国土资源遥感, 2020, 32(2): 88-93 doi: 10.6046/gtzyyg.2020.02.12

技术方法

结合视觉特征的极化SAR图像分类

黄鹏艳1, 卜丽静2, 范永良3

1.洛阳理工学院土木工程学院,洛阳 471000

2.辽宁工程技术大学测绘与地理科学学院,阜新 123000

3.兰州大学土木工程与力学学院,兰州 730000

Integrating visual features in polarimetric SAR image classification

HUANG Pengyan1, BU Lijing2, FAN Yongliang3

1. School of Civil Engineering, Luoyang Institute of Science and Technology, Luoyang 471000, China

2. School of Mapping and Geographical Science, Liaoning Technical University, Fuxin 123000,China

3. College of Civil Engineering and Mechanics, Lanzhou University, Lanzhou 730000, China

责任编辑: 张仙

收稿日期: 2019-06-6   修回日期: 2019-09-30   网络出版日期: 2020-06-15

基金资助: 国家自然科学基金青年科学基金项目“增量式非参局部自适应MAP模型的凝视卫星视频运动场景超分辨率重建”.  41801294
洛阳理工学院青年基金研究项目“极化SAR图像的分类方法研究”.  2016QZ06

Received: 2019-06-6   Revised: 2019-09-30   Online: 2020-06-15

作者简介 About authors

黄鹏艳(1988-),女,硕士,助教,主要从事雷达图像解译方面的研究。Email:757083692@qq.com。 。

摘要

为充分提取极化合成孔径雷达(synthetic aperture Radar,SAR)图像中的信息,提高图像分类精度,提出结合视觉特征的极化SAR图像分类方法。首先,通过极化目标分解方法提取极化参数组成极化特征向量; 然后,通过灰度共生矩阵和假彩色合成图像提取极化SAR图像中的纹理和颜色特征参数构成视觉特征向量; 最后,将视觉特征向量与极化特征向量组合成新的特征向量,并利用支持向量机(support vector machine,SVM)方法进行分类。对RADARSAT-2的全极化SLC数据进行分类实验,结果表明,与仅使用极化特征向量相比,视觉特征的加入能有效提高极化SAR图像的分类精度。

关键词： 目标分解 ; 视觉特征 ; 极化SAR分类 ; 特征向量

Abstract

In order to improve the polarimetric synthetic aperture Radar (SAR) images classification accuracy by fully extracting variety of useful information, this paper proposes integrating visual features in SAR images classification. Firstly the authors constructed the polarimetric decomposition feature vector, then extracted texture parameters with Grayscale symbiosis matrix, and finally extracted color feature parameters by pseudo-color image. Based on constructing visual vector with texture and color parameter, the authors integrated the visual vector with the polarimetric feature vector to combine the new feature vectors. Using different feature vectors for classification of full PolSAR image, the authors made a comparative study of the classification results. The results show that the combination of visual features can effectively improve the classification accuracy of fully polarimetric SAR image.

Keywords： target decomposition ; visual features ; polarimetric SAR image classification ; feature vector

PDF (5301KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

黄鹏艳, 卜丽静, 范永良. 结合视觉特征的极化SAR图像分类. 国土资源遥感[J], 2020, 32(2): 88-93 doi:10.6046/gtzyyg.2020.02.12

HUANG Pengyan, BU Lijing, FAN Yongliang. Integrating visual features in polarimetric SAR image classification. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(2): 88-93 doi:10.6046/gtzyyg.2020.02.12

0 引言

合成孔径雷达(synthetic aperture Radar,SAR)技术是一种高分辨率微波侧视成像系统,具有不受光照气候等自然条件限制且具有一定穿透力等优点,在地形测绘、环境监测等领域应用广泛[1]。与普通SAR相比,极化SAR[2]因特有的极化模式能获取地物目标的极化散射等更多数据,但其成像方式特殊,用户难以直接提取有用信息,解译极化SAR图像就变得十分重要[3]。对极化SAR图像进行地物类别分类是其中重要的研究方向[4,5,6],常见方式是通过极化目标分解的方法从图像中提取极化特征参数构成极化特征向量来进行分类[7,8,9,10]。此外,极化SAR图像还蕴含着纹理、颜色等视觉特征[11]信息,纹理特征与极化特征结合用于图像分类的研究较为常见[12,13,14],颜色特征也已被用于极化SAR图像分类中[15,16],但纹理和颜色特征作为视觉特征,将二者同时用于极化SAR图像分类中还未见相关报道。

本文提出同时提取图像的纹理特征和颜色特征参数以构成视觉特征向量,将视觉特征向量与极化特征向量相结合用于极化SAR图像分类,给出了极化和视觉2种特征向量的提取和组合过程,并采用支持向量机(support vector machine,SVM)分类器[17]进行分类。对湖北地区采集的全极化SAR图像分别在极化特征向量和加入视觉特征的向量下进行分类实验,以证明有效提取图像中所蕴含的视觉特征可以促进分类精度的提升。

1 分类特征选择

极化特征和视觉特征是从不同角度对极化数据的分析,可提供目标的多方面属性。极化特征是基于目标的散射属性如幅度和相位等的特征[3],是极化SAR图像分类最常使用的特征。但极化特征信息是基于像素级别的对地面散射回波的测量,在反映图像的空间分布特征和细节表现上有所限制。视觉特征是从图像中分析抽取底层纹理、颜色等视觉信息[11]来衡量图像区域之间的相似程度以实现图像的分类。纹理特征作为符合视觉特征的重要信息之一,是图像灰度在空间上的重复或变化,可以充分反映图像的整体特征[18,19]。颜色特征反映图像颜色的组成和分布规律以及各颜色之间的相互关系,不随图像大小和方向的改变而改变,具有相当强的鲁棒性[20]。从图像中提取纹理信息和颜色信息组成视觉特征向量并将其与极化特征相结合用于极化SAR图像分类,使得地形类别的空间信息能被很好地利用,提高极化特征相似的地物类别的区分能力,改善分类效果。

1.1 极化特征参数

本文通过极化目标分解的方法提取极化特征参数。极化目标分解基于切合实际的物理约束解译目标的散射机制,将地物目标复杂的散射过程分解成独立的简单散射机制之和,从而便于提取极化特征用于地物分类识别。现有多种极化目标分解方法,其中Huynen分解[21]是经典的分布式散射体的分解方法,能从复杂环境中提取出稳态的纯目标; Freeman-Durden分解[22]具有保持总功率不变的特质,可初步确定后向散射中占主要地位的散射机制成分。将这2种目标分解方法相结合提取极化特征参数用于极化SAR图像分类,可以区分覆盖在地表上的不同地物类型。

Huynen分解[21]将非相干目标分解成一个单一散射的稳态目标和一个包含4个自由度的残余目标。对分布式目标的相干矩阵进行参数化表示,每一个参数都含有一定的目标散射信息。矩阵对角线上的参数A0,B0-B和B0+B分别表示目标的对称性因子、非对称性因子和非规则性因子。

Freeman-Durden分解[22]对三分量散射机制模型进行物理拟合,包括体散射、偶次散射和表面散射。体散射用一组随机取向的细长偶极子的集合来模拟,对应的散射功率为Pv; 偶次散射用一对具有不同介电常数的相互垂直的二面角反射器来模拟,散射功率为Pd; 表面散射模拟微粗糙一阶布拉格表面散射模型,对应的散射功率为Ps。

1.2 视觉特征参数

1.2.1 纹理参数

常用的纹理特征提取方法有灰度共生矩阵法、灰度行程长度法、自相关函数法、小波理论等,本文采用灰度共生矩阵法[11]提取总功率SPAN灰度图像的纹理参数。灰度共生矩阵法是一种经典的统计模型分析法,能有效地将极化SAR图像中的灰度信息转化为纹理信息,通过灰度共生矩阵描述灰度图像中相隔一定距离的灰度分别为i和j的2像素之间的灰度关系p(i,j),最终计算得到对比度、信息熵、一致性、相异性等纹理特征参数。对比度t1反映图像局部灰度变化; 信息熵t2值的大小可以表示图像纹理的复杂程度; 一致性t3反映图像局部纹理的一致性; 相异性t4表征纹理之间的差异性,能将地物的边缘信息提取出来。表达式分别为

t1= ∑i∑j(i-j)2p(i,j) ,
t2=- ∑i∑jp(i,j)log2p(i,j) ,
t3= ∑i∑jp(i,j)2 ,
t4= ∑i=1∑j=1p(i,j)|i-j| 。

1.2.2 颜色参数

颜色直方图H(k) [11]描述不同颜色在整个彩色图像中所占的比例,被广泛应用于表示图像颜色特征,其表达式为

H(k)=nk/N ,

式中: N为图像像素总数; nk为第k级颜色范围包含的图像像素数,k=0,1,…,L-1; L为颜色直方图的颜色级数。

从4个极化通道的灰度图中选择所含信息量最大且相关性最小的3幅灰度图分别赋予R,G,B颜色通道。为此引入了最佳指数模型(optimum index factor,OIF)法[5],OIF值大说明图像标准差大、信息丰富且相关性小。选择OIF值最大的3幅灰度图像合成假彩色影像。将此假彩色影像由RGB颜色空间转换为HSV颜色空间,提取H,S,V这3个分量,分别等间隔量化为16级、4级、4级。构建一维特征向量,即

G=HQSQV+SQV+V ,

式中QS和QV分别为S和V的量化数级,本文选择QS=4,QV=4。G的取值范围为0~255,计算G获得256柄的一维直方图,经统计得到颜色直方图H(k)。

1.3 构建特征向量

令极化特征参数Ps,Pd,Pv,2A0,B0+B和B0-B组成6维极化特征向量Vp; 纹理特征参数t1,t2,t3,t4和颜色特征参数H(k)分别组成4维纹理特征向量Vt和1维颜色特征向量Vc,Vt和Vc组成5维视觉特征向量Vv。

最后将Vp与Vt、Vc、Vv分别进行结合,构成组合特征向量,分别为

Vp+Vt=[Ps,Pd,Pv,2A0,B0+B,B0-B,t1,t2,t3,t4] ,
Vp+Vc=[Ps,Pd,Pv,2A0,B0+B,B0-B,H(k)] ,
Vp+Vv=[Ps,Pd,Pv,2A0,B0+B,B0-B,t1,t2,t3,t4,H(k)] ,

1.4 研究区地物特征分析

本文研究区位于湖北省咸宁地区。区内地物类别包括水域、道路、建筑物、植被和裸地,对这5种地物类别的极化特征和视觉特征进行分析,如表1所示,其中颜色信息由经OIF法得到的假彩色合成图像中得到。

表1   实验区域地物类别特征分析

Tab.1  Analysis of ground objects characteristics in the study area

地物类型极化特征视觉特征
纹理特征颜色特征
水域粗糙度小,表面散射,较暗区域灰度变化和边缘信息明显,纹理简单、均匀,一致性突出黑色
道路镜面散射,较暗区域细长型纹理结构,边缘信息明显灰黑色
建筑物强散射体,偶次散射,较亮区域灰度变化和边缘信息明显,纹理较为简单亮粉白色
植被树叶、树枝和树干多路径反射,散射机理复杂,体散射边缘信息不明显,面积大,纹理复杂绿色
裸地近似于硬质表面单次散射边缘信息不明显,纹理复杂紫色

新窗口打开| 下载CSV


1.5 基于特征选择的SVM分类

SVM分类器以统计学习理论为基础,通过构造最优分类超平面wφ(x)+b=0,寻求最佳分类效果。针对非线性可分,引入松弛变量ξ和惩罚因子C,通过选择合适的核函数将样本从低维空间映射到高维空间进行分类。可用于SVM分类器的核函数有线性核函数、径向基核函数、多项式核函数等。为确定适合本文实验的核函数和相关参数,采用穷举搜索法对不同核函数及核函数系数进行实验,经实验本文选择二次多项式核函数,并确定了惩罚因子C等的取值。

本文的分类过程为: ①对极化SAR图像进行滤波处理,以降低相干斑噪声的影响; ②对滤波后的图像进行极化目标分解得到极化特征参数,组成极化特征向量Vp; ③提取纹理特征参数和颜色特征参数,组成纹理特征向量Vt、颜色特征向量Vc、视觉特征向量Vv; ④进行特征组合,构成组合特征向量Vp+Vt,Vp+Vc,Vp+Vv; ⑤分别将极化特征向量和组合特征向量输入SVM分类器的分类特征集中,进行分类,并对分类结果进行分析评定。流程图如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   本文算法流程

Fig.1   Flowchart of algorithm in this paper


2 分类实验

2.1 实验数据

本文选用2013年4月12日在湖北咸宁地区采集的RADARSAT-2全极化SLC数据进行实验, C波段(波长范围为37.5~75 mm)成像,距离向分辨率为4.73 mm,方位向分辨率为4.96 mm。4个极化通道的灰度图如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   实验数据

Fig.2   Experimental data


2.2 分类特征提取

2.2.1 提取极化特征

对实验数据进行滤波预处理后分别进行Huynen分解和Freeman-Durden分解,提取极化特征参数Pv,Ps,Pd,2A0,B0+B和B0-B,结果如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   极化参数

Fig.3   Polarimetric parameters


2.2.2 提取视觉特征

提取视觉特征包括提取纹理参数和提取颜色直方图2部分。

对总功率SPAN灰度图提取纹理参数如图4所示。分别计算4个极化通道不同组合的OIF值,结果显示HH,VH和VV的极化通道组合的OIF值最大,为320.774,因此选择该组合方式得到假彩色合成图像进而提取颜色直方图,如图5所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   纹理参数

Fig.4   Textural parameters


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   颜色参数

Fig.5   Color parameters


2.3 分类结果及对比分析

使用SVM分类器,分别利用特征向量Vp,Vp+Vt,Vp+Vc,Vp+Vv进行分类,分类结果如图6所示。为进行对比,引入同区域由SPOT6卫星在2013年6月采集的B4(R),B3(G),B2(B)波段组合光学影像(图6(e)),将前述SVM分类结果与分辨率较高的光学影像进行对比可以看出,仅利用极化特征向量Vp的分类结果中地物类别区域大致得到划分,但类内分布有大量斑点,混分现象较多,没有很好地将道路的细长轮廓分出来。加入视觉特征向量的分类效果明显改善,类内斑点问题较少,水域光滑,道路轮廓清晰可见。由于缺乏分类真值图像,为了定量评价分类精度,随机选取一部分样本建立混淆矩阵[23,24],计算总体分类精度及各地物类别的用户精度,如图7所示。利用极化特征向量Vp的总体分类精度为83.47%,加入纹理特征后分类精度提升为91.56%,加入颜色特征后分类精度为90.29%,而采用本文方法同时加入纹理特征和颜色特征,分类精度为94.38%,优于其他3种方法。其中道路的分类改善最为显著,仅使用极化特征的分类精度仅为52.08%,加入视觉特征后道路的分类精度提高为91.32%; 水域、建筑物、植被、裸地的分类精度均得到了不同程度的提升。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   分类结果图

Fig.6   Classification results


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   分类精度对比

Fig.7   Comparison of classification results


3 结论

本文通过提取极化SAR图像中的极化特征和视觉特征,将二者结合用于图像分类,得到以下结论:

1)与仅利用极化特征向量相比,视觉特征向量的加入充分挖掘了隐藏在图像上的纹理信息和颜色信息,改善了散射特性类似的地物之间的区别能力,使得总分类精度提升了10.91%。

2)视觉特征的加入对各类地物的识别均有促进作用。对散射特性不明显的道路,视觉特征的加入使得其分类精度显著增加。建筑物这种强散射体仅利用极化特征的分类精度已经很高,视觉特征的加入使其分类精度又有小幅提升。

参考文献

Thompson B J, Lee J S, Pottier E. Polarimetric radar imaging:From basics to applications[M]. Boca Raton: CRC Press, 2009: 13-22.

[本文引用: 1]

吴一戎, 洪文, 王彦平.

极化干涉SAR的研究现状与启示

[J]. 电子与信息学报, 2007,29(5):1258-1262.

[本文引用: 1]

Wu Y R, Hong W, Wang Y P.

The current status and implications of polarimetric SAR interferometry

[J]. Journal of Electronics and Information Technology, 2007,29(5):1258-1262.

[本文引用: 1]

Yang J C, Yu K, Gong Y H, et al.

Linear spatial pyramid matching using sparse coding for image classification

[C]// Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Miami:IEEE, 2009,2(5):1794-1801.

[本文引用: 2]

Ersahin K, Cumming I G, Ward R K.

Segmentation and classification of polarimetric SAR data using spectral graph partitioning

[C]// 2007 IEEE International Geoscience and Remote Sensing Symposium. Barcelona:IEEE, 2007.

[本文引用: 1]

韩景红, 王海江.

基于MV与Wishart距离的极化SAR图像分类

[J]. 成都信息工程大学学报, 2019,34(1):31-34.

[本文引用: 2]

Han J H, Wang H J.

PolSAR image classification based on MV and Wishart distance

[J]. Journal of Chengdu University of Information Technology, 2019,34(1):31-34.

[本文引用: 2]

张佳琪, 张继贤, 赵争.

深度神经网络的高分三号全极化SAR图像分类方法

[J]. 测绘科学, 2019,44(2):6-11.

[本文引用: 1]

Zhang J Q, Zhang J X, Zhao Z.

Classification method of GF-3 polarimetric SAR image using deepneural network

[J]. Science of Surveying and Mapping, 2019,44(2):6-11.

[本文引用: 1]

杨玉锋.

基于目标分解的全极化SAR图像分类方法研究

[D]. 南京:南京林业大学, 2016.

[本文引用: 1]

Yang Y F.

Classification method of polarimetric SAR image based on target decomposition

[D]. Nanjing:Nanjing Forestry University, 2016.

[本文引用: 1]

韩飞.

基于目标分解的极化合成孔径雷达图像分类研究

[D]. 成都:电子科技大学, 2016.

[本文引用: 1]

Han F.

Classification method of polarimetric SAR image based on target decomposition

[D]. Chengdu:University of Electronic Science and Technology of China, 2016.

[本文引用: 1]

Du L J, Lee J S.

Polarimetric SAR image classification based on target decomposition theorem and complex Wishart distribution

[J]. 1996 International Geoscience and Remote Sensing Symposium.IEEE, 1996,1(5):439-441.

[本文引用: 1]

赵泉华, 郭世波, 李晓丽, 等.

利用目标分解特征的全极化SAR海冰分类

[J]. 测绘学报, 2018,47(12):1609-1620.

[本文引用: 1]

Zhao Q H, Guo S B, Li X L, et al.

Polarimetric SAR sea ice classification based on target decompositional features

[J]. Acta Geodaetica et Cartographica sinica, 2018,47(12):1609-1620.

[本文引用: 1]

于昕梅, 朱林.

图像视觉特征综述

[J].广东通信技术, 2004(s1):108-109,121.

[本文引用: 4]

Yu X M, Zhu L.

Overview of image visual features

[J].Guangdong Communication Technology, 2004(s1):108-109,121.

[本文引用: 4]

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

[C]// 2009 2nd Asian-Pacific Conference on Synthetic Aperture Radar.IEEE, 2009.

[本文引用: 1]

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.

[本文引用: 1]

Kandaswamy U, Adjeroh D A, Lee M.

Efficient texture analysis of SAR imagery

[J]. IEEE Transaction on Geoscience and Remote sensing, 2005,43(9):2075-2083.

[本文引用: 1]

Uhlmann S, Kiranyaz S.

Integrating color features in polarimetric SAR image classification

[J]. IEEE Transaction on Geoscience and Remote sensing, 2014,52(4):2197-2216.

DOI:10.1109/TGRS.36      URL     [本文引用: 1]

卜丽静, 黄鹏艳, 沈璐.

一种结合颜色特征的PolSAR图像分类方法

[J]. 国土资源遥感, 2017,29(3):59-64.doi: 10.6046/gtzyyg.2017.03.08.

[本文引用: 1]

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.doi: 10.6046/gtzyyg.2017.03.08.

[本文引用: 1]

Chang C C, Lin C J.

LIBSVM:A library for support vector machines

[J]. ACM Transactions on Intelligent Systems and Technology, 2011,2(3):1-27.

[本文引用: 1]

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.

[本文引用: 1]

胡召玲, 李海权, 杜培军.

SAR图像纹理特征提取与分类研究

[J]. 中国矿业大学学报, 2009,38(3):422-427.

[本文引用: 1]

Hu Z L, Li H Q, Du P J.

Study on the extraction of texture features andiIts application in classifying SAR images

[J]. Journal of China University o f Mining and Technology, 2009,38(3):422-427.

[本文引用: 1]

李林科.

基于深度学习的视觉内容描述技术研究

[D]. 成都:电子科技大学, 2018.

[本文引用: 1]

Li L K.

Research on visual content description technology based on deep learning

[D]. Chengdu:University of Electronic Science and Technology of China, 2018.

[本文引用: 1]

Huynen J R.

Phenomenological theory of Radar targets

[D]. Delft:Delft Technical University, 1970.

[本文引用: 2]

Freeman A, Durden S.

A three-component scattering model for polarimetric SAR data

[J]. IEEE Transaction on Geoscience and Remote Sensing, 1998,36(3):963-973.

[本文引用: 2]

肖鹏峰, 刘顺喜, 冯学智, 等.

中分辨率遥感图像土地利用与覆被分类的方法及精度评价

[J]. 国土资源遥感, 2004,16(4):41-45,79.doi: 10.6046/gtzyyg.2004.04.11.

[本文引用: 1]

Xiao P F, Liu S X, Feng X Z, et al.

Methods and accuracy assessment for land use and cover classificationbased on medium resolution remotely sensed data

[J]. Remote Sensing for Land and Resources, 2004,16(4):41-45,79.doi: 10.6046/gtzyyg.2004.04.11.

[本文引用: 1]

叶润青, 牛瑞卿, 张良培, 等.

基于图像分类的矿物含量测定及精度评价

[J]. 中国矿业大学学报, 2011,40(5):810-815,822.

[本文引用: 1]

Ye R Q, Niu R Q, Zhang L P, et al.

Mineral contents determination and accuracy evaluation based on classification of petrographic images

[J]. Journal of China University of Mining and Technology, 2011,40(5):810-815,822.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发