一种改进的全极化SAR图像MCSM-Wishart非监督分类方法

引用本文

陈军, 杜培军, 谭琨. .一种改进的全极化SAR图像MCSM-Wishart非监督分类方法[J]. 国土资源遥感, 2015,27(2): 15-21
CHEN Jun, DU Peijun, TAN Kun. .An improved unsupervised classification scheme for polarimetric SAR image with MCSM-Wishart[J]. REMOTE SENSING FOR LAND & RESOURCES,2015,27(2): 15-21 复制到剪切板

Permissions

《国土资源遥感》编辑部

一种改进的全极化SAR图像MCSM-Wishart非监督分类方法

陈军¹, 杜培军^1,², 谭琨¹

1.中国矿业大学国土环境与灾害监测国家测绘地理信息局重点实验室,徐州 221116

2.南京大学江苏省地理信息技术重点实验室,南京 210023

杜培军(1975-),男,博士,教授。Email: dupjrs@126.com。

第一作者简介: 陈军(1978-),男,博士研究生,主要研究方向为全极化合成孔径雷达遥感图像处理、机器学习在遥感图像分析中的应用。Email: studyias@163.com。

收稿日期: 2014-01-07

基金: 国家自然科学基金项目“基于集成学习的星载全极化SAR图像分类与信息解译”(编号: 41171323)、江苏省自然科学基金项目“多尺度遥感信息协同处理与城市人居环境评价”(编号: BK2012018)及江苏高校优势学科成果(编号: SZBF2001-6-B35)共同资助

摘要

针对H/Alpha/A-Wishart非监督分类算法存在的未充分提取SAR图像极化信息和分类精度低等问题,引入多分量散射模型(multiple-component scattering model,MCSM)分解,提出了一个适用于全极化SAR图像非监督分类的MCSM-Wishart算法。首先对全极化SAR图像进行MCSM分解,提取体散射、二次散射、螺旋体散射、表面散射和线散射极化信息,采用迭代自组织数据分析技术(iterative self-organizing data analysis technique,ISODATA)的非监督分类算法进行聚类; 然后通过基于描述多视协方差矩阵的复Wishart分布的迭代分类得到分类结果。以南京溧水和盐城滨海湿地的ALOS PALSAR图像为研究数据,比较了H/Alpha-Wishart算法、H/Alpha/A-Wishart算法、MCSM-Wishart算法和监督-Wishart算法4种分类方法。研究结果表明,MCSM-Wishart分类算法在效率、总体准确率和Kappa系数等指标上均较原始分类器有一定的提高; 将ISODATA聚类算法应用于复Wishart分布的迭代分类器中,可有效提高分类的精度。

关键词: 全极化SAR图像; 复Wishart分布; H/Alpha/A分解; 多分量散射模型(MCSM)分解; 迭代自组织数据分析技术(ISODATA); 聚类算法

中图分类号:TP751.1 文献标志码:A 文章编号:1001-070X(2015)02-0015-07 doi: 10.6046/gtzyyg.2015.02.03

An improved unsupervised classification scheme for polarimetric SAR image with MCSM-Wishart

CHEN Jun¹, DU Peijun^1,², TAN Kun¹

1. NASG Key Laboratory of Land Environment and Disaster Monitoring, China University of Mining and Technology,Xuzhou 221116, China

2. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology,Nanjing University, Nanjing 210023, China

Abstract

To tackle the problems of insufficiently extracting polarimetric information from PolSAR image and low classification accuracy of H/Alpha/A-Wishart unsupervised classification algorithm, this paper proposes an adapted algorithm named MCSM-Wishart by imposing multiple-component scattering model (MCSM)decomposition to fit unsupervised classification of polarimetric SAR image. Firstly, various kinds of polarimetric information such as volume scatter, double scatter, helix scatter, surface scatter and wire scatter can be extracted from the image by MCSM decomposition, and iterative self-organizing data analysis(ISODATA)technique is used for clustering. Then iterative classification based on complex Wishart distribution is used to obtain the final result. H/Alpha-Wishart, H/Alpha/A-Wishart, MCSM-Wishart and supervised-Wishart algorithms are compared with each other based on two research plots conducted respectively in Lishui of Nanjing City and Binhai Wetland of Yancheng City with PALSAR image from ALOS. The results show that MCSM-Wishart classification algorithm can improve to a certain extent the original classifiers in terms of efficiency, total accuracy and Kappa coefficient. It is therefore concluded that the polarimetric information extracted by MCSM decomposition can sufficiently reflect the characteristics of the ground object. Combining with ISODATA clustering algorithm, MCSM decomposition can be used in the iterative classification based on complex Wishart distribution so as to improve the classification accuracy and reliability efficiently.

Keyword: polarimetric SAR image; complex Wishart distribution; H/Alpha/A decomposition; multiple-component scattering model(MCSM )decomposition; iterative self-organizing data analysis(ISODATA); clusting algorithm

Show Figures

0 引言

全极化合成孔径雷达(polarimetric synthetic aperture Radar, PolSAR)系统是在传统的单极化、双极化和多极化雷达系统基础上发展起来的新型主动微波成像系统, 如何通过全极化SAR系统提供的极化信息对地物进行分类已成为全极化SAR图像应用的一个重要方面^[1]。传统的单极化和多极化SAR图像处理通过提取纹理信息、极化信息等进行分类, 然而, 无论单极化还是多极化SAR系统获取的都是部分极化信息; 而全极化SAR系统包含同极化、交叉极化等不同的极化信息, 可以全面反映地物目标的物理性质。

国内外学者在全极化SAR图像极化特征提取方面开展了大量研究^{[2, 3, 4, 5, 6, 7]}。利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8, 9, 10, 11, 12, 13, 14, 15]}。Lee等^[8]首先用H/Alpha分解法提取的特征对图像进行初始聚类, 得到8个聚类中心; 然后用描述多视协方差矩阵的复Wishart迭代分类器对图像进行分类(简称H/Alpha-Wishart分类器)。Pottier等^[9]提出了H/Alpha/A-Wishart分类器, 在H/Alpha分解的基础上加入A特征, 将图像聚成16类, 再对图像进行复Wishart迭代分类。Lee等^[10]进一步结合Freeman分解法对上述方法进行改进, 提出Freeman-H/Alpha-Wishart分类器, 该分类器通过Freeman分解提取体散射、表面散射和二次散射信息, 然后根据H/Alpha/A-Wishart分类器进行分类, 分类中要求各类别必须保持纯净性(即各类别内部各像元必须基于相同的散射性质), 必须是体散射、表面散射或二次散射中的一种, 该分类器已经隐含参考Freeman分解进行分类, 但并没有直接利用Freeman分解得到的特征, 而是简单地要求分类结果必须具有相同的散射性质, 因此还具有一定局限性。

无论H/Alpha-Wishart分类器、Freeman-H/Alpha-Wishart分类器或者H/Alpha-SPAN^[11]分类器, 其分类结果均明显依赖于H/Alpha初始聚类结果, 导致最终分类精度不高。针对这一问题, 本文提出一种改进的分类方法, 该方法充分利用了全极化SAR图像的表面散射、体散射、二面角散射、螺旋体散射和线散射等极化特征, 在没有人工干预的情况下能够得到较好的聚类结果。

1 H/Alpha/A-Wishart分类方法及改进思路

1.1 分类方法

1.1.1 H/Alpha/A分解与初始聚类

H/Alpha/A分解主要是提取全极化SAR图像的散射熵H、散射角α (即Alpha, 下同)和反熵A信息。其基本原理如下:

极化相干矩阵T可以表示为3个独立的相干矩阵之和^[2], 即

T= $\begin{matrix} \overset{3}{\sum_{i = 1}} \end{matrix}$ λ _iT_i=λ ₁e₁ $\begin{matrix} e_{1}^{*} \end{matrix}$ +λ ₂e₂ $\begin{matrix} e_{2}^{*} \end{matrix}$ +λ ₃e₃ $\begin{matrix} e_{3}^{*} \end{matrix}$ 。 (1)

式中: λ _i为特征值(i=1, 2, 3); e_i为矩阵T的第i个复特征向量; $\begin{matrix} e_{i}^{*} \end{matrix}$ 为e_i的共轭矩阵。

在此基础上, Cloude等^[2]定义了熵H, 用于表示地物散射的随机程度, 即

H= $\begin{matrix} \overset{3}{\sum_{i = 1}} \end{matrix}$ (-P_ilog₃P_i) , (2)

式中P_i为各特征值所占的百分比, 即

P_i=λ _i/ $\begin{matrix} \overset{3}{\sum_{i = 1}} \end{matrix}$ λ _i 。 (3)

散射角α 代表二面角散射和表面散射的平均散射程度, 即

$\begin{matrix} \overset{̅}{α} \end{matrix}$ =P₁α ₁+P₂α ₂+P₃α ₃ 。 (4)

反熵A表示优势散射以外的较弱散射分量间的关系^[9], 即

A=(λ ₂-λ ₃)/(λ ₂+λ ₃) 。 (5)

根据H和α 的不同取值, 即可确定图像每个像元在H/Alpha平面(图1)中的位置, 从而将像元归入8个不同的类别; 对每个类别取平均操作, 得到初始聚类结果。加入A后, 设置1个阈值, 可以得到16个不同的类别。

	Figure Option View Download New Window
	图1 H/Alpha分类图^[2]Fig.1 Classification image of H/Alpha^[2]

1.1.2 基于复Wishart分布的极大似然分类

以1.1.1节初始聚类结果作为中心, 进行基于复Wishart分布的极大似然分类。其原理^[8]如下:

极化协方差矩阵的概率密度分布函数服从n个自由度的复Wishart分布, 其分布函数P_T为

$\begin{matrix} P_{T}^{(n)} \end{matrix}$ (C)= $\begin{matrix} \frac{n^{qn} {(C)}^{n - q} esp (- n T_{r} \sum^{- 1} C)}{K (n, q) | \sum^{—} |^{n}} \end{matrix}$ , (6)

其中

K(n, q)=π ⁽¹^/²⁾^q⁽^q-¹⁾Γ (n)…Γ (n-q+1) , (7)

式中: n为视数; q代表不同的极化方式, 在互易性情况下, q=3; T_r为矩阵的迹; C为极化协方差矩阵; ∑ =E(C); K为归一化因子; Γ (· )为Gamma函数。对矩阵进行线性变换可以得到极化相干矩阵T。因此, 极化相干矩阵的概率密度分布函数也服从n个自由度的复Wishart分布。

进一步对图像进行开窗操作, 计算窗口内所有像元的平均极化相干矩阵; 然后分别求该矩阵与8个类别中心的距离^[8], 即

dist(T|∑ _i)=ln|∑ _i|+T_r(∑ $\begin{matrix} {_{i}}^{- 1} \end{matrix}$ T) , (8)

式中: ∑ _i为第i个类别中心的极化相干矩阵; T为窗口内所有像元极化相干矩阵的均值矩阵。比较8个距离, 将像元归为距离最小的那一类。

1.2 分类器存在的问题及改进思路

H/Alpha的初始聚类过程是根据图1内H和α 的不同取值进行初始类别划分的。而实际上, H和α 取值和不同的地物类型并没有严格的对应关系^[8]。另外, 该聚类在算法实现上也是采用近似的形式, 没有完全按照图1内的曲线进行边界划分, 因此, 由图1得到的初始聚类结果存在一定的偏差。对于基于初始聚类中心的分类算法, 初始聚类中心的位置直接影响最终分类结果, 若该位置选择不当, 必然会降低分类精度。因此, 对极化特征分解和初始聚类过程进行改进, 有望提高全极化SAR图像的分类精度。

2 改进的MCSM-Wishart分类算法

本研究从2个方面优化初始聚类效果: ①引入MCSM分解对全极化SAR图像进行极化分解, 提取表面散射、二次散射、体散射、螺旋体散射和线散射等更为全面的基本散射信息作为特征, 解决仅使用H, α 和A特征进行初始聚类的不足; ②使用聚类效果更好的ISODATA聚类算法代替图1中的简单聚类算法, 以提高初始聚类精度。

2.1 MCSM分解

MCSM分解的极化协方差阵^[6]为

C=f_sC_surface+f_dC_double+f_vC_volume+f_hC_helix+f_wC_wire

=f_s $\begin{matrix} |\begin{matrix} | β |^{2} & 0 & β \\ 0 & 0 & 0 \\ β^{*} & 0 & 1 \end{matrix}| \end{matrix}$ +f_d $\begin{matrix} |\begin{matrix} | α |^{2} & 0 & α \\ 0 & 0 & 0 \\ α^{*} & 0 & 1 \end{matrix}| \end{matrix}$ + $\begin{matrix} \frac{f_{v}}{15} \end{matrix} \begin{matrix} |\begin{matrix} 8 & 0 & 2 \\ 0 & 4 & 0 \\ 2 & 0 & 3 \end{matrix}| \end{matrix}$ + $\begin{matrix} \frac{f_{h}}{4} \end{matrix} \begin{matrix} |\begin{matrix} 1 & \pm j \sqrt[]{2} & - 1 \\ \mp j \sqrt[]{2} & 2 & \pm j \sqrt[]{2} \\ - 1 & \mp j \sqrt[]{2} & 1 \end{matrix}| \end{matrix}$ +

f_w $\begin{matrix} |\begin{matrix} | γ |^{2} & \sqrt[]{2} γ ρ^{*} & γ \\ \sqrt[]{2} γ^{*} ρ & 2| ρ |^{2} & \sqrt[]{2} ρ \\ γ & \sqrt[]{2} ρ^{*} & 1 \end{matrix}| \end{matrix}$ , (9)

式中: f_s, f_d, f_v, f_h和f_w分别为表面(surface)散射、二次(double)散射、体(volume)散射、螺旋体(helix)散射和线(wire)散射系数; α , β , γ 和ρ 为未知数; α ^*, β ^*, γ ^*和ρ ^*分别为α , β , γ 和ρ 的共轭。求解式(9), 即可得到各散射系数及α 和β 的值; γ 和ρ 可以通过下式求解^[6], 即

$\begin{matrix} \{\begin{matrix} γ = \frac{S_{HH}}{S_{VV}} \\ ρ = \frac{S_{HV}}{S_{VV}} \end{matrix} \end{matrix}$ , (10)

式中S_HH, S_VV, S_HV和S_VV分别表示极化方式为HH, VV, HV和VV的散射矩阵。

根据各散射成分的系数, 即可计算各散射功率的值, 计算公式^[6]为

$\begin{matrix} \{\begin{matrix} P_{s} = f_{s} (1 + | β |^{2}) \\ P_{d} = f_{d} (1 + | α |^{2}) \\ P_{v} = f_{v} \\ P_{h} = f_{h} \\ P_{w} = f_{w} (1 + | γ |^{2} + 2 | ρ |^{2}) \end{matrix} \end{matrix}$ , (11)

式中: P_s为表面散射功率; P_d为二次散射功率; P_v为体散射功率; P_h为螺旋体散射功率; P_w为线散射功率。

对极化协方差矩阵进行线性变换可以得到极化相干矩阵。因此, 极化相干矩阵同样可以通过MCSM分解得到以上各散射成分的系数。从当前极化目标分解算法的发展和评述来看, MCSM分解的方法能充分提取出各种自然和人工地物的各种散射成分的信息, 将这些信息作为特征向量可以较全面地反映图像的物理性质^[16]。

2.2 ISODATA聚类

ISODATA是一种运行速度较快、可以自动合并和分裂聚类结果的非监督分类或聚类方法。与K-means聚类算法相比, ISODATA可以进行类别的合并和分裂, 灵活性较好, 聚类结果更为合理。大量实验分析表明, ISODATA聚类具有算法实现简单、运算速度快、聚类效果较好等特点。

传统的ISODATA聚类算法多采用欧式距离计算样本与聚类中心的距离。但考虑到极化数据不同于光学数据的概率分布, 本文对比欧式距离和马氏距离后, 采用马氏距离进行距离计算, 即

D_m(t)= $\begin{matrix} \sqrt[]{\frac{1}{2} (s_{i} - m_{j})^{T} Σ_{j}^{- 1} (s_{i} - m_{j})} \end{matrix}$ , (12)

式中样本s_i与中心m_j分别为

s_i=[s_i₁s_i₂ … s_in]^T , (13)

m_j=[m_j₁m_j₂ … m_jn]^T , (14)

$\begin{matrix} \{\begin{matrix} \sum_{i} = [\begin{matrix} σ_{11} & \dots & σ_{1 n} \\ ︙ & ︙ \\ σ_{m 1} & \dots & σ_{mn} \end{matrix}] \\ σ_{kl} = \frac{\overset{n_{j}}{\sum_{i = 1}} (s_{ik} - m_{jk}) (s_{il} - m_{jl})}{n_{j} (n_{j} - 1)} \end{matrix} \end{matrix}$ 。 (15)

2.3 MCSM-Wishart分类器改进

改进MCSM-Wishart分类器的核心思想是: ①引入MCSM分解对图像进行极化分解, 提取表面散射、二次散射、体散射、螺旋体散射和线散射等更为全面的基本散射信息作为特征; ②使用聚类结果更好的ISODATA算法。因此, MCSM-Wishart分类器的改进主要包括4个部分: 图像预处理、极化特征的提取、初始聚类结果的生成和复Wishart分布的迭代分类。具体分类步骤如下:

1)数据预处理。读入全极化SAR图像, 进行多视处理, 按照通用方法将多视比设为7∶ 1。设置滤波窗口大小为7像元× 7像元, 进行Refined Lee滤波, 得到图像的极化相干矩阵T。

2)MCSM分解。设置的窗口大小与步骤1)保持一致, 对极化相干矩阵T进行MCSM分解, 提取表面散射、二次散射、体散射、螺旋体散射和线散射等多种散射成分, 将其组合成特征向量, 用以表征极化信息。

3)ISODATA初始聚类。设置ISODATA聚类算法的初始条件(最小、最大类别等), 对步骤2)产生的特征向量进行迭代聚类, 生成初始聚类结果。

4)计算聚类中心。在各聚类内部进行平均操作, 计算出初始聚类中心。

5)计算距离并聚类。选择步骤4)生成的聚类中心, 设置循环条件, 进行基于复Wishart分布的迭代分类; 根据式(8)计算图像内所有像元到各聚类中心的距离, 将像元归入距离最小的类别。

6)判断是否满足循环终止条件, 若不满足, 返回步骤4)继续进行计算; 否则, 完成分类。

3 实验与分析

为验证本文算法, 选择南京溧水和盐城滨海研究区2景ALOS的1.1级PALSAR(phased array L-band SAR)图像(全极化方式)的子图像为数据源进行实验。2景图像的获取时间分别为2011年3月22日和2009年4月9日。其中, 研究区1(南京溧水)图像大小为400像元× 400像元, 研究区2(盐城滨海)图像大小为500像元× 500像元。研究区内包括水体、建筑物、耕地、林地和道路等地物类型。实验结果采用目视解译数据和Google Earth图像, 通过综合对比的方法确定测试样例, 进行精度评价。研究区1的Google Earth图像成像时间为2013年4月10日; 研究区2的TM图像成像时间为2010年4月29日。2个研究区均属县级行政单位下的乡镇地区, 全极化SAR图像、TM图像和Google Earth图像在获取时间间隔内土地利用变化较小, 因此虽然在时相上有一定差距, 但仍具有参考价值。

实验采用的处理软件为POLSARPro(the polarimetric SAR data processing and educational tool)软件, 数据预处理包括多视处理、滤波和极化特征分解等, 传统H/Alpha/A-Wishart分类算法及监督-Wishart分类算法采用该软件自带的功能, 改进算法采用C语言实现。

研究区1和研究区2的Pauli基分解^[1](极化校准)及假彩色合成图像如图2所示。

	Figure Option View Download New Window
	图2 研究区Pauli基分解及假彩色合成图像Fig.2 False color composite images and Pauli decomposition of two study areas

首先进行图像预处理工作, 包括多视、滤波和极化特征分解。对图像进行多视处理, 多视比设为7∶ 1; 对多视处理后的图像进行窗口大小为7像元× 7像元的Refined Lee滤波处理; 通过MCSM分解提取出各种散射成分。然后进行初始聚类, ISODATA算法设置的初始条件为: 最小类别为8, 最大类别为12, 类内最小个数为2, 类间最小距离为4, 最大迭代次数为20, 最大类标准差为1。通过聚类结果计算聚类中心, 最后进行复Wishart分类, 得到分类结果。

作为对比, 本文还分别进行了H/Alpha-Wishart和H/Alpha/A-Wishart算法的非监督分类实验, 并选择训练样本进行了监督-Wishart分类实验。其他分类器如Freeman-H/Alpha-Wishart, H/Alpha-SPAN等的分类精度与H/Alpha/A-Wishart分类器的分类精度相似。为便于研究, 仅以H/Alpha-Wishart和H/Alpha/A-Wishart算法进行实验。为便于比较分类结果, 结合训练样本和监督分类结果对非监督聚类后的结果进行了类别合并(图3和图4)。

	Figure Option View Download New Window
	图3 研究区1不同算法分类结果Fig.3 Classification results by different algorithms for study area one

从图3(a)可以看出, 在研究区1, 原H/Alpha-Wishart算法将水体和耕地混分。原因在于, 当水体面积较少时, H/Alpha分解提取出的特征不足以反映地物的极化性质, 因此影响了最终的精度。虽然对H/Alpha/A-Wishart算法有所改善, 但整体精度仍低于改进后的MCSM-Wishart算法精度。通过对比图3(b)与图3(c)可以看出, 在研究区1, H/Alpha/A-Wishart算法存在耕地和林地混分、林地和建筑物混分的情况, 而MCSM-Wishart算法则较少存在以上混分现象。另外, MCSM-Wishart算法提取出的水体也多于H/Alpha/A-Wishart算法, 这是因为, MCSM算法提取出了更多的极化特征用于分类。

	Figure Option View Download New Window
	图4 研究区2不同方法分类结果Fig.4 Classification results by different algorithms for study area two

对比图4(a)(b)(c)可以看出, 在研究区2, H/Alpha-Wishart和H/Alpha/A-Wishart算法均不同程度地存在建筑和道路混分、道路和水体混分的情况; 而MCSM-Wishart算法则能较好地区分出建筑、道路和水体, 图4下部的水体中混有道路的情况得到了改善, 图4右上部的建筑物中混有道路的情况得到改进。主要原因是MCSM方法提取出了螺旋体散射、线散射等较多的能反映城市地区地物类型的特征, 因此能较好地对城市及周边的不同人造地物进行类别划分。

为比较各算法的分类精度, 结合Google Earth图像、TM图像对2个研究区进行人工采样, 手工选择了各种地物类型的测试样本如表1所示。

表1 测试样本 Tab.1 Test samples(像元)

4种算法的分类精度见表2。

表2 4种算法的分类精度 Tab.2 Classification results of four kinds of algrithm

从表2可以看出, 无论研究区1还是研究区2, MCSM-Wishart算法的分类精度均有较大提升, 分别比H/Alpha/A-Wishart算法提高了4.22%和11.81%; Kappa系数则分别提高了0.05和0.16。

与监督-Wishart算法相比, MCSM-Wishart算法精度稍差, 说明极化特征提取方法还有需要完善之处。4种算法的执行效率见表3。

表3 4种算法的执行效率 Tab.3 Efficiency of four kinds of algorithm(s)

从表3中4种算法的运行时间来看, MCSM-Wishart算法效率高于H/Alpha/A-Wishart算法。虽然监督-Wishart算法需要的时间更短, 但这个时间并未包含选择训练样本的时间、也没有考虑训练样本选择的实际困难。因此总的来看, MCSM-Wishart算法是一种有效的非监督分类算法。

综上所述, 无论总体精度、Kappa系数还是运行效率, MCSM-Wishart算法均较H/Alpha-Wishart算法和H/Alpha/A-Wishart算法有了明显的提高。

4 结论

1)经典的全极化SAR图像非监督分类主要以H/Alpha/A分解提取的极化特征为基础进行图像分类, 但总体分类精度往往较低, 不能满足应用要求。造成这种情况的原因是多方面的, 如该分解法并不能完全提取反映全极化SAR图像的全部特征, 选择的分类器并不能很好地对图像进行分类等。

2)引入MCSM算法是提高全极化SAR图像分类准确性的有效途径之一。本文在传统的极化信息提取基础上, 引入多极化特征提取的MCSM算法, 全面提取出反映城市地物类型的极化特征; 然后通过改进的聚类算法进行初始聚类, 以此为基础对原H/Alpha/A-Wishart分类器进行改进。

3)以ALOS的PALSAR图像为遥感数据源进行综合分类实验的结果表明, 改进的MCSM-Wishart分类算法较经典的H/Alpha/A-Wishart分类器在分类精度、Kappa系数、算法效率等指标上均有很大的提高。因此, 提取全极化SAR图像的线散射等极化特征, 然后与二次散射、表面散射和螺旋体散射等经典的极化特征相结合, 辅以速度快、精度高的ISODATA聚类算法, 可以有效地提高全极化SAR图像分类的精度。

4)下一步的研究将充分考虑从全极化SAR图像中提取其他的特征(如纹理和空间几何信息等), 并将其与极化特征相结合, 对H/Alpha/A-Wishart分类器作进一步改进。

志谢: 感谢欧洲空间局提供开源软件POLSARPro。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	Cloude S R, Pottier E. A review of target decomposition theorems in Radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498-518. [本文引用:2] [JCR: 3.467]
[2]	Cloude S R, Pottier E. An entropy based classification scheme for land applications of polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78. [本文引用:3] [JCR: 3.467]
[3]	Freeman A, Durden S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973. [本文引用:1] [JCR: 3.467]
[4]	Yamaguchi Y, Moriyama T, Ishido M, et al. Four-component scattering model for polarimetric SAR image decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699-1706. [本文引用:1] [JCR: 3.467]
[5]	Yamaguchi Y, Sato A, Boerner W M, et al. Four-component scattering power decomposition with rotation of coherency matrix[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2251-2258. [本文引用:1] [JCR: 3.467]
[6]	Zhang L M, Zou B, Cai H J, et al. Multiple-component scattering model for polarimetric SAR image decomposition[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(4): 603-607. [本文引用:4] [JCR: 1.823]
[7]	王庆, 曾琪明, 廖静娟. 基于极化分解的极化特征参数提取与应用[J]. 国土资源遥感, 2012, 24(3): 103-110. doi: DOI: 106046/gtzyyg. 2012. 03. 19. Wang Q, Zeng Q M, Liao J J. Extraction and application of polarimetric characteristic parameters based on polarimetric decomposition[J]. Remote Sensing for Land and Resources, 2012, 24(3): 103-110. doi: DOI:10.6046/gtzyyg.2012.03.19. [本文引用:1]
[8]	Lee J S, Grunes M R, Ainsworth T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2249-2258. [本文引用:5] [JCR: 3.467]
[9]	Pottier E, Lee J S. Application of the H/A/α polarimetric decomposition theorem for unsupervised classification of fully polarimetric SAR data based on the Wishart distribution[J]. Proceeding of the Committee on Earth Observing Satellites SAR Workshop. Toulouse: NASA, 1999: 335-340. [本文引用:3]
[10]	Lee J S, Grunes M R, Pottier E, et al. Unsupervised terrain classification preserving polarimetric scattering characteristics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4): 722-731. [本文引用:2] [JCR: 3.467]
[11]	Cao F, Hong W, Wu Y R. An improved Cloude-Pottier decomposition using H/α/SPAN and complex Wishart classifier for polarimetric SAR classification[C]//International Conference on Radar. Shanghai: IEEE, 2006: 1-4. [本文引用:2]
[12]	杨磊, 刘伟, 王志刚. 加权全极化SAR图像非监督Wishart分类方法[J]. 电子与信息学报, 2008, 30(12): 2827-2830. Yang L, Liu W, Wang Z G. Weighted-based unsupervised Wishart classification of fully polarimetric SAR image[J]. Journal of Electronics and Information Technology, 2008, 30(12): 2827-2830. [本文引用:1] [CJCR: 0.8805]
[13]	郎丰铠, 杨杰, 赵伶俐, 等. 基于Freeman散射熵和各向异性度的极化SAR影像分类算法研究[J]. 测绘学报, 2012, 41(4): 556-562. Lang F K, Yang J, Zhao L L, et al. Polarimetric SAR data classification with freeman entropy and anisotropy analysis[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(4): 556-562. [本文引用:1] [CJCR: 1.403]
[14]	赵伶俐, 杨杰, 李平湘, 等. 极化SAR影像弱散射地物统计分类[J]. 遥感学报, 2013, 17(2): 312-310. Zhao L L, Yang J, Li P X, et al. Statistical classification of weak backscattering scatterers of PolSAR image[J]. Journal of Remote Sensing, 2013, 17(2): 312-319. [本文引用:1] [CJCR: 0.992]
[15]	Paladini R, Martorella M, Berizzi F. Classification of man-made targets via invariant coherency-matrix eigenvector decomposition of polarimetric SAR/ISAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(8): 3022-3034. [本文引用:1] [JCR: 3.467]
[16]	Zhang L M, Lu D, Tang W Y. A GS-based built-up area detection method using polarimetric SAR images[C]//2012 IEEE International Geoscience and Remote Sensing Symposium. Munich: IEEE, 2012: 5911-5914. [本文引用:1]

1996

3.467

0.0

... 0 引言全极化合成孔径雷达(polarimetric synthetic aperture Radar,PolSAR)系统是在传统的单极化、双极化和多极化雷达系统基础上发展起来的新型主动微波成像系统,如何通过全极化SAR系统提供的极化信息对地物进行分类已成为全极化SAR图像应用的一个重要方面^[1] ...

... 研究区1和研究区2的Pauli基分解^[1](极化校准)及假彩色合成图像如图2所示 ...

1997

3.467

0.0

... 国内外学者在全极化SAR图像极化特征提取方面开展了大量研究^{[2,3,4,5,6,7]} ...

... 极化相干矩阵T可以表示为3个独立的相干矩阵之和^[2],即 ...

... 在此基础上,Cloude等^[2]定义了熵H,用于表示地物散射的随机程度,即 ...

1998

3.467

0.0

... 国内外学者在全极化SAR图像极化特征提取方面开展了大量研究^{[2,3,4,5,6,7]} ...

2005

3.467

0.0

... 国内外学者在全极化SAR图像极化特征提取方面开展了大量研究^{[2,3,4,5,6,7]} ...

2011

3.467

0.0

... 国内外学者在全极化SAR图像极化特征提取方面开展了大量研究^{[2,3,4,5,6,7]} ...

2008

1.823

0.0

... 国内外学者在全极化SAR图像极化特征提取方面开展了大量研究^{[2,3,4,5,6,7]} ...

... 1 MCSM分解MCSM分解的极化协方差阵^[6]为 ...

... 可以通过下式求解^[6],即 ...

... 根据各散射成分的系数,即可计算各散射功率的值,计算公式^[6]为 ...

2012

0.0

王庆, 曾琪明, 廖静娟. 基于极化分解的极化特征参数提取与应用[J]. 国土资源遥感, 2012, 24(3): 103-110. doi: DOI: 106046/gtzyyg. 2012. 03. 19.

Wang

, Zeng Q

, Liao J

Extraction and application of polarimetric characteristic parameters based on polarimetric decomposition[J]. Remote Sensing for Land and Resources, 2012, 24(3): 103-110. doi: DOI:10.6046/gtzyyg.2012.03.19.

Based on the polarization decomposition, the authors obtained a set of characteristic parameters to characterize the surface features, and formed some indices by combing these characteristic parameters to extract vegetation growing information such as radar vegetation indexes. These characteristic parameters have the function of reflecting the backscattering information and indirectly obtaining such information as vegetation growing, density and distribution areas. A scene of Radarsat-2 full polarimetric SAR data covering Poyang Lake region was chosen for this experiment and the sample data which included the biomass and vegetation density information were collected in the field at the same time. On the basis of an analysis of vegetation characteristics in this test region, the characteristic parameters were compared with each other and analyzed for their physical meaning. The radar vegetation index and field measurements of biomass sample parameters were statistically correlated. The experimental results show that the four characteristic parameters described in this paper give the same overall trend on the random scattering of vegetation, but different indexes have different indications with the increasing vegetation density, of which the most accurate index is the radar vegetation index, which has the maximum dynamic range. The radar vegetation index has a high linear correlation with the biomass of wetland vegetation, so that it can be used to quantitatively infer the vegetation covering density and the biomass information.

1. Institute of Remote Sensing and GIS, Peking University, Beijing 100871, China; 2. Center for Earth Observation and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China

基于极化分解原理,获取了描述地物散射机制的特征参数,并组合成一些特征指数,如雷达植被指数等。这些特征指数具有反映体散射信息的能力,从而可间接获取植被长势、疏密程度及分布区域等信息。实验选择了鄱阳湖区Radarsat-2全极化数据,结合野外采集的样本数据,在分析该区植被特征的基础上,对不同特征参数进行了对比分析,对雷达植被指数与实地测量样本的生物量参数进行了相关分析。实验结果表明: 文中给出的4种特征参数对植被引起的随机散射的描述总体趋势是一致的,但随着植被覆盖密度的增大,不同特征指数具有一定的差异,其中雷达植被指数最为准确,适用动态范围最大,并且与湿地植被生物量具有较高的线性相关性,可以定量地反映研究区的植被疏密及生物量差异信息。

... 国内外学者在全极化SAR图像极化特征提取方面开展了大量研究^{[2,3,4,5,6,7]} ...

1999

3.467

0.0

... 利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8,9,10,11,12,13,14,15]} ...

... Lee等^[8]首先用H/Alpha分解法提取的特征对图像进行初始聚类,得到8个聚类中心 ...

... 其原理^[8]如下: ...

... 然后分别求该矩阵与8个类别中心的距离^[8],即 ...

... 取值和不同的地物类型并没有严格的对应关系^[8] ...

1999

0.0

... 利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8,9,10,11,12,13,14,15]} ...

... Pottier等^[9]提出了H/Alpha/A-Wishart分类器,在H/Alpha分解的基础上加入A特征,将图像聚成16类,再对图像进行复Wishart迭代分类 ...

... 反熵A表示优势散射以外的较弱散射分量间的关系^[9],即 ...

2004

3.467

0.0

... 利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8,9,10,11,12,13,14,15]} ...

... Lee等^[10]进一步结合Freeman分解法对上述方法进行改进,提出Freeman-H/Alpha-Wishart分类器,该分类器通过Freeman分解提取体散射、表面散射和二次散射信息,然后根据H/Alpha/A-Wishart分类器进行分类,分类中要求各类别必须保持纯净性(即各类别内部各像元必须基于相同的散射性质),必须是体散射、表面散射或二次散射中的一种,该分类器已经隐含参考Freeman分解进行分类,但并没有直接利用Freeman分解得到的特征,而是简单地要求分类结果必须具有相同的散射性质,因此还具有一定局限性 ...

2006

0.0

... 利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8,9,10,11,12,13,14,15]} ...

... 无论H/Alpha-Wishart分类器、Freeman-H/Alpha-Wishart分类器或者H/Alpha-SPAN^[11]分类器,其分类结果均明显依赖于H/Alpha初始聚类结果,导致最终分类精度不高 ...

2008

0.0

0.8805

杨磊, 刘伟, 王志刚. 加权全极化SAR图像非监督Wishart分类方法[J]. 电子与信息学报, 2008, 30(12): 2827-2830.

Yang

, Liu

, Wang Z

Weighted-based unsupervised Wishart classification of fully polarimetric SAR image[J]. Journal of Electronics and Information Technology, 2008, 30(12): 2827-2830.

For improving the estimated precision and rationality of the scattering coherency matrixes of the class center of different terrain types among the unsupervised classification based on polarimetric target decomposition and the maximum likelihood classifier based on the complex Wishart distribution, a new method for unsupervised classification of terrain types is proposed in this paper. Through weighted-based calculating coherency matrix of the center of every class, the coherency matrix can better represent the class center because the method well considers the correlation of pixels and the texture information of SAR image. The algorithm is described in detail and the contrastive experiment is done using AIRSAR L band polarimetric images. The experiment result indicates that the classification’s accuracy of the method is higher and the iterative speed is faster.

Institute of Information Engineering, University of Information Engineering, Zhengzhou 450002, China

为提高基于极化目标分解与复Wishart非监督分类方法中对不同类别地物中心散射相关矩阵的估值精度与合理性，本文提出了加权全极化SAR图像非监督Wishart分类方法，该方法通过对求解每一类地物散射相关矩阵时，进行数值加权，使得求解的散射相关矩阵更能代表地物类别的中心。本文详细阐述了该方法的原理和实施步骤，并通过对AIRSAR的L波段实际数据进行分类实验，可知该加权算法无论在分类精确度上还是在迭代速度上，性能都有所提高。

... 利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8,9,10,11,12,13,14,15]} ...

2012

0.0

1.403

... 利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8,9,10,11,12,13,14,15]} ...

2013

0.0

0.992

... 利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8,9,10,11,12,13,14,15]} ...

2011

3.467

0.0

... 利用极化分解获得的特征可以对全极化SAR图像进行分类^{[8,9,10,11,12,13,14,15]} ...

2012

0.0

... 从当前极化目标分解算法的发展和评述来看,MCSM分解的方法能充分提取出各种自然和人工地物的各种散射成分的信息,将这些信息作为特征向量可以较全面地反映图像的物理性质^[16] ...