紋理輔助的SAR圖像SVM分類

白云海，武文波

(遼寧工程技術大學 測繪與地理科學學院，遼寧 阜新 123000)

紋理輔助的SAR圖像SVM分類

白云海*，武文波

(遼寧工程技術大學 測繪與地理科學學院，遼寧 阜新 123000)

針對SAR圖像的問題設計了一種基于灰度共生矩陣的紋理特征提取輔助SAR數據進行SVM分類的方法。首先，采用Enhanced Frost濾波法進行噪聲抑制處理，通過基于灰度共生矩陣的典型紋理特征的分析和比較，獨立主成分分析法去除各紋理特征之間的相關性，選擇信息量最大的一個主成分與經過HSV彩色合成后轉換為新的RGB圖像；然后對變換后的RGB圖像和新RGB圖像分別執行SVM分類與最大似然分類，并進行精度比較。利用SAR數據進行了實驗，證明了本方法的有效性。

SAR圖像；紋理特征；SVM；灰度共生矩陣；最大似然分類

1 引 言

SAR圖像分類是遙感圖像處理中重要的組成部分，也是SAR圖像解譯的重要內容，在植被生長狀況評估、土地規劃等各方面的應用很廣。極化SAR包含了豐富的目標信息，為信息的提取提供了很多便利，因此極化SAR在分類的過程中有著明顯的優勢。紋理分析是圖像分析的一個重要手段，它具有對圖像區域表面感知、描述的獨特的作用，對圖像的理解有著重要意義[1]。因此紋理分析對SAR圖像分類的積極意義不言而喻，基于紋理的分析和應用研究已經進行了50余年[2]。各國研究者對紋理特征提取方法進行了廣泛的研究，如著名的灰度共生矩陣(GLCM)、灰度行程長度法(gray level run length)、自相關函數法，同時隨著應用領域的不斷擴大得到新理論，如分形理論、馬爾可夫隨機場理論(MRF)[4]、小波理論[3]等。灰度共生矩陣有助于紋理分析，轉化自灰度值的紋理信息的應用很廣泛。灰度差分統計法、自回歸模型法等在紋理分析中得到了一定的效果，但在后續的研究和實際應用中對這些方法的研究很少。為了提高對SAR圖像中的有用信息的提取程度，本文提出了一種基于灰度共生矩陣的紋理特征提取并以紋理輔助SAR圖像采用SVM分類方法進行分類。并用SAR數據進行了實驗，與最大似然分類方法的結果進行了定性對比，證明了本文方法的有效性。

2 本文SAR數據分類原理

主要步驟：首先對讀取的SAR圖像采用增強的Frost濾波進行預處理以消除對其影響較大的斑塊噪聲[5]，并進行基于灰度共生矩陣的紋理特征提取，對提取的紋理特征相關分析之后采用獨立主成分分析的方法對其去相關。然后將一個主成分與灰度圖轉換后的彩色圖像的兩個通道進行組合，合成新的RGB圖像。最后對實驗數據采取SVM分類，并與最大似然分類后的結果比較，得出最終的實驗結果，流程圖如圖1所示。

圖1 本文方法流程

2.1 基于灰度共生矩陣的紋理特征提取

灰度共生矩陣是定義一組紋理特征的基礎[6]。它反映圖像灰度關于方向、相鄰間隔 、變化幅度等綜合信息，是分析圖像局部特征和排列規律的基礎，通過對圖像灰度級之間二階聯合條件概率密度pij(d，θ)的計算表示紋理表示在給定空間距離d和方向θ時，以灰度級i為始點，出現灰度級j的概率(Gij)G為所考查圖像區域內灰度級的最大值。它通常以矩陣形式表示，稱為灰度共生矩陣。灰度共生矩陣是一G×G的方陣。

(1)

(2)

計算灰度共生矩陣時，方向θ的取值共有4種情況，即0°，45°，90°，135°，分 別 代 表東—西、東北—西南、南—北、東南—西北4個方向的共生矩陣，為了獲得圖像在各個方向的紋理特征，本文取這4個方向灰度共生矩陣的平均值作為局部圖像中心像元位置的灰度共生矩陣。

本實驗采用的基于灰度共生矩陣的紋理特征提取統計量為：熵(ENT)、角二階矩(ASM)、逆差矩(IDM)、相關度(COR)、中值(μ)、協方差(VAR)、反差(INV)、差異性(DIS)。

2.2 紋理特征的獨立主成分分析

獨立主成份分析(Independent Components Analysis)主要是通過對協方差矩陣進行特征分解，以得出數據的主成分(即特征向量)與它們的權值(即特征值)[7]，通過去相關，可以用來發現和分離圖像中隱藏的噪聲、降維、異常檢測、降噪、分類和波譜端元提取以及數據融合，它把一組混合信號轉化成相互獨立的成分。這樣一方面能最大限度反映原變量所代表的信息，另一方面又保證了新變量之間的獨立性，不至于造成信息的冗余。其基本思想是設法將原來眾多的具有一定相關性的指標Xi(i=1，2，…，p)，將這些指標組合成一組互不相關的綜合指標Fi(i=1，2，…，m)。

假設F1為第一個主成分指標，即

F1=a11X1+a21X2+…+ap1Xp

(3)

對于每一個主成分來說其方差越大，表示F1包含的信息越多。通常F1所含的信息量最大，故稱F1獨立為第一主成分。依此類推構造出的F1、F2、…、Fm為m個主成分。本文只選用第一個主成分。

2.3 合成新的RGB圖像

對原圖像進過濾波處理后消除了斑塊噪聲對后續處理工作帶來的影響，由于在分類前要選取樣本，所以選取樣本的圖像應能通過目視清晰地區別各類地物，以保證能夠獲得良好的樣本，這樣有助于提高分類的精度。由于經獨立主成分分析后所得的第一主成分中含有豐富的信息，因此在選取樣本之前，引用HSV[9]圖像彩色合成方法將原圖像轉換到HSV空間，再將圖像轉換為RGB圖像，提取出圖像的R和B通道并且與經過獨立主成分分析之后得到的一個特征值最大的主成分重新合成RGB圖像，合成的結果中地物能很好地分辨，紋理清晰度也有所改善。

2.4 SVM算法

(4)

(5)

(6)

3 基于紋理的單極化SAR數據分類實驗

3.1 SAR數據介紹

本設計實驗數據為雷達影像數據(SAR)如圖2所示，通過SAR圖像的紋理可以做初步的分析判別。黑斑為水體，長方形斑為建筑，線狀斑為道路其他地方為植被。此影像為單極化(HH)影像，成像時間為2013-03-18，距離分辨率為 1.33 m，方向分辨率為 2.08 m，面積 400 m2，地勢描述：平原及山地。

圖2 SAR圖像

3.2 實驗過程及結果

(1)SAR數據預處理

SAR數據由于相干波造成斑點噪聲，所以在做分類實驗之前需要進行預處理。本文對圖像采用增強的Frost濾波法進行斑點噪聲抑制處理。

(2)SAR數據的紋理特征提取

采用基于灰度共生矩陣提取的紋理特征來輔助SAR圖像分類，紋理之間有一定的相關性，分類的復雜程度也隨著紋理特征的數目的增大而增加。因此，紋理特征選取非常重要。逐個計算8種紋理特征，采用分析典型地物紋理特征統計量的方法來選擇參與分類的具體紋理特征。

(3)SAR數據的相關分析

SAR數據提取之后的紋理特征存在一定的相關性，通過相關分析來分析它們之間的相關性，相關系數的絕對值越趨近于1相關性越密切。相關系數表如下：

8種紋理的相關性表 表1

由以上相關性信息表，可以得出相關系數最大的兩組為差異性和反差，協方差和反差(相關系數的絕對值越接近1相關性越大)，未經紋理分析的RGB圖像如圖3所示。經獨立主成分分析后，得到一個特征值最大的主成分。對圖像重新合成，得到一幅新的RGB圖像如圖4所示。

圖3 HSV轉換后的RGB圖像(未紋理分析)

圖4 新RGB圖像(經紋理分析)

(4)SAR數據分類及精度評價

采用支持向量機(SVM)分類法對新RGB圖像進行分類。結果與最大似然分類結果對比，同時也將經HSV彩色合成轉換后沒有進行重新組合的RGB圖像也用來進行SVM和最大似然分類，分類結果如圖5所示。紅色：建筑，綠色：植被，黃色：道路，藍色：水域。

圖5 SAR數據分類圖像 紋理分析的SAR圖像SVM分類混淆矩陣及精度 表2

未紋理分析的SAR圖像SVM分類混淆矩陣及精度 表3

未紋理分析的SAR圖像最大似然分類混淆矩陣及精度 表4

經紋理分析的SAR圖像最大似然分類混淆矩陣及精度 表5

從分類結果中可以看出，SVM分類總體的精度的高于最大似然分類的分類精度，經紋理分析后的分類精度明顯高于為紋理分析的分類精度。圖5(a)與(c)中看出，(c)圖中的水域有明顯的漏分現象，而且道路也有很大程度的錯分，(a)圖中這樣的情況明顯得到了改善。同樣比較(b)與(a)看出對經紋理分析，主成分提取，波段重后的圖像的分類結果中道路的錯分現象明顯減少。但總的來看，在分類邊緣的錯分，漏分現象還是比較嚴重，由于濾波在消除斑點噪聲保持邊緣的同時不可避免的導致了邊緣的平滑，使得分類結果在邊緣處有大的誤差，同時分類樣本的選擇也影響著分類結果的精度，尤其對線狀目標來說，這種影響非常大。在從整體對比之后，對于局部區域的對比結果可以從以上4幅圖標示的紅色方框中看出，重新顏色合成后的圖像再進行SVM處理，對處理結果有很好的促進作用，如圖5(a)所示，未經紋理分析的SVM次之。最大似然分類結果錯分程度最大。

4 結 論

針對單極化SAR圖像分類問題進行對SAR圖像紋理特征提取并將獨立主成分分析得到的第一主成分與彩色合成后的濾波圖像的R、B通道進行了組合，對組合后的圖像與彩色合成的濾波圖像分別采用SVM分類和最大似然分類，并分別進行了整體的局部的對比。結果表明，對組合后的圖像的分類精度高，效果比較好。但在邊緣及現狀地物的分類誤差還是比較大，針對以上的不足，應對SAR圖像去噪同時邊緣保持做更進一步的研究，以得到更好的邊緣信息，并結合在預處理中對不同波段的組合從目視角度得到更清晰的圖像以便于后續工作，及分類時對線狀目標的樣本選擇來得到更高精度的分類效果。

[1] 張宗海. 高分遙感影像紋理特征分析方法淺析[J]. 中國科技縱橫，2015(21)：15～15.

[2] 劉曉民. 紋理研究綜述[J]. 計算機應用研究，2008，25(8)：2284～2288.

[3] 廖寧，徐麗莎，錢曉山. 基于多尺度小波的紋理分析[J]. 系統仿真學報，2015，27(9)：1951～1959.

[4] 趙銀娣，張良培，李平湘. 廣義馬爾可夫隨機場及其在多光譜紋理影像分類中的應用[J]. 遙感學報，2006，10(1)：123～129.

[5] 孫丹，馬久云. 一種新穎的去除SAR圖像斑點噪聲的各向異性擴散模型[J]. 阿壩師范高等專科學校學報，2014(2)：126～128.

[6] 孫健，胥亞，陳方璽等. 基于合成孔徑雷達回波信號的海洋溢油監測方法研究[J]. 海洋學報，2014，36(09)：103～111.

[7] 王云艷，何楚，涂峰等. 特征選擇雙層SVM的融合算法用于極化SAR圖像分類[J]. 武漢大學學報·信息科學版，2015，40(9)：1157～1162.

[8] 隋艷立. 基于深度支持向量機的極化SAR圖像分類[D]. 西安：西安電子科技大學，2014.

[9] Daily M. Hue-saturation-intensity split-spectrum processing of Seasat radar imagery[J]. Photogrammetric Engineering and Remote Sensing，1983，49(3)：349～355.

SVM Classification of SAR Images with the Assistance by Textures

Bai Yunhai，Wu Wenbo

(School of Geomatics Liaoning Technical University，Fuxin 123000，China)

A designed method，called Support Vector Machine，is assisted by texture features extraction based on gray level co-occurrence matrix to classify the SAR image. The noise suppression is conducted by Enhanced Frost filtering method. Eliminate the correlation among them each other，through the analysis and comparison of the typical texture feature based on gray level co-occurrence matrix，leveraging the Independent Components Analysis. Select the principal components with the maximum information and 2 bands of SAR image transformed into coloured image by HSV transformation to compound into a new RGB image；then implement the SVM classification and the maximum likelihood classification separately in terms of the transformed color image and the new RGB image. With SAR images classified，the proposed method in the paper proved to be effective.

SAR image；texture feature；SVM；gray level co-occurrence matrix；maximum likelihood classification

1672-8262(2016)06-60-05

TP751.1

A

2016—05—19

白云海(1991—)，男，碩士研究生，主要研究方向：遙感圖像處理。