一種結合顏色特征的PolSAR圖像分類方法

卜麗靜， 黃鵬艷， 沈璐

(1.遼寧工程技術大學測繪與地理科學學院，阜新 123000； 2.洛陽理工學院土木工程學院，洛陽 471000)

一種結合顏色特征的PolSAR圖像分類方法

卜麗靜1， 黃鵬艷2， 沈璐1

(1.遼寧工程技術大學測繪與地理科學學院，阜新 123000； 2.洛陽理工學院土木工程學院，洛陽 471000)

為了提出一種顏色特征與極化特征相結合的極化SAR圖像分類方法，首先，通過極化目標分解得到極化特征向量; 然后，采用最佳指數模型方法生成極化SAR的假彩色合成圖像，并提取顏色特征向量； 最后，將這2種特征組成綜合特征向量，利用SVM方法進行分類。利用RadarSat-2的PolSAR數據進行了SAR圖像分類實驗，并對分類結果進行定性和定量比較分析。實驗結果表明，顏色特征的加入能有效提高極化SAR圖像的分類精度。

極化SAR分類； 假彩色增強； 顏色特征； 特征向量

0 引言

近年來，全極化合成孔徑雷達(polarimetric synthetic aperture Radar，PolSAR)數據已經廣泛的應用在多個領域[1]，PolSAR圖像分類逐漸成為研究熱點。分類方法中利用PolSAR數據特征向量進行分類的方法較為常見。極化特征[2]和紋理特征是分類中常用的特征。前者是利用極化目標分解提取分解參數并組成極化特征向量，后者是利用SAR強度圖得到紋理特征向量。這2類特征可以分別使用，也可以相結合，達到提高分類精度的目的[3-7]。由于PolSAR具有HH，HV，VH和VV4個極化通道的數據，可以用多種方法得到SAR的假彩色合成圖像[8]，而且其中含有豐富的顏色信息。顏色特征[9]是一種重要的視覺特征，用來描述整個圖像或者特定圖像區域的視覺內容，一般應用于圖像檢索、目標識別和圖像編目方法等領域[10-13]。Uhlmann等[14]提出將Pauli分解的假彩色合成圖像的顏色特征應用在SAR分類中，并得到了很好的分類效果，但是該方法的顏色向量提取復雜，組合的特征向量維數較大。目前國內在這方面的文獻還較為少見。因此，本文研究加入顏色特征的PolSAR圖像分類，提出了極化特征和顏色特征相結合的分類方法。給出了2種特征向量的提取和組合過程，并采用支持向量機(support vector machine，SVM)[15-16]方法進行分類。以湖北咸寧地區的RadarSat-2數據為例進行分類實驗，對比分析利用不同特征向量的分類精度，以證明顏色特征的加入能有效改善SAR圖像的分類效果。

1 算法原理

目標的極化特征是基于目標散射屬性的特征，能提供如表面粗糙度等描述地物目標形狀結構特征的信息，是極化SAR分類中常用的特征。但極化特征也有一定的限制，極化信息是基于像素級別的描述，限制了相似地表類別的區分能力，由于它不能利用圖像的統計信息，所以在反映圖像的空間分布特征和細節表現上能力有限。同時，PolSAR的灰度圖像能夠通過圖像處理方法[17]得到假彩色合成圖像，雖然它不能提供地表的真實顏色信息和類似于光學數據的顏色效果，但是這種形象化的表示方法能夠在區分地表類別方面提供有用的信息，對于人工理解與解譯具有很大的作用。如將Freeman分解后得到的表面散射、二次散射和體散射的功率圖，分別賦予紅、綠、藍顏色通道合成假彩色圖，通過顏色可以大致區分這幾種散射特征對應的地物。而且顏色特征具有較好的穩態性、魯棒性，受圖像的噪聲、旋轉和分辨率等因素的影響都非常小。文獻[14]也實驗證明顏色特征作為一個描述圖像內容最直接的視覺特征，能夠為PolSAR圖像分類提供有效的信息。顏色特征被定義為多媒體內容描述接口標準(MPEG-7)中的一部分[9]，主要目的是呈現多媒體內容的信息，而不是內容本身。顏色特征的表達方法有顏色直方圖、顏色矩、顏色集和顏色聚合向量等[18]。由于顏色直方圖所描述的是不同色彩在整幅圖像中所占的比例，即出現哪些顏色以及各種顏色出現的概率，不受位置限制，且計算簡單、快速，具有尺度、平移和旋轉不變性，這些都有助于PolSAR圖像的分類。同時，極化特征作為PolSAR圖像的主要特征起著重要的作用，是分類中最常用的特征向量。因此，提出了將顏色特征加入到PolSAR圖像分類中，與極化特征共同組成特征向量用于圖像分類。

1.1 研究區地物特征分析

在進行PolSAR圖像分類前，首先分析研究區內的地物特征，以便有針對性地使用各種特征向量。在研究區域內，主要的地物類別有建筑物、植被、水域、道路和裸地5種。其中，建筑物表現為二次散射，散射回波能量高，表現為高亮度； 植被表現為體散射，回波能量和亮度居中； 水域表現為單次表面散射，回波能量低、亮度低； 道路也是單次散射，亮度低，但它具有細長型的結構特點； 裸地是硬質區域與道路的散射特性接近，但道路與裸地的成片性質不相同。表1是以Pauli分解生成的假彩色合成圖為例，從極化和顏色2個方面的特征對比分析5種地物，解釋說明各類地物顏色和極化特征(其中顏色信息隨假彩色合成的方法不同而不同)。

表1 研究區地物特性分析

1.2 極化特征提取

極化目標分解的目的是基于切合實際的物理約束解譯目標的散射機制，在極化SAR圖像分類中，一般從PolSAR數據集中提取目標的極化特征，用于地物目標的分類識別。極化總功率Span圖是PolSAR圖像處理中經常用到的數據表現形式，反映系統測量的總散射強度，由散射矩陣各元素模的平方和表示，為圖像分類中的重要信息，其表達式為

Span=|Shh|2+|Shv|2+|Svh|2+|Svv|2。

(1)

(2)

當λ2和λ3值相等時，可定義雷達植被指數(Radar vegetation index，RVI)，它是一個PolSAR數據森林生物量估計的指數，即

(3)

(4)

1.3 假彩色增強及顏色特征提取

為了充分利用全極化數據不同極化通道之間的差異性，提出利用最佳指數模型得到假彩色增強圖像，并提取顏色直方圖作為顏色特征。最佳指數模型能夠計算出所含信息量最大、相關性最小的3幅圖像生成一幅假彩色合成圖像，有利于極化通道之間信息的充分利用。最佳指數模型的表達式為

(5)

式中：Si為第i個極化通道灰度圖像的灰度標準差；Rij為4個極化通道中i和j圖像之間的相關系數。得到假彩色合成圖像后計算顏色直方圖，得到顏色特征向量，具體步驟如下：

1)將采用最佳指數模型得到的RGB彩色圖像轉換到適合肉眼分辨的HSV顏色空間。

2)在HSV空間進行等間隔量化。顏色量化的目的是對圖像的特征向量進行降維，以提高計算顏色直方圖的運行速度。按照人的視覺分辨能力，把色調H空間分成16份，飽和度S和亮度V空間均分成4份。

3)構造一維特征矢量。按照以上的量化級，把3個顏色分量合成為一維特征矢量，即

G=HQSQV+SQV+V,

(6)

式中QS和QV分別是分量S和V的量化級數，本文選擇QS=4，QV=4。故H，S和V這3個分量在一維矢量上被分開。G的取值范圍為0～255，計算G獲得256柄的一維直方圖。

4)根據量化后的圖像統計得到直方圖。

5)構成顏色特征向量，即

vc=[HSV]。

(7)

1.4 基于極化和顏色特征向量的SVM分類

由于SVM是一種專門解決小樣本分類的有效監督分類器，對解決小樣本、非線性及高維模式識別問題具有獨特的優勢。因此，本文采用SVM分類器進行分類。SVM分類算法中不同的核函數可以生成不同的SVM分類器，為了找到最好的SVM組合(最合適的核函數和核函數參數)，采用窮舉搜索法對線性核函數、多項式核函數、徑向基核函數、二層神經網絡核函數以及它們各自的參數進行實驗，以確定懲罰因子C和參數γ是否與核函數搭配得當。經過實驗后選擇二次多項式核函數，即

k(xi,xj)=(γxixj+b)p,

(8)

式中：xi是待分類數據；xj為支持向量；p為多項式的階，本文為2；b為偏置系數。

本文算法流程為： ①對PolSAR數據進行濾波去噪預處理，然后進行目標分解，用得到的分解參數向量組成極化特征向量v； ②利用極化散射矩陣得到假彩色合成圖像，提取顏色直方圖組成顏色特征向量vc； ③以極化特征向量v為基礎，加入顏色特征構造總特征向量v+vc； ④使用SVM分類器進行分類，并對比v和v+vc特征向量的分類精度，具體流程如圖1所示。

圖1 本文算法流程

2 分類實驗

2.1 實驗數據

選用湖北咸寧地區RadarSat-2的PolSAR數據進行分類實驗，數據參數如表2所示。4個極化通道灰度圖像、Span圖像和光學圖像分別如圖2所示。

表2 實驗數據參數

(a) HH (b) HV (c) VH

圖2-1實驗數據

Fig.2-1Experimentaldata

(d) VV(e) Span (f) 光學圖像

圖2-2實驗數據

Fig.2-2Experimentaldata

2.2 極化和顏色特征向量提取

選擇OIF最大值320.774 4所對應的HH，VH和VV這3個極化通道組合生成假彩色合成圖像，如圖3(a)所示。最后，提取顏色特征向量。圖3中的(b)—(d)為HSV空間等間隔量化后的H，S和V分量，圖3(e)為HSV色彩空間圖像，圖3(f)為提取出的顏色特征向量。

(a) 假彩色合成圖像(b) 量化后的H分量(c) 量化后的S分量

(d) 量化后的V分量(e) HSV色彩空間圖像 (f) 顏色特征向量(直方圖)

圖3提取顏色特征向量

Fig.3Extractionofcolorfeaturevector

2.3 分類結果及對比分析

為了對比本文方法的優勢，分別僅利用極化特征向量、直接利用RGB顏色和極化特征及本文方法進行了分類實驗,分類結果如圖4所示。

(a) 僅利用極化特征(b) 直接利用RGB顏色和極化特征(c) 本文方法

圖4分類結果

Fig.4Classificationofresults

從圖4中可以看出，僅利用極化特征的分類結果(圖4(a))5種地物類別大致得到劃分，但明顯水域和道路的區分性較差，沒有很好地將道路的細長輪廓分出來，水域的輪廓也不清晰，而且植被和裸地類別內存在大量黑色斑點，混分現象嚴重，分類效果較差； 直接利用RGB顏色和極化特征的分類，如圖4(b)所示，水域和植被區域得到了很好的改善，但在水域邊緣不清晰，仍有漏分現象出現，建筑物和植被區域混分較多，道路信息也不是特別清晰； 而本文方法加入顏色特征向量分類結果(圖4(c))，道路和水域被很好區分，水域邊緣清晰，道路的輪廓也清楚可見，而且其他地物區分性較強，整體提取效果較好。

計算各分類結果的混淆矩陣，并對分類結果進行定量的精度評價。3種方法分類結果的混淆矩陣分別如表4—表6所示。

表4 僅利用極化特征分類的混淆矩陣

表5 直接利用RGB顏色和極化特征分類的混淆矩陣

表6 本文方法分類的混淆矩陣

從混淆矩陣中可以看出，僅利用極化特征的總體分類精度為83.1%； 直接利用RGB顏色和極化特征的分類精度比僅利用極化特征向量有所提高，達到了87.5%； 本文方法加入顏色和極化特征向量的分類精度最高，總體分類精度為93.2%，比其他2種方法分別提升了10.1%和5.7%，說明本文方法優于其他2種分類方法。

3 結論

1)本文通過顏色特征向量和極化特征向量相結合，進行PolSAR圖像分類方法的研究，闡述了算法原理，并進行了實驗驗證。實驗結果表明，本文方法總體精度最高，達93.2%。

2)與僅利用極化特征的方法相比，顏色特征的加入使得分類精度得到了大幅提高，總體分類精度提升了10.1%。說明輔以顏色特征的分類方法對各類地物的識別具有促進作用，尤其對水域和道路區域的分類精度改善最為明顯。

3)顏色特征結合極化目標分解特征的分類方法是有效的，可以為極化SAR影像的解譯提供一種可行的途徑。同樣，紋理特征也是SAR圖像的重要特征之一，因此結合紋理、極化和顏色特征的PolSAR分類方法也是有待于進一步研究開發的新課題。

[1] Lee J S,Pottier E.Airborne and space-borne polarimetric SAR systems[M]//Thompson B J Lee J S,Pottier E.Polarimetric Radar Imaging:From Basics to Applications.Boca Raton,FL,USA:CRC Press,2009:13-22.

[2] Du L J,Lee J S.Polarimetric SAR image classification based on target decomposition theorem and complex Wishart distribution[C]//Proceedings of Remote Sensing for a Sustainable Future’ Geoscience and Remote Sensing Symposium.Lincoln,NE:IEEE,1996:439-441.

[3] Haralick R M,Shanmugam K,Dinstein I.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybernetics,1973,SMC-3(6):610-621.

[4] Chen L J,Yang W,Liu Y,et al.Feature evaluation and selection for polarimetric SAR image classification[C]//Proceedings of 2010 IEEE the 10th International Conference on Signal Processing.Beijing,China:IEEE,2010:2202-2205.

[5] Shanmugan K S,Narayanan V,Frost V S,et al.Textural features for Radar image analysis[J].IEEE Transactions on Geoscience and Remote Sensing,1981,GE-19(3):153-156.

[6] Dell’Acqua F,Gamba P.Texture-based characterization of urban environments on satellite SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(1):153-159.

[7] Ersahin K,Scheuchl B,Cumming I.Incorporating texture information into polarimetric Radar classification using neural networks[C]//Proceedings of 2004 IEEE International Geoscience and Remote Sensing Symposium.New York:IEEE,2004:560-563.

[8] 余磊.極化SAR圖像偽彩色增強與可視化方法研究[D].鄭州:解放軍信息工程大學,2012. Yu L.Study on Methods of Pseudo-Color Enhancement and Visualization for Polarimetric SAR Image[D].Zhengzhou:The PLA Information Engineering University,2012.

[9] Manjunath B S,Ohm J R,Vasudevan V V,et al.Color and texture descriptors[J].IEEE Transactions on Circuits and Systems for Video Technology,2001,11(6):703-715.

[10]Gevers T,Gijsenij A,Weijer J,et al.Color in Computer Vision:Fundamentals and Applications[M].New York,NY,USA:Wiley,2012.

[11]Huang J,Kumar S R,Mitra M,et al.Image indexing using color correlograms[C]//Proceedings of the 1997 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Juan:IEEE,1997:762-768.

[12]官倩寧,覃團發,帥勤,等.綜合MPEG-7中紋理和顏色特征的圖像檢索方法[J].計算機應用研究.2008,25(3):957-960. Guan Q N,Qin T F,Shuai Q,et al.Image retrieval based on combined texture and color features in MPEG-7[J].Application Research of Computers,2008,25(3):957-960.

[13]Cinque L,Ciocca G,Levialdi S,et al.Color-based image retrieval using spatial-chromatic histograms[J].Image and Vision Computing,2001,19(13):979-986.

[14]Uhlmann S,Kiranyaz S.Integrating color features in polarimetric SAR image classification[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(4):2197-2216.

[15]Zhang L M,Zou B,Zhang J P,et al.Classification of polarimetric SAR image based on support vector machine using multiple-component scattering model and texture features[J].EURASIP Journal on Advances in Signal Processing,2009,2010:Article ID 960831.

[16]Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.

[17]Zhou X D,Zhang C H.A perceptive uniform pseudo-color coding method of SAR images[C]//Proceedings of International Conference on Radar.Shanghai,China:IEEE,2006:1-4.

[18]Swain M J,Ballard D H.Color indexing[J].International Journal of Computer Vision,1991,7(1):11-32.

[19]Jiang H B,Su Y Y,Jiao Q S,et al.Typical geologic disaster surveying in Wenchuan 8.0 earthquake zone using high resolution ground LiDAR and UAV remote sensing[C]//Proceedings of SPIE Lidar Remote Sensing for Environmental Monitoring XIV.Beijing,China:SPIE,2014:926219.

(責任編輯：陳理)

IntegratingcolorfeaturesinpolarimetricSARimageclassification

BU Lijing1， HUANG Pengyan2， SHEN Lu1

(1.SchoolofMappingandGeographicalScience,LiaoningTechnicalUniversity,Fuxin123000,China; 2.SchoolofCivilEngineering,LuoyangInstituteofScienceandTechnology,Luoyang471000,China)

This paper presents a method for combining the color feature and target decomposition characteristics so as to study the classification of polarimetric SAR. It makes up decomposition feature vector by polarimetric target decomposition and then, through the pseudo color enhancement method, obtains the false color image of polarimetric SAR data representation; after that, it extracts color histogram from the pseudo color images to make up the color feature vector, thus providing additional information for further land classification. Classification experiments were performed at different feature vectors by using RadarSat-2 polarimetric SAR image. In addition, the quantitative and qualitative comparison analysis was conducted with classification results. The experimental results show that the addition of the color feature can effectively improve the classification accuracy of polarimetric SAR images.

PolSAR image classification; pseudo color enhancement; color feature; feature vector

10.6046/gtzyyg.2017.03.08

卜麗靜,黃鵬艷,沈璐.一種結合顏色特征的PolSAR圖像分類方法[J].國土資源遙感,2017,29(3)：59-64.(Bu L J,Huang P Y,Shen L.Integrating color features in polarimetric SAR image classification[J].Remote Sensing for Land and Resources,2017,29(3)：59-64.)

TP 79

： A

： 1001-070X(2017)03-0059-06

2016-01-22；

2016-04-09

國家自然科學基金青年科學基金項目“MRF模型的車載全景視覺位姿估計最優化方法研究”(編號： 41501504)和遼寧省教育廳一般項目“復雜運動場景下衛星視頻的超分辨率重建方法研究”(編號： LJYL011)共同資助。

卜麗靜(1980-),女,講師,博士,主要從事雷達圖像重建及解譯方面的研究。Email: lijingbu@126.com。