一種聯合多特征的極化SAR海冰類型提取方法

王志勇，孫培蕾，劉健

(1.山東科技大學 測繪科學與工程學院，山東 青島 266590；2.測繪工程國家級實驗教學示范中心(山東科技大學)，山東 青島 266590)

0 引言

海冰作為全球氣候系統重要的因子，其凍結和漂移不僅影響全球的氣候變化，對沿岸水產養殖、漁業生產、海上交通運輸、海上生產作業等也帶來了巨大影響，由此而帶來的經濟損失十分嚴重[1]。因此，為減少海冰災害的影響，需要對海冰進行實時準確的監測。海冰類型提取是海冰監測的重要研究內容，是獲取海冰厚度、海冰外緣線、海冰密集度等信息的重要手段[2]。因此，準確高效地提取海冰的類型及分布范圍，對于海冰災害的監測及預防等都具有重要意義。

微波遙感技術，特別是合成孔徑雷達(synthetic aperture radar，SAR)，具備全天候、全天時工作、不受云霧影響的特點，已經成為海冰監測的重要技術手段[3]。其中極化SAR圖像已成為海冰類型監測的重要途徑，極化SAR是全極化SAR的簡稱，與傳統的SAR圖像相比，極化SAR圖像包含HH、HV、VH、VV 4種極化方式，描述地物信息更加豐富，能更大限度地揭示地物的散射差別，更有利于地物分類[4]。

近年來，國內外眾多專家學者針對極化SAR圖像分類已經開展了較為細致的研究，并取得了一系列的研究成果。張晰等[5]利用H/α分解、Freeman分解和極化基變換提取海冰的極化散射特征，并總結了海冰分類的有效特征，進而通過二叉樹分類器來區分海冰類型；Moen等[6]基于統計距離的自動分割算法，實現了對C波段全極化海冰數據的分類；Suman等[7]提出了一種適用于X波段、C波段和L波段全極化合成孔徑雷達圖像的海冰分類方法，該方法首先提取海冰分類的極化特征，然后將得到的特征向量輸入到經過訓練的神經網絡分類器中，最后實現了基于像素的海冰自動分類；趙泉華等[8]采用ALOS PALSAR數據，著重研究了極化特征的提取和選擇，并通過BP神經網絡分類器，實現了格陵蘭島開放水、初期冰和一年冰的識別；王常穎等[9]提出在考慮影像中原始多極化屬性特征的同時，利用2個屬性的屬性差特征的決策樹分類方法，提高了全極化SAR影像海冰分類精度。

通過分析發現，現有研究主要是利用SAR的極化特征開展的，當不同類型海冰的后向散射系數接近時，海冰類型的識別性能較差，因此，需要進一步探討適合于極化SAR影像海冰類型提取的方法。為此，本文利用H/α/A分解和AnYang分解提取海冰的多類極化特征，并在此基礎上引入紋理特征構建聯合特征空間，進而采用支持向量機(support vector machine，SVM)分類器進行海冰類型監測研究。

1 海冰類型提取方法

本文在聯合紋理特征和極化分解特征的基礎上，提出了一種基于全極化SAR數據的海冰類型提取方法。該方法首先通過H/α/A分解和AnYang分解提取海冰的極化特征，并通過計算HV極化圖像的灰度共生矩陣提取海冰的紋理特征；然后，將獲得的極化特征參數和紋理特征參數進行優化組合，構建適合于海冰類型提取的聯合特征矢量；最后，將其輸入到訓練好的SVM分類器，實現海冰類型的提取。

1.1 聯合特征向量的構建

1)極化分解特征。不同特征參數包含不同的地物散射信息，將這些特征參數聯合構建特征矢量，發揮它們各自的特征優勢，特征之間相互補充，有利于提高分類效果。由于海冰分布復雜，受海況的影響嚴重，且不同類型海冰的后向散射特征一般差別不大，單一的目標分解方法無法包含所有的極化信息，因此很難精確地識別海冰類型[10]。本文利用H/α/A分解[11]提取海冰的極化散射熵、平均散射角和各向異性度，同時利用AnYang分解[12]提取海冰的單次散射、偶次散射和體散射，獲得6個極化特征參數。AnYang分解為2010年安文韜改進的Freeman分解，該方法在分解前對相干矩陣進行定向角補償，并加入能量約束以改善體散射高估和負能量問題。

2)紋理特征。不同的海冰類型在SAR影像上會呈現出不同的紋理特征，因此，可利用紋理特征進行海冰類型的分析。灰度共生矩陣[13]是描述圖像紋理常用的方法。因此，本實驗采用計算圖像灰度共生矩陣的方法，來提取海冰的紋理特征。首先選擇合適的參數，本實驗中方向取 45°，窗口大小為15×15，位移為1，灰度量化級為32，計算海冰圖像的8個紋理特征，分別為均值(mean)、方差(variance，VAR)、同質性(homogeneity，HOM)、對比度(contrast，CON)、差異性(dissimilarity，DIS)、熵(entropy，ENT)、角二階矩(angular second moment，ASM)和相關性(correlation，COR)。然后，通過目視分析篩選出有利于海冰分類的紋理特征。通過分析發現，VAR、HOM和ASM 3個紋理特征對海冰類型的識別效果明顯。最后將VAR、HOM和ASM 3個紋理特征與極化散射熵、平均散射角、各向異性度、單次散射、偶次散射、體散射6個極化分解特征作為海冰分類的基礎特征，表1為用于海冰類型提取的聯合特征參數的詳細信息。

表1 特征向量組合

1.2 基于SVM的海冰類型提取算法

SVM[14]分類算法是通過核函數將低維空間映射到高維空間，從而將非線性不可分問題轉化為線性可分問題的方法，其目的是尋找最優分類超平面，使分類間隔最大化。SVM分類算法是一種在小樣本情況下，性能優越的分類器，并且泛化能力強，這解決了SAR圖像由于嚴重的斑點噪聲難以選取穩定的訓練樣本的問題，并且SVM可以有效綜合不同特征所提供的信息，特別適合多特征分類[15]。

本文算法的具體步驟如圖1所示。

圖1 基于特征矢量組合的海冰類型提取算法流程圖

1)對GF-3數據進行輻射定標、多視處理和Refined Lee濾波，獲取極化相干矩陣T。

2)對極化相干矩陣進行極化目標分解，包括H/α/A分解和AnYang分解，提取6個極化特征參數F={H，α，A，Ans，And，Anv}。

3)計算HV極化方式的灰度共生矩陣，提取圖像的紋理特征，篩選有效特征。

4)將極化目標分解特征極化散射熵、平均散射角、各向異性度、單次散射、偶次散射、體散射和紋理特征方差、同質性、角二階矩聯合，構建聯合特征矢量F′={H，α，A，Ans，And，Anv，VAR，HOM，ASM}。

5)地理編碼，將SAR坐標系轉到制圖坐標系，然后對圖像進行地形校正，獲得可直接進行判讀和解譯的地圖投影格式的SAR圖像。

6)陸地掩模，獲取感興趣區。

7)確定分類類別數，選擇訓練樣本，訓練SVM分類器。

8)以聯合特征矢量F′作為輸入，應用訓練好的SVM分類器，實現海冰類型提取。

9)結果分析，精度評價。

2 實驗結果與分析

2.1 實驗區及實驗數據

渤海是我國冬季唯一結冰的海洋，包括遼東灣、渤海灣、萊州灣等。其中，遼東灣位于渤海最北端，主要包括河北省大清河口到遼東半島南端旅順以北的海域。遼東灣地處39°N～41°N，120.5°E～122.5°E，是我國緯度最高、海冰災害最為嚴重的區域。

圖2 Pauli分解得到的偽彩色合成圖像

對SAR影像進行目視分析，在第1景SAR海冰圖像內主要的冰水類型有沿岸固定冰、初生冰、灰冰和海水4類。在第2景SAR海冰圖像內主要的冰水類型有沿岸固定冰、初生冰、灰冰、灰白冰和海水5類。

2.2 實驗結果與比較

為了驗證本文提出的海冰類型提取方法的有效性，分別采用H/α/A分解、AnYang分解以及H/α/A分解與AnYang分解結合這3種方式，構建特征矢量，輸入SVM分類器，對遙感數據進行海冰類型提取，以此作為對照實驗。

對于2017年1月13日遼東灣SAR海冰影像，4種方法的分類結果分別為圖3(a)至圖3(d)。從目視解譯效果而言，4種方法具有明顯的差異。其中，本文提出的結合紋理特征和多類極化分解特征方法的海冰分類結果總體視覺效果最好，基本可以準確地識別不同類型的冰水，邊界清晰，錯分像素很少。其次是H/α/A分解與AnYang分解結合的分類結果。基于單一目標分解的分類結果最差，錯分像素很多，如沿岸固定冰與灰冰錯分非常嚴重。對于單一目標分解的分類結果，基于H/α/A分解的分類結果對于海水和灰冰的識別效果較好，但無法識別沿岸固定冰；而基于AnYang分解的分類結果對于沿岸固定冰的識別效果好于基于H/α/A分解的分類結果，但容易與灰冰混淆，導致分類結果不理想。同時，本文以聯合紋理特征和多類極化分解特征的特征矢量作為輸入，采用最大似然分類器(maximum likelihood classifier，MLC)進行了海冰類型提取實驗，結果如圖3(e)所示。通過與圖3(a)的分類結果對比，可以明顯地看出，MLC總體分類效果不如SVM分類效果好，分類結果中較多的灰冰被錯分為初生冰、沿岸固定冰和海水。因此，對于極化SAR海冰分類研究，SVM分類器的分類性能優于MLC分類器，更適合于極化SAR海冰數據的分類。

圖3 2017年1月13日遼東灣海冰圖像不同方法分類結果對比

為了定量比較不同方法的分類結果，以GF-1光學遙感數據作為參考，分別計算了各類冰水類型的制圖精度、總體精度和Kappa系數，如表2所示。

表2 不同方法精度對比(2017年1月13日)

從表2可以看出，當采用不同特征矢量時，本文方法的分類精度最高，總體精度為92.6%，Kappa系數為0.87。接下來依次是H/α/A分解與AnYang分解結合的分類結果，總體精度為88.4%，Kappa系數為0.80。基于H/α/A分解的分類結果，總體精度為88.0%，Kappa系數為0.77。基于AnYang分解的分類結果，總體精度為86.9%，Kappa系數為0.78。對于初生冰的識別，基于AnYang分解的分類結果識別效果最好，精度達到96.6%，本文方法次之，其精度為90.9%，但高于其他2種方法。對于灰冰的識別，分類精度最高的是基于H/α/A分解的分類結果，其精度達到93.2%，本文方法的分類精度略低，為92.2%。對于海水和沿岸固定冰的識別精度，都是本文方法最高，尤其是對沿岸固定冰的識別效果，4種方法差異明顯，與僅利用極化分解信息進行海冰類型提取的結果相比，本文方法精度最少提高了11.1%。總體而言，本文提出的結合紋理特征和多類極化分解特征的海冰類型提取方法具有最好的分類性能，結合多類極化特征的方法次之，基于單一目標分解特征的方法分類結果最差。其中，H/α/A分解的分類結果好于AnYang分解的分類結果。當采用不同分類器時，SVM分類器的分類結果較MLC分類器的分類結果總體精度提高了4.1%，Kappa系數提高了7%，海水、初生冰、灰冰和沿岸固定冰的識別精度都有明顯的提高，也驗證了SVM分類器在極化SAR海冰類型提取方面的優勢。

對于2017年1月22日遼東灣SAR海冰影像，隨著溫度降低，灰冰逐漸變為灰白冰，海冰類型增多，并存在大量碎冰，其中沿岸固定冰、灰冰、灰白冰的特征較為相似。4種方法的分類結果分別如圖4(a)至圖4(d)所示。相比其他3種方法，本文算法區域一致性好，邊界最為清晰，分類準確率最高，最接近海冰實況。H/α/A分解與AnYang分解結合的分類結果將大量灰冰誤分為沿岸固定冰，初生冰和海水識別效果不好。基于H/α/A分解的分類結果，類間邊界模糊，存在大量的孤立區域，幾乎無法識別各類型的海冰。基于AnYang分解的分類結果，對灰冰和灰白冰區分較好，但對沿岸固定冰和灰白冰錯分嚴重。支持向量機(SVM)分類結果仍優于最大似然(MLC)分類結果，如圖4(e)所示，誤分區域明顯減少。

圖4 2017年1月22日遼東灣海冰圖像不同方法分類結果

從表3可以看出，本文方法的總體分類精度為93.0%，Kappa系數為0.91，無論在總體精度和Kappa系數上都明顯高于其他方法。因此，本文提出的聯合極化目標分解特征和紋理特征的海冰類型提取方法更適合海冰SAR圖像分類。

表3 不同方法精度對比(2017年1月22日)

3 結束語

利用GF-3全極化SAR數據，將H/α/A分解特征和AnYang分解特征結合，并引入紋理特征進行輔助，優化篩選了適合于海冰類型提取的特征向量組合，基于SVM分類器，實現了遼東灣海冰類型的提取。主要結論如下。

1)本文提出的聯合紋理特征和多類SAR極化分解特征的海冰類型提取方法的分類效果較好，總體分類精度達到92.6%，Kappa系數為0.87。

2)SVM分類器能有效聯合不同特征所提供的信息，分類性能良好，較MLC分類器更適合于極化SAR海冰分類。

3)H/α/A分解特征和AnYang分解特征包含不同的地物信息，信息源的增多能增大不同海冰類型之間的區分度，分類效果顯著改善。HV極化方式的紋理特征中方差、同質性和角二階矩能提高海冰類型提取的精度，對灰冰和沿岸固定冰的識別更加準確。

本文研究還存在一些不足，如海冰類型較少，算法對極地和高緯度地區極化SAR海冰類型監測的適用性等還需要進一步討論。下一步工作將探究更多具有不同屬性的特征參數組合，識別更多的海冰類型，并利用本文方法對極地和高緯度地區的海冰進行分類研究。