基于CNN和RFC的極化SAR圖像分類

陳彥橋，張澤勇*，陳金勇，高 峰，柴興華

(1.中國電子科技集團公司第五十四研究所，河北 石家莊050081;2.中國電子科技集團公司航天信息應用技術重點實驗室，河北 石家莊050081)

0 引言

極化合成孔徑雷達(Synthetic Aperture Rader, SAR)數據能夠獲取觀測目標的幅度信息以及相位信息[1]，在各個領域都得到了廣泛的應用，而極化SAR圖像分類又是極化SAR數據處理的關鍵技術。近些年來，許多極化SAR圖像分類算法被提出，上述可以被劃分成3類:第1類方法是基于極化分解的分類方法，如Freeman分解[2]、Krogager分解[3]、Cloude分解[4]、Huynen分解[5]和Cameron分解[6]等目標分解方法；第2類方法是基于統計特性的分類方法，極化SAR相關研究學者已證明極化相干矩陣與極化協方差矩陣都服從復Wishart分布[7]，J.S.Lee等人[8]提出了Wishart距離并將其應用于極化SAR圖像分類；第3類方法是基于機器學習相關算法的分類方法，例如支持向量機(Support Vector Machine, SVM)[9]、神經網絡(Neural Network，NN)[10]、K近鄰(K-Nearest Neighbor, KNN)[11]以及隨機森林分類器(Random Forest Classifier, RFC)[12]等算法。

近些年來，卷積神經網絡(Convolution Neural Network, CNN)[13]在極化SAR圖像分類中也得到了廣泛應用。在CNN分類框架中，需要將像素點的鄰域設置為模型輸入從而得到該像素點的分類結果。然而，在圖像的類別邊界區域，單像素點的鄰域區域的像素點的類別并不一定與該像素點的類別一致，因此CNN在圖像的類別邊界區域分類效果并不好。RFC算法在極化SAR圖像任務中表現性能良好，但是在類別非邊界區域的分類結果沒有CNN好。在本文中，在類別邊界區域使用RFC的分類結果，在類別非邊界區域使用CNN的分類結果，通過此種集成方式，得到更好的分類結果。

1 特征提取

1.1 極化相干矩陣

通過線性水平和垂直方向發射和接收極化電磁波的方式，極化散射矩陣[14]可以表示為：

(1)

在滿足互易定理SHV=SVH的情況下，極化散射矩陣可以表示為：

(2)

(3)

1.2 Cloude分解

根據特征分解模型，T矩陣可以分解為[14]：

(4)

(5)

本文使用T矩陣(T11,T22,T33, Re(T12), Re(T13), Re(T23), Im(T12), Im(T13), Im(T23)和Cloude分解特征(H,A,α,λ1,λ2,λ3)作為輸入特征，其中Re(Tij)和Im(Tij)代表Tij的實部和虛部。

2 方法

2.1 卷積神經網絡

CNN主要由卷積層、池化層和全連接層組成[13]。卷積層是用卷積核處理數據，而且通過卷積提取的特征具有平移不變性。池化層的主要作用是降低特征維度，從而降低計算量。激活函數主要作用于卷積層，使模型可以提取數據之間的非線性關系，提取的特征更加抽象。常見的激活函數有sigmoid函數、ReLU函數和tanh函數。

2.2 隨機森林分類器

隨機森林[15]使用Bagging方法為每棵決策樹生成用于訓練的樣本集，而且這些樣本集是獨立同分布的，每棵決策樹在訓練過程中確定的參數會組成隨機向量，而且隨機森林中所有決策樹的隨機向量也是獨立同分布的。隨機森林分類器是由所有決策樹集合而成的分類器，該分類器可以表示為：

h(x,θk),k=1,2,…,n，

(6)

式中，x代表輸入數據；k代表第k棵決策樹；θk代表第k棵決策樹的參數向量，可以在bootstrap樣本集上學習得到；h(x,θk)則代表第k棵決策樹對輸入數據x進行分類。對于輸入數據x的最終類別由所有決策樹的分類結果綜合得到。

2.3 基于CNN和RFC的集成分類器

本文使用信息熵表示CNN分類結果的不確定性，其可以表示為：

(7)

式中，N表示類別總數；i表示類別i；p(i)表示將樣本x分類為第i類的概率。H(x)的值越大，意味著x的分類不確定性越強，x位于類別邊界區域的概率也就越大。通過此種方式，可以得到圖像的類別邊界區域。

本文算法(RFC-CNN)流程如下：

① 用RFC得到分類結果；

② 用CNN得到分類結果；

③ 根據式(8)從CNN的分類結果得到類別邊界區域；

④ 類別邊界區域使用RFC的分類結果，類別非邊界區域使用CNN的分類結果。

3 實驗與分析

如第1節所述，本文使用T矩陣(T11,T22,T33,Re(T12), Re(T13),Re(T23), Im(T12), Im(T13), Im(T23))和Cloude分解特征(H,A,α,λ1,λ2,λ3)。使用精致Lee濾波[1]方法作為濾波方法，使用總體正確率(Overall Accuracy, OA)以及Kappa系數作為評價指標。RFC的決策樹的數目為100。CNN架構圖如圖1所示，其中Image代表輸入圖像，Conv代表卷積層，Pool代表池化層，Flat代表拉成一列，fc代表全連接層，Result代表分類結果。

圖1 CNN框架圖Fig.1 CNN framework

3.1 Xi’an圖像分類實驗

Xi’an圖像[14]是全極化C波段的極化SAR圖像，由RADARSAT-2衛星獲取，覆蓋中國陜西省西安市渭河部分場景，含有3類地物：Water(水域)、Grass(草地)和Building(建筑區)。Xi’an圖像大小為512 pixel×512 pixel，其分辨率為8 m×8 m，Xi’an圖像的Pauli偽彩色圖、類標圖以及配色方案如圖2所示。

(a)Pauli偽彩色圖

(b)類標圖

(c)配色方案圖2 Xi’an極化SAR圖像Fig.2 PolSAR image of Xi’an

圖2中有標記的樣本數目為237 416。本文從有標記樣本中隨機選取的比例為0.5%，剩下的有標記樣本被設置為測試樣本。圖3給出了該圖像的分類結果，表1給出了該圖像的分類正確率以及Kappa系數。

(a) RFC

(b) CNN

(c)邊界

(d) RFC-CNN圖3 Xi’an圖像分類結果Fig.3 Classification result of Xi’an image

表1 Xi’an圖像分類正確率Tab.1 Classification accuracy of Xi’an image

由圖3可以看出，RFC-CNN確實得到了圖像的邊界區域，而且該方法確實得到了比RFC和CNN更好的分類結果，在圖像邊界區域比CNN分類結果好，在圖像非邊界區域比RFC的分類結果更好。由表1可以看出，本文方法的整體正確率和Kappa系數都是所有方法中最高的。上述結果表明，本文方法的集成策略在Xi’an圖像分類中是有效的。

3.2 Oberpfaffenhofen圖像分類實驗

Oberpfaffenhofen圖像[14]是全極化L波段的極化SAR圖像，由E-SAR衛星獲取，覆蓋了位于德國Oberpfaffenhofen的部分地區，包含3類地物：Open Areas(開放區域)、Wood Land(森林)和Built-up Areas(建筑區)，該圖像大小為1 300 pixel×1 200 pixel，其分辨率為3 m×2.2 m，Oberpfaffenhofen圖像的Pauli偽彩色圖、類標圖以及配色方案如圖4所示，該圖像的有標價樣本數目為1 374 298，本文采用0.2%的標記樣本作為訓練樣本，剩余標記樣本作為測試樣本。圖5給出了該圖像的分類結果，表2給出了該圖像的分類正確率以及Kappa系數。

(a) Pauli偽彩色圖

(b) 類標圖

(c) 配色方案圖4 Oberpfaffenhofen極化SAR圖像Fig.4 PolSAR image of Oberpfaffenhofen

(a) RFC

(b) CNN

(c)邊界

(d) RFC-CNN圖5 Oberpfaffenhofen圖像分類結果Fig.5 Classification result of Oberpfaffenhofen image

表2 Oberpfaffenhofen圖像分類正確率Tab.2 Classification accuracy of Oberpfaffenhofen image

由圖5可以看出，RFC-CNN成功找到了圖像邊界區域，相比于RFC和CNN，本文方法也得到了更好的分類結果。由表2可以看出，RFC-CNN的總體正確率和Kappa系數確實比RFC和CNN更高。綜上，本文方法的集成策略在Oberpfaffenhofen圖像分類的有效性得到了證明。

4 結束語

本文提出了一種基于CNN和RFC的集成學習方法用于極化SAR圖像分類。CNN在類別非邊界區域分類性能優異，但是在類別邊界區域分類結果較差，RFC在類別非邊界區域分類結果不如CNN，但是在類別邊界區域分類性能比CNN優異，本文方法的集成策略是使用CNN對類別非邊界區域進行分類，使用RFC對類別邊界區域進行分類，以此取得更好的分類結果。本文將T矩陣以及Cloude分解特征設置為輸入特征，使用Xi’an和Oberpfaffenhofen兩幅極化SAR圖像作為測試圖像，與對比方法RFC以及CNN相比較，本文方法在類別非邊界區域比RFC分類結果好，在類別邊界區域比CNN分類結果好，因此本文方法的集成策略是有效的。