進行地理編碼處理，DEM數據是由ASTER GDEM第一版本的數據進行加工得來，數據時間為2009年，數據類型為IMG，投影為UTM/WGS84。

圖1 Pauli RGB合成圖

2 研究方法

首先對Radarsat-2數據進行預處理，包括多視處理、圖像濾波和地理編碼3個步驟；然后對數據進行Singh分解，得到表面散射、二面角散射、體散射、螺旋體散射4種散射機制；隨后進行Cloude分解以及矩陣元素計算，得到散射角、極化熵和極化總功率；最后利用SVM進行分類，得到分類結果。研究方法流程如圖2所示。

圖2 研究方法流程

2.1 數據預處理

首先對Radarsat-2數據進行多視處理，比例為5：2，使得該數據更適于分析分布式目標。然后對圖像進行濾波，本文采用Lee Refined濾波器，嘗試3×3、5×5、7×7的窗口，通過對比其結果發現3×3窗口能夠除去部分噪聲，并能夠保持較為清晰的地物邊界。最后，對圖像進行地理編碼，采用30 m分辨率DEM賦予圖像投影和坐標系統，處理后的圖像分辨率為15 m。

2.2 Singh分解

相干矩陣T可以表示為：

式中，?表示共軛轉置； 〈.〉表示統計平均；kp為Pauli矢量，其表達式為：

酉變換之后極化信息得以完整保存，為了減少參數并保存完整極化信息，需要對T進行兩次酉變換：

此時，T23被消除。

第1次酉變換：

酉旋轉矩陣：

第2次酉變換：

酉旋轉矩陣：

然后對式（6）進行四分量分解得到表面散射P、s偶次散射Pd、體散射Pv和螺旋體散射Pc。

式中，fs、fd、fv、fc為相關系數。

由此得到，

若體散射由定向二面角散射引起，則體散射模型為：

由此得到，

最終得到，

2.3 Cloude分解和極化總功率

首先，通過Cloude分解得到散射角α、極化熵H。α用于確定目標的散射機制；H用于表征目標散射機制的復雜度，H越大，則目標散射機制越復雜，反之亦然。然后通過矩陣元素計算得到極化總功率SPAN。

2.4 分類

選取α、H、Singh分解的4個分量以及SPAN作為分類特征；選取SVM作為分類器，核類型（kernel type）為徑向基函數，Gamma值為0.143，懲罰系數為100；訓練樣本是依據Pauli RGB合成圖和Google Earth圖像選取的。

3 對比實驗

分類結果如圖3a、b所示。根據研究區土地覆蓋的主要類型，分成耕地、林地、居民地、水體4類。研究區中，耕地和居民地占很大比例且分布很廣，林地和水體所占比例較小。因為圖像獲取的時間正值冬小麥收割完畢，農田里主要是作物茬，其有一定高度，但只有莖稈沒有枝葉，與低矮灌叢接近，又與裸地類似，所以耕地既有表面散射，也有體散射；林地的主要散射機制是體散射；居民地既有表面散射也有二面角散射，表面散射主要發生在建筑物頂部，二面角散射主要發生在建筑物立面與地面鄰接之處；水體的主要散射機制是表面散射。

選擇了H/α/A-Wishart、Yamaguchi-SVM兩種常規方法進行對比，圖3a和b、c相比，林地較少，比較符合研究區的實際情況；圖3d和e、f相比，右側邊緣沒有水體，而這兩種方法都把其他地類錯分成水體，其中H/α/A-Wishart錯分現象更為嚴重。從混淆矩陣來看（如表1所示），本文方法耕地錯分成林地、居民地錯分成林地的比例分別是6.23%和9.14%；而H/ α/A-Wishart耕地錯分成林地、居民地錯分成林地的比例分別是12.52%和15.04%；Yamaguchi-SVM耕地錯分成林地、居民地錯分成林地的比例分別是7.01%和14.30%。本文方法林地錯分成水體的比例是0.43%；H/α/A-Wishart耕地錯分成水體和居民地錯分成水體的比例分別是3.61%和1.55%；Yamaguchi-SVM耕地錯分成水體的比例是2.21%。其他地類的錯分情況，3 種方法沒有顯著區別。

圖3 分類結果對比

H/α/A-Wishart是一種非監督分類方法，它將圖像聚成16類，再對圖像進行復Wishart迭代分類[21-22]。其分類結果很大程度上取決于初始聚類的準確性。與本文方法相比，該方法將耕地錯分成林地、居民地錯分成林地、耕地錯分成水體、居民地錯分成水體的比例分別高出6.29%、5.90%、3.61%和1.55%。其原因是，散射角和極化熵不直接與散射機制對應，造成對體散射和二面角散射的區分存在界限不清的問題。換言之，Cloude分解用散射角和極化熵表征各種散射機制，散射角表征散射機制的種類，通常認為一定范圍的散射角屬于表面散射、二面角散射或體散射。但是對于范圍的界定具有一定的經驗性和主觀性。

表1 混淆矩陣和總體精度/%

Yamaguchi-SVM分類結果中，居民地錯分成林地的比例比本文方法增加5.16%。因為Yamaguchi分解中的體散射模型假設體散射來自植被，實際上體散射也可以由定向二面角散射引起。而Singh分解有一定的自適應能力，所以這種錯分相對較少。

4 結 語

本文針對兩類非相干分解各自特點和近年來基于模型的分解研究進展，采用一種Singh-Cloude-SPAN-SVM分類方法。該方法在小樣本的情況下，利用Singh分解獲得表面散射、二面角散射、體散射和螺旋體散射，解決了目標散射機制的基本判定，同時加入Cloude分解得到的散射角和極化熵對未知散射機制進行描述，另外加入總功率對空間信息進行描述，最后利用SVM進行分類。結果表明該方法與H/α/A-Wishart、Yamaguchi-SVM分類方法相比，錯分現象減少，總體精度分別提高了6.4%和3.48%，證明了該方法對于山東禹城地區全極化Radarsat-2數據有良好的分類效果。

[1] Lee J S,Pottier E.Polarimetric Radar Imaging from Basic to Application [M].NewYork∶CRC Press,2011

[2] Da Silva A D Q,Paradella W R,Freitas C C,et al.Evaluation of Digital Classification of Polarimetric SAR Data for Ironmineralized Laterites Mapping in the Amazon Region[J].Remote Sensing,2013,5(6)∶3 101-3 122

[3] Ullmann T,Lumsdon P,Poncet F V,et al.Application of Quadpolarimetric TerraSAR-X Data for Landcover Characterization in Tropical Regions∶a Case Study in South Kalimantan,Indonesia[C].Geoscience and Remote Sensing Symposium,2012

[4] 孫盛,田金文,溫雯,等.基于四分量模型的極化SAR圖像非監督分類[J].計算機工程與設計,2013,34(7)∶2 436-2 440

[5] Shastri B P,Mehta R L,Mohan S,et al.Assessment of SAR Polarimetric Decompositions for Land Cover Studies[J].Journal of Geomatics,2015,9(1)∶48

[6] XUE X,DI L,GUO L,et al.An Efficient Classification Method of Fully Polarimetric SAR Image Based on Polarimetric Features and Spatial Features[C].4th International Conference on Agro-Geoinformatics,Turkey,2015

[7] Lee J S,Ainsworth T L,WANG Y.Generalized Polarimetric Modelbased Decompositions Using Incoherent Scattering Models[J]. Geoscience and Remote Sensing,2014,52(5)∶2 474-2 491

[8] VanZyl J J,Kim Y.Synthetic Aperture Radar Polarimetry[M]. John Wiley & Sons,2011

[9] Cloude S R.An Entropy Based Classification Scheme for Polarimetric SAR Data[C].Geoscience and Remote Sensing Symposium,Quantitative Remote Sensing for Science and Applications' ,1995

[10] Cloude S R,Pottier E.An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR[J].Geoscience and Remote Sensing ,1997,35(1)∶68-78

[11] Freeman A,Durden S L.A Three-component Scattering Model for Polarimetric SAR Data[J].Geoscience and Remote Sensing,1998,36(3)∶963-973

[12] Yamaguchi Y,Moriyama T,Ishido M,et al.Four-component Scattering Model for Polarimetric SAR Image Decomposition[J]. Geoscience and Remote Sensing,2005,43(8)∶1 699-1 706

[13] Yamaguchi Y,Yajima Y,Yamada H.A Four-component Decomposition of PolSAR Images Based on the Coherency Matrix[J].Geoscience and Remote Sensing, 2006,3(3)∶292-296

[14] AN W,CUI Y,YANG J.Three-component Model-based Decomposition for Polarimetric SAR Data[J].Geoscience and Remote Sensing,2010,48(6)∶2 732-2 739

[15] Arii M,VanZyl J J,Kim Y.Improvement of Adaptivemodel Based Decomposition with Polarization Orientation Compensation[C].Geoscience and Remote Sensing Symposium,2012

[16] CHEN S W,WANG X S,XIAO S P,et al.General Polarimetric Model-based Decomposition for Coherency Matrix[J]. Geoscience and Remote Sensing,2014,52(3)∶1 843-1 855

[17] Singh G,Yamaguchi Y,Park S E.General Four-component Scattering Power Decomposition with Unitary Transformation of Coherency Matrix[J].Geoscience and Remote Sensing,2013, 51(5)∶3 014-3 022

[18] FANG C,WEN H,WU Y R.An Improved Cloude-Pottier Decomposition Using H/α/Span and Complex Wishart Classifier for Polarimetric SAR Classification[C].International Conference on Radar,2006

[19] Singh L,Singh J.Assessment of Crop Residue Potential for Power Generation Using Geographical Information System[J].Journal of Scientific & Industrial Research,2015,74∶34-37

[20] Medina J,Monreal C,Barea J M,et al.Crop Residue Stabilization and Application to Agricultural and Degraded Soils∶a Review[J]. Waste Management,2015(42)∶41-54

[21] Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised Classification Using Polarimetric Decomposition and the Complex Wishart Classifier[J].Geoscience and Remote Sensing,1999,37(5)∶2 249-2 258

[22] Pottier E.Unsupervised Classification Scheme and Topography Derivation of PolSAR Data Based on the H/α/A Polarimetric Decomposition Theorem[C]. 4th International Workshop Radar Polarimetry Proceedings,Nantes,1998

P237

B

1672-4623（2016）05-0060-04

10.3969/j.issn.1672-4623.2016.05.019

曲永超，碩士，主要從事全極化SAR圖像處理和遙感圖像分類方面的研究。

2016-01-06。

項目來源：國家重點基礎研究發展計劃資助項目（2010CB951503）；中國科學院戰略性先導科技專項資助項目（XDA05050106）。