基于Freeman分解和雷達植被指數的極化SAR圖像分類

李成繞，賈詩超，薛東劍

（1.成都師范學院史地與旅游學院，成都 611130；2.成都理工大學地球科學學院，成都 610059）

合成孔徑雷達具有全天時、全天候的特點，且由于波段較長，所以不受云量和降水的影響。對植被會依據不同的發射波長，而有不同的穿透深度，這些特點最終決定了合成孔徑雷達在遙感領域的重要研究價值［1-3］。隨著近幾十年的快速發展，SAR已經成為熱門研究領域，特別是極化SAR應用。極化SAR可以接受豐富的地物散射信息，基于這些散射信息可以獲取地面信息。

極化SAR應用最主要的是先把這些地物信息進行分離，然后才可以應用在不同研究方向中，所以極化分解很重要，也是研究的重點之一。自1970年Huynen［4］首次提出分解理論之后，很多重要的分解理論被提出，如Cloude分解、Krogager分解、Ymaguchi分解和Freeman分解等［5-8］。這些分解可以分為兩類，相干分解和非相干分解，本研究使用的Freeman分解屬于非相干分解。相對于其他分解方法，Freeman分解更符合地物的散射機制，對地物散射特征描述地更加充分。Freeman分解將地物分為三類散射機制：體散射、面散射和二面角散射。如植被體中主要發生體散射，水面主要是面散射，而建筑物是以二面角散射為主。研究提取了雷達植被指數，以此提高植被的分類精度，綜合這些參數進行SVM分類，并與Wishart監督分類比較，分類精度用Kappa系數表示，進一步證明該方法的良好性能。

1 預處理和特征提取

1.1 預處理

試驗數據為NASA/JPL實驗室獲取AIRSAR數據［8，它是機載合成孔徑雷達，數據位于美國的舊金山區域，該數據已經過多視處理，圖像大小為767×833像素，如圖1所示。經過多視處理后的圖像更利于解讀，也方便后面的分類處理。除了多視處理外，還需要對圖像進行濾波處理，因為SAR圖像受到相干斑噪聲的影響很大。

圖1 研究區原始圖像

SAR成像系統是基于相干原理，所以在雷達回波信號中，相鄰像素點的灰度值會由于相干性而產生一些隨機的變化，并且這種隨機變化是圍繞著某一均值進行的，這樣就在圖像中產生了斑點噪聲。對于相干斑噪聲已經有很多濾波方法，如中值濾波、Lee濾波、Sigma濾波等。試驗選擇的是精致Lee濾波［9］，濾波窗口的大小為5×5，濾波后的圖像如圖2所示。

圖2 精致Lee濾波后圖像

1.2 特征提取

Freeman分解是1998年Freeman和Durden在van Zyl的研究基礎上提出的一種三分量散射模型，它的主要思路是將極化協方差矩陣分解為3種主要的散射機理。體散射、面角散射和二面角散射的散射功率分別為Pv、Ps、Pd。

其中，fv，fs，fd分別為體散射、面角散射和二面角散射分量，如圖3a、圖3b、圖3c所示。圖3a中植被和城區都高亮顯示，而海面則是黑色，說明分解的體散射可以很好地提取出植被和城區的信息。由圖3b可以看出，主要提取的是海面，部分為城區。圖3c的二面角散射主要表現在城區，因為城區的建筑會形成二面角的結構，有利于二面角散射，由此可以得出Freeman分解的二面角散射便于城區信息提取。綜合來看，Freeman分解對地物的后向散射特征描述得很詳細。

雷達植被指數表征散射隨機性［10］可以用來描述植被的冠層特征。研究區植被覆蓋較多，以此驗證RVI的有效性。

式中，λ1、λ2、λ3分別為3個子相干矩陣的特征值。當RVI=4/3時，為細圓柱體，單調遞減到0時，為粗圓柱體，如圖3d所示，植被的散射信息熵很高，顯示為紅色，紅色區域越大，說明植被的覆蓋度越大。

圖3 訓練樣本和分類結果

2 結果與分析

試驗的所有操作都是在PolSARpro_4.2版本中操作，相應的軟件可以在歐空局的官網下載。經過上面的濾波處理和特征提取后，獲得了Freeman散射的三參數和RVI，除了主要的4個參數外，也提取相干矩陣T3的對角線參數（T11，T22，T33）和極化總功率Span參數。組合這些參數應用于SVM分類器中，就可以得到極化SAR的分類結果。將這些參數分為兩組，（1）Pv、Ps、Pd、T11、T22、T33、Span、RVI；（2）第二種方法相對于（1）少了RVI，這樣可以比較得出RVI對植被分類的有效作用。再進行Wishart監督分類，作為第三種方法，可以比較SVM分類和Wishart分類效果。且3種方法所選擇的訓練樣本相同，圖4為訓練樣本和分類結果。圖4a選擇的訓練樣本中紅色為城區，共8 558個像素；綠色為植被，共9 452個像素；藍色為海洋，共9 732個像素。比較圖4的分類結果發現，圖4b、圖4c不同地物之間的界限很明顯，而圖4d中錯分現象嚴重，如在圖4d的右上方出現海洋被誤分為城區，另外橋的兩邊出現海洋誤分為植被，因此可以得到基于SVM的分類效果明顯高于Wishart監督分類。但是組合1方法和組合2方法之間很難直觀地看出RVI對分類的影響，所以需要相應的分類精度做定量分析。

圖4 特征參數

從表1可以發現，Wishart監督分類Kappa系數低于組合1方法4.49個百分點，進一步證明基于SVM的分類效果更優越。觀察組合1方法和組合2方法發現，Kappa系數相差不大，僅0.92個百分點，但是植被分類精度卻相差1.93個百分點，城區之間的精度變化也不大，說明RVI在植被分類中的有效性。相對于城區和植被而言，海洋的分類精度一直很高，主要是因為研究區中的海洋面積較大，且邊界明顯，更有利于分類。從總體分類精度上來看，組合1方法的分類精度也是最好，相對另外兩種方法分別高0.60、2.60個百分點。

表1 圖像分類精度 （單位：%）

3 結論

試驗通過Freeman分解得到3個散射機制，且提取雷達植被指數，將其組合在一起進行SVM分類，并與Wishart監督分類進行比較。結果表明，基于SVM分類器的分類結果明顯高于Wishart監督分類結果；對組合1方法和組合2方法進行比較發現，在分類過程中加入RVI可以明顯提高植被的分類精度，所以選用組合1方法對極化SAR分類效果具有一定的研究意義。