基于極化散射特性的神經網絡海岸帶信息提取

梁 超,曾 韜,鄒亞榮

(1.國家衛星海洋應用中心,北京100081;2.國家海洋局空間海洋遙感與應用研究重點實驗室,北京100081)

研究報道

基于極化散射特性的神經網絡海岸帶信息提取

梁 超1,2,曾 韜1,2,鄒亞榮1,2

(1.國家衛星海洋應用中心,北京100081;2.國家海洋局空間海洋遙感與應用研究重點實驗室,北京100081)

應用遙感手段開展海島海岸帶監測為海岸帶資源開發利用提供科學的信息支撐。采用Radarsat-2數據,開展Cloude極化,獲得分解參數,進行海岸帶地物特性極化參數特性研究,在此基礎上,以遼寧鲅魚圈作為研究區域,運用神經網絡方法開展海岸帶信息分類提取研究。結果表明:極化目標分解理論對海岸帶信息提取具有一定的應用潛力,采用基于H/α的分類方法能較好地區分單次散射的特征地物,但對于偶次散射和體散射的混合體,僅從極化特征參數還難以區分;綜合利用極化散射特性及神經網絡分類方法則可以有效進行分類,采用基于SPOT5數據的“我國近海海洋綜合調查與評價專項”遙感調查成果為驗證標準,精度達到88.5%。分類精度與訓練樣本有關,此外,海岸帶區域地物分布往往較為復雜,對于復雜地物的散射機制研制,是下一步研究工作的重點。

SAR;極化分解;BP人工神經網絡;海岸帶

隨著人類經濟活動的發展,海岸帶開發程度已越來越高。海岸帶資源豐富,是人類生存活動的主要區域。對海岸帶的開發利用已影響到人類的生存發展,利用遙感監測海岸帶的動態已成為趨勢。在利用遙感數據開展海岸帶的監測方面,王常穎基于GIS技術,在海岸帶區域進行了海岸帶信息提取的方法研究[1];何厚軍等通過對圖像紋理特征分析,建立一定的分類規則,最終建立了信息分類模型,取得了較好的效果[2];任廣波等對分類樣本進行了分析,尤其是小樣本對分類的特性,研究如何運用小樣本開展海岸帶信息提取,研發了一種基于SVM的信息提取方法,使分類精度得到了提高[3];付軍等把圖像紋理特征引入圖像信息分類中,結合地物的光譜特征,開展了海岸帶的信息提取研究工作[4];劉艷芬等以地物的光譜特征為基礎,從地物的空間分布規律等方面入手,建立海岸帶信息提取規則,從而開展海岸帶土地利用/覆被信息研究[5],陳建裕等從圖像的分割入手,通過分析分割的圖斑特性,研究了一種簡單地物的最優分割方法,取得了較好的效果[6];張祥等對極化SAR數據處理,獲得極化分解參數,在此基礎上,應用SVM方法對不同的極化分解方式進行分析,在分類性能上有一定的提高[7]。基于極化SAR分解的H-α-Wishart分類未能充分利用極化信息[8-10];神經網絡方法已廣泛地應用于信息提取,并發展了多種方法[11]。

合成孔徑雷達(Synthetic Aperture Radar,SAR)具有受天氣影響小等特點,因而運用于海島海岸帶的信息提取具有獨特優勢,全極化SAR相比單極化具有更多的地物信息,應用于海岸帶信息提取并不多,本文擬開展這方面研究。

1 數據與方法

1.1 數 據

Radarsat-2為加拿大發射的Radarsat-1后續衛星,具有多種波束模式和全極化成像能力,本文采用2012-01-29四極化精細模式Radarsat-2數據,分辨率為8 m,中心入射角為32.17°,以我國遼寧鲅魚圈為研究區域,區域內覆蓋海冰、海水、城市以及植被等地物。

(王 燕 編輯)

1.2 方 法

1986年,Cloude通過對地物散射機理研究,建立了基于全極化SAR數據相干矩陣,并對此矩陣進行分析,提出了覆蓋所有散射特性的分解方法[7]。Cloude極化分解,通過極化相干矩陣計算分析,可得到極化特征向量,以及計算得到的可表達極化特性的物理參數:散射角α、散射熵H及極化反熵A。利用這3個特征參量,可以構建極化特征空間,特征空間中不同位置代表了特定的散射機制分布,通過對極化特征空間的劃分,即可以實現基于地物散射特性的影像分類。

1)散射角α

散射角α表示散射角度的變化,對應著從奇次散射(表面散射)(α=0°)到偶極子散射(體散射)(α =45°)到偶次散射(二面角散射)(α=90°)的變化,與地物的散射過程與機理有密切的聯系。

圖1 數據覆蓋范圍Fig.1 Schematic map of the data coverage

2)散射熵H

不同的地物散射不一,散射熵0≤H≤1則可以表示散射的隨機性。當H=0,表示地物的散射具有同性散射特性;當H=1,表示地物散射具有完全隨機散射。

若H值很低(0≤H＜0.3),則散射介質呈弱去極化特性,優勢散射機制為最大特征值對應的特征向量;若H值很高,則說明目標去極化效應較強;若H值為1,則極化信息為0,目標散射實際上是一個隨機噪聲過程。

3)極化反熵A

在同一個分辨率的單元中,極化散射熵提供了總體散射機制的信息,然而,當(λ1＞λ2,λ3),即在低熵或中等熵情形下,對于λ2,λ3的關系,散射熵不能揭示兩者之間的關系,此時需進一步考慮極化反熵A。

在地物散射中,除了占主要的散射機制外,如需比較2個弱散射分量之間的相互關系,則需引入一個反熵A概念,此參數反映了Cloude分解中優勢散射機制以外的2個較弱的散射分量之間的相對大小關系,是極化熵的補充參量。極化反熵的應用是僅當0.7＜H≤1時,參數A可以作為地物識別的一個參數,如不滿足條件,說明參數A的隨機噪聲太高,不適合進行分類。

熵H值如變大,那么應用熵參數進行分類的類別數下降。當熵H值增大時,反熵A作為散射分類則有明顯的價值[8]。

2 結果分析

2.1 極化參數與特征分析

遼寧省鲅魚圈區域2012-01-29的Radarsat-2影像見圖2,影像左上部分為海域,主要目標物為海水及海冰;影像右部陸上區域主要目標以植被為主;影像中部為港口區,地物目標分布較為復雜。

針對研究區全極化SAR數據,通過PolSARpro軟件計算,得到平均散射角α,散射熵H,極化反熵A三個特征參量影像(圖3)。據散射特征參數的空間分布分析可知,海水、海冰的極化散射特性主要為單次散射,其散射角α值較小,海冰則具有相對較高的散射熵H;植被散射機制則較為復雜,主要包含平整植被的表面散射以及植被冠層間的體散射成分。港口建筑以偶次散射為主,同時包含偶次散射和體散射,具有較強的隨機性,表現為較高的散射熵值;此外,在均具有相對較高散射熵值的海冰、植被和港口建筑等地物目標之間,極化反熵提供了一種可能的判別信息。

應用H-α特征空間(圖4)特征,根據地物極化散射特性分類,得到基于H-α的分類結果圖(圖5)。可以看出,海水像元分布于H-α平面空間左下部,該區域代表低散射熵、低散射角的散射特征,從而驗證了海水對SAR電磁波的Bragge散射機制(圖4中的區間8);海冰尤其是平整的海面浮冰散射機制以奇次表面散射為主,具有中等極化熵和較小的散射角值,其分布于極化特征空間中下部(圖4中的區間5);港口區人工建筑較多,其散射以二面角散射及多次散射為主,散射熵和散射角均較大,其散射機制位于特征空間上部區域(圖4中的區間3,6);植被區域散射特性較為復雜,包含表面散射、隨機散射及體散射,其在特征空間中分布較為分散(圖4中的區間1, 2,5)。基于極化散射特性,可初步實現對影像的非監督分類,分類結果中不同顏色地物散射機制與H-α特征空間分布一致。

圖2 研究區Radarsat-2影像多極化彩色合成Fig.2 False color composite image of the Radarsat-2 multi-polarization data in the study area

圖3 基于Radarsat-2計算極化分解參數Fig.3 Parameters of polarization decomposition of Radarsat-2 image

圖4 H-α特征空間Fig.4 H-αfeature space

圖5 基于H-α分類結果圖Fig.5 H-αclassification results

2.2 H-α-Wishart分類

由于H/α散射分類平面是基于典型的理想散射機制得到,而實際地物極化散射特性往往較復雜,包含多重散射機制的交叉共存,直接基于H-α極化散射特性分類得到的結果往往比較粗糙,對典型散射機制分類較好,但對復雜的散射機制分類結果并不理想。基于H/α分類方法利用了地物內在的散射特性,但忽略了地物分布的統計特征,分類結果雖然代表了散射特性但缺乏細節信息,本文采用了基于復Wishart分布的最大似然分類器對H-α分類進行優化,使分類結果更符合地物實際分布規律。理論上講,雷達照射區域基本散射單元的極化散射矢量滿足復高斯分布,為了降噪及壓縮,SAR數據經過多視處理后,其協方差矩陣滿足復Wishart分布模型其概率密度函數PA(A)如下[9]:

式中,A為矩陣變量;n為多視處理的視數;參數q代表散射矢量維度,一般地q=3;C為協方差矩陣;Tr (C-1A)為矩陣C-1A的跡;K(n,q)=π12q(q-1)Γ(n),…,Γ(n-q+1),其中Γ(·)為伽瑪函數。

根據復Wishart分布模型,可以構建最大似然分類器:

式中,d3(Z,ωm)定義為Wishart距離度量,基于該距離的分類方法即為Wishart分類器;Z和Cm均為矩陣變量; Tr為求距陣的跡。基于H/α分解理論的分類獲取的區域對應著地物的散射特性,由于其分類平面邊界是預設的,分類結果并不理想,利用Wishart分類器對H-α分類進行改進,即將H/α分類結果作為Wishart分類器輸入進行迭代收斂,實現對像元的重新聚類。改進后的分類結果如圖6所示,其中,海水、平整海冰、港口建筑、植被等主要目標物均可被較準確地自動識別并分類。

圖6 基于H/α-Wishart分類結果圖Fig.6 H/α-Wishart classification results

2.3 基于神經網絡的海岸帶信息分類

在分析地物散射特性基礎上,采用神經網絡分類方法進行,人工神經網絡(Artificial Neural Networks, ANN)系統是20世紀40年代后出現的。從人腦神經元網絡出發,建立一定的規則。神經網絡由大量的神經元組成,每個神經元為一個特定的函數,神經元之間具有一定的關聯,形成不同的層,中間層數、各層的處理單元數及網絡的學習系數等參數可根據具體情況設定,靈活性很大。人工神經網絡通過設定一定的閾值對節點進行訓練,獲得滿足需要的權值與閾值,這樣在輸入與輸出值之間建立聯系,從而對實際的場景開展模擬[10]。本文在極化分解理論基礎上,基于極化散射特征向量,采用標準的BP神經網絡分類方法進行進一步優化分類。BP神經網絡方法是一種按誤差逆傳播算法訓練的多層前饋網絡,其拓撲結構包括輸入層(input)、隱藏層(hidden layer)和輸出層(output layer)。

圖7 基于人工神經網絡的分類結果圖Fig.7 ANN classification results

基于ANN的分類,能夠有效地對海岸帶信息進行提取,與H/α-Wishart分類方法分類結果區別在于:建筑物由于散射較為強烈,基于H/α-Wishart的分類中沒有被明顯的分類出來,而基于ANN的分類則可被較好分類(圖6,7圈中部分)。在圖6和圖7中,由于處于冬季,植被與一些建筑物難以區分,通過ANN方法則可以區分。

2.4 精度評價

針對基于極化信息的神經網絡分類結果(圖7)開展精度評價,陸地區域采用基于SPOT5數據的“我國近海海洋綜合調查與評價”遙感調查成果為驗證標準,海上以目視解譯為驗證標準,選擇海水、海冰、植被、建筑物等為樣本,進行分類精度評價,結果如表1所示。根據混淆矩陣計算可得基于神經網絡的分類結果總體分類精度為88.5%。

表1 分類結果混淆矩陣Table 1 Classification accuracy assessment

3 結 論

運用Radarsat-2數據能夠進行海岸帶信息提取,尤其是在多云多雨的海岸帶區域。我們以遼寧鲅魚圈作為研究區域,基于極化散射分解理論的分類,以地物的散射特性為基準,實現了海岸帶信息非監督自動分類,該分類對具有典型散射機制的地物,如海水、平整的海冰、建筑物等具有良好的分類效果。

采用Wishart分類器,將極化散射信息納入標準BP神經網絡的分類方法之中,可較為有效地改善純粹基于極化散射特性的自動分類方法的不足,實現對分類結果的優化改進,綜合采用極化散射特性信息的神經網絡分類總體精度為88.5%,需要說明的是,分類精度與訓練樣本的純度和樣本類間可分性相關。此外,海岸帶區域地物分布往往較為復雜,其對應的極化散射機制多有交叉,且不同植被的散射機制差異不大,都會產生一定的分類誤差,這是下一步研究工作的重點。

[1] WANG C Y.Coastal land covers classification of remote sensing images based on data minning technology[D].Qingdao:Ocean University of China,2009.王常穎.基于數據挖掘的遙感影像海岸帶地物分類方法研究[D].青島:中國海洋大學,2009.

[2] HE H J,WANG W,LIU X G.Land type classification of coastal zone based on decision tree model[J].Geography and Geo-Information Science,2008,24(5):25-28.何厚軍,王文,劉學工.基于決策樹模型的海岸帶分類方法研究[J].地理與地理信息科學,2008,24(5): 25-28.

[3] REN G B.The study of semi-supervised classification technology in remote sensing image processing[D].Qingdao:Ocean University of China,2010.任廣波.基于半監督學習的遙感影像分類技術研究[D].青島:中國海洋大學,2010.

[4] FU J,GU D Q.Extracting method in tidal flat based on decision fusion of spectrum and texture[J].Marine Environmental Science,2008, 27(5):405-408.付軍,谷東起.基于光譜與紋理特征融合的灘涂信息提取方法[J].海洋環境科學,2008,27(5):405-408.

[5] LIU Y F,ZHANG J,MA Y,et al.Incorporating Geoscience knowledge into land use/cover classification for remote sensing image of coastal zone[J].Advances in Marine Science,2010,28(2):193-202.劉艷芬,張杰,馬毅,等.融合地學知識的海岸帶遙感圖像土地利用/覆蓋分類研究[J].海洋科學進展,2010,28(2):193-202.

[6] CHEN J Y,PAN D L,MAO Z H.Optimal segmentation problem of simple object in high resolution coastal zone remote sensing image [J].Science in China:Series D Earth Sciences,2006,36(11):1044-1051.陳建裕,潘德爐,毛志華.高分辨率海岸帶遙感影像中簡單地物的最優分割問題[J].中國科學:D輯 地球科學,2006,36(11):1044-1051.

[7] ZHANG X,DENG K Z,FAN H D,et al.PolSAR SVM supervised classification method combining with polarimetric target decomposition[J].Application Research of Computers,2013,30(1):295-298.張祥,鄧喀中,范洪冬,等.基于目標分解的極化SAR圖像SVM監督分類[J].計算機應用,2013,30(1):295-298.

[8] WANG C,ZHANG H,CHEN X.Full polarization synthetic aperture radar image processing[M].Beijing:Science Press,2008.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.

[9] ZOU Y R,LIANG C,ZENG T.Oil spill identification using SVM based on polarization parameters[J].Marine Study,2013,31(3):71-76.鄒亞榮,梁超,曾韜.基于極化參數的SVM海上溢油識別[J].海洋學研究,2013,31(3):71-76.

[10] LEE J S,POTTIER E.Polarimetric radar imaging:from basics to applications[M].Boca Raton:CRC Press,2009:267-268.

[11] LI H D,GUAN D X,YUAN F H,et al.Modeling canopy transpiration of young poplar trees(Populus×euramericana cv.N3016)based on Back Propagation Artificial Neural Network[J].2015,35(12):1-13.李輝東,關德新,袁鳳輝,等.BP人工神經網絡的楊樹林冠蒸騰[J].生態學報,2015,35(12):1-13.

The Coastal Zone Information Extraction Based on the Neural Network Method With Polarization Characteristics

LIANG Chao1,2,ZENG Tao1,2,ZOU Ya-rong1,2
(1.National Satellite Ocean Application Service,Beijing 100081,China; (2.Key Laboratory of Space Ocean Remote Sensing and Application,SOA,Beijing 100081,China)

Application of remote sensing data in the monitoring of island and coastal zone can provide scientific information support for the development and utilization of coastal zone resources.Radarsat-2 data is used to carry out the coastal information extraction with Cloude polarization decomposition theory.The results show the application potential of Cloude polarization decomposition theory in the coastal information extraction.The objects of single scattering characteristics can be easier distinguished based on H/αclassification method,but it is difficult to distinguish the targets of even scattering and volume scattering mechanism.The neural network method together with the polarization characteristics can be used for the coastal zone classification,and the accuracy is 88.5%,which is related to the training samples.The distribution of surface features in the coastal zone is complicated,which is the focus of the future research work.

SAR;polarization decomposition;BP ANN;coastal zone

February 4,2016

P237

A

1671-6647(2017)02-0278-06

10.3969/j.issn.1671-6647.2017.02.012

2016-02-04

國家自然科學基金項目——隨機粗糙海面的溢油極化SAR特征譜構建及精細提取研究(41376183);南北極環境綜合考察與評估專項——南極地區環境遙感考察(CHINARE2015-02-04)

梁 超(1985-),男,陜西咸陽人,碩士,助理研究員,主要從事海洋遙感方面研究.E-mail:liangchao@mail.nsoas.org.cn

*通訊作者:鄒亞榮(1967-),男,江西南昌人,研究員,主要從事海岸帶遙感方面研究.E-mail:zyr@mail.nsoas.org.cn