劉惠穎，郭華東，張 露

(1.中國科學院遙感與數(shù)字地球研究所，北京 100094;2.中國科學院大學，北京 100049)

0 引言

遼東灣是我國緯度最高的海域[1]。遼東灣海冰是中緯度季節(jié)性一年冰，每年11月底至次年3月初是結(jié)冰時間，分為初冰期、封凍期和終冰期3個階段。封凍期海冰密集度大于7/10，冰情最嚴重，可以形成海洋災害，至今已造成多次石油平臺倒塌[2]，造成了巨大的經(jīng)濟損失。目前，海冰監(jiān)測已經(jīng)成為海情監(jiān)測的重點業(yè)務，而海冰分類是提取浮冰外緣線等冰情預報參數(shù)的基礎，是海冰遙感研究中的重點。

合成孔徑雷達(synthetic aperture Radar，SAR)是海冰監(jiān)測的有效工具，SAR具有全天時、全天候運作以及能穿透云霧等優(yōu)勢，對于惡劣天氣下的海冰監(jiān)測很重要，而且對于表面有雪或水覆蓋的海冰，SAR有比光學傳感器更強的識別能力[3]。目前星載SAR數(shù)據(jù)以國外的X，C，L波段為主。2012年11月19日我國成功發(fā)射了首顆民用合成孔徑雷達衛(wèi)星HJ-1C，其搭載的SAR傳感器可以提供S波段VV極化的掃描模式(ScanSAR)和條帶模式(StripMap)2種數(shù)據(jù)，空間分辨率分別是20 m和5 m。HJ－1C豐富了國外已有的星載SAR參數(shù)，并且VV極化對于高風速條件下的海冰監(jiān)測具有優(yōu)勢[4]。

目前用于海冰分類的有效特征有灰度、紋理和極化分解信息[5－6]等。紋理提取算法中灰度共生矩陣(gray level co－ occurrence matrices，GLCM)[7－8]是有效方法之一，此外還有馬爾可夫隨機場[9－10]、小波變換[11]等;在分類算法方面，除了最大似然法、神經(jīng)網(wǎng)絡[12－14]等單一的分類算法之外，分類器融合[15－16]的思想也被引入到SAR圖像海冰分類中，該方法可以增強分類結(jié)果的穩(wěn)健性和容錯性。本文則提供一種基于HJ－1C衛(wèi)星S波段VV單極化數(shù)據(jù)，針對遼東灣浮冰類型的海冰分類方法。在研究中引入了基于平整冰面積百分比提取的“平整冰密集度”信息作為分類依據(jù)，并結(jié)合灰度信息和紋理信息，使用最大似然法和決策樹融合的方法進行海冰分類，旨在為海冰分類提供一種新思路。

1 研究區(qū)與數(shù)據(jù)源處理

以我國遼東灣海域為研究區(qū)。覆蓋研究區(qū)的SAR數(shù)據(jù)來自HJ–1C衛(wèi)星的高分辨率條帶模式，S波段VV極化，空間分辨率5 m，掃描幅寬40 km。該數(shù)據(jù)獲取于2013年1月17日，未定標。當時遼東灣海冰處于封凍期，根據(jù)國家海洋預報臺的數(shù)據(jù)，浮冰外緣線達60～70 n mile，接近海冰警報啟動標準。本文用于分類方法驗證的數(shù)據(jù)為SAR圖像的裁剪區(qū)域，位于浮冰外緣線附近，面積約29 km2。

使用3像元×3像元窗口的Enhanced Lee Filter對SAR數(shù)據(jù)進行濾波，濾波后的SAR圖像斑點噪聲有所減弱，如圖1所示。

圖1 濾波后HJ－1C SAR圖像Fig.1 HJ－1C SAR image after filtering

2 研究方法

2.1 訓練樣本選取

結(jié)合SAR圖像特征和遼東灣海冰類型，確定了3種類別的訓練樣本:碎冰(brash ice)、平整冰(level ice)和開闊水(open water)。其中，平整冰表面相對平滑，回波信號較弱，在SAR圖像中灰度值較低;碎冰表面相對粗糙，回波信號較強，具有較高的灰度值;而由于VV極化對海浪條件比較敏感[2]，所以開闊水的回波信號也較強。研究中參考HJ-1B光學數(shù)據(jù)進行采樣與驗證。因為HJ-1B衛(wèi)星數(shù)據(jù)獲取時間是2013－01－17T02:19，而HJ-1C衛(wèi)星數(shù)據(jù)獲取時間是2013－01－17T22:04，所以2景圖像中的海冰分布并不完全一致。雖然海冰位置有所移動，但是部分海冰形狀是不變的，仍然可以用來粗略判定海冰類型。

2.2 紋理特征提取

SAR圖像的灰度信息記錄了海冰類別的后向散射特性，然而僅僅依據(jù)灰度特征進行海冰分類是不夠的，需要紋理信息的輔助?；叶裙采仃囀且环N表征灰度空間分布統(tǒng)計特征的紋理提取算法，本文選用的計算參數(shù)是:窗口大小15像元×15像元、方向90°、位移d=8、灰度量化等級32?；诨叶裙采仃囂崛〉募y理信息有多種統(tǒng)計值，包括均值、對比度、方差、均質(zhì)性、相異性、熵、角二階矩和相關性等。對比度、方差和相異性3者之間，均質(zhì)性和角二階矩之間相關性很高，全部作為輸入信息會產(chǎn)生冗余，所以只選對比度和均質(zhì)性作為代表。最終選用的紋理統(tǒng)計值有均值、對比度、均質(zhì)性、熵和相關性。

2.3 SAR 圖像分類

本研究的分類流程如圖2所示。

圖2 分類流程圖Fig.2 Flow chart of the classification

2.3.1 最大似然法分類

把濾波后的SAR數(shù)據(jù)和提取的紋理信息作為輸入值，使用最大似然法(maximum likelihood，ML)進行初步分類，結(jié)果見圖3。

圖3 最大似然法初步分類結(jié)果Fig.3 Preliminary result of ML classification

由圖3可知，平整冰的提取比較準確;而碎冰和開闊水的混淆比較嚴重，部分開闊水(圖3中的B區(qū))被誤分為碎冰，這主要是因為二者的灰度值分布比較接近(圖4)。

圖4 樣本灰度值(未定標)直方圖分布Fig.4 Histogram of DN values(uncalibrated)of the three classes in SAR data

2.3.2 密集度信息提取與決策樹建立

海冰密集度(sea ice concentration)原指某區(qū)域內(nèi)海冰所占面積的百分比。本文提出的“平整冰密集度”是指某區(qū)域內(nèi)平整冰的面積百分比，以下簡稱“LI密集度”。選用LI密集度作為分類依據(jù)的原理是:碎冰(圖3中A區(qū)的紅色部分)多分布在平整冰周圍，LI密集度較高;而被誤分為碎冰的開闊水(圖3中B區(qū)的紅色部分)大多遠離平整冰，LI密集度比較低。因此，LI密集度可以用來表示碎冰與開闊水的空間分布特征。本文使用的LI密集度信息是基于ML初步分類結(jié)果、使用51像元×51像元滑動窗口來提取的。把密集度信息加入到分類波段中，進一步使用決策樹分類器進行分類(圖5)。

圖5 決策樹分類流程圖Fig.5 Flow chart of decision tree classification

3 結(jié)果與分析

使用所提取的初始LI密集度(圖6(a))進行ML與決策樹融合分類，其結(jié)果如圖7(a)所示。

圖6 不同方法提取的LI密集度Fig.6 LI concentration extracted with different methods

圖7 利用不同LI密集度信息進行最大似然法與決策樹融合分類結(jié)果Fig.7 Classification result of fusion using of ML and decision tree with different LI concentration

在圖7(a)中，雖然之前被誤分為開闊水中的大部分碎冰被重新識別，但是仍殘留有斑點狀的誤分開闊水，并且有整塊碎冰的局部被錯分為開闊水的現(xiàn)象出現(xiàn)(圖7(a)中A處)。這是因為部分碎冰聚集在一起，面積較大，導致靠近平整冰一端的LI密集度較高，而遠離平整冰一端的LI密集度較低，甚至為0(圖8(a))，因此被錯分為開闊水。為了解決這個問題，采用新的計算方法來提取LI密集度。新方法結(jié)果如圖6(b)所示，充分考慮了大面積碎冰的整體性，其計算方法是用LI密集度的局部最大值對局部像元進行標識。即在原有的LI密集度基礎上，進行局部最大值的搜索，并且給相連的紅色像元(碎冰)均賦予該最大值，這樣保證了位于一整塊冰的所有點具有相同且相對較高的值(圖8(b))，從而保持了相同的性質(zhì)，使提取的LI密集度更加合理(圖7(b))。

圖8 碎冰與平整冰LI密集度分布圖Fig.8 Distribution of LI concentration of brash ice and level ice

把用新方法提取的LI密集度信息(圖6(b))加入分類波段中，進行決策樹分類。決策條件是:

采用新密集度信息作為分類依據(jù)之后得到的新分類結(jié)果(圖7(b))不僅很好地保持了大面積碎冰的整體性，而且對于與碎冰有相似灰度值的開闊水的識別能力也更強。如圖8所示，在原始LI密集度信息中碎冰與開闊水的分布區(qū)之間有重疊;而在新LI密集度中兩者不重疊，并且碎冰的密集度較高，而開闊水的密集度較低，分布更加合理。這也是新密集度信息的加入可以有效區(qū)分碎冰和開闊水的原因。

4 有效性驗證

圖9 研究區(qū)HJ-1B圖像Fig.9 HJ-1B optical image of the study area

本文使用HJ-1B圖像作為驗證數(shù)據(jù)(圖9)，與分類結(jié)果圖7(b)進行對比。由于兩景圖像的獲取時間間隔較長，所以部分海冰漂移導致兩景圖像的海冰分布有變化。對比結(jié)果顯示分類結(jié)果中海冰與海水的識別相對準確，分布區(qū)域基本一致，說明本文提出的方法對于遼東灣浮冰外緣線區(qū)域的海冰分類具有一定的有效性。

5 結(jié)論

1)基于HJ-1C S波段的單極化(VV極化)SAR數(shù)據(jù)可用于提取識別封凍期遼東灣海域的碎冰、平整冰和開闊水3種類型的信息。

2)本文提出的“平整冰密集度”可以作為海冰分類的依據(jù)，可有效區(qū)分紋理粗糙的開闊水和碎冰。

3)結(jié)合灰度信息、紋理信息和密集度信息的最大似然法與決策樹分類器融合的分類方法為遼東灣海冰分類提供了一種新的思路，是一種有效的分類方法。

[1]紀永剛.基于微波圖像的遼東灣海冰典型要素信息提取[D].青島:中國科學院海洋研究所，2006.Ji Y G.Ice typical features retrieval in Liaodong Bay based on microwave remote sensing imagery[D].Qingdao:Institute of Oceanology，Chinese Academy of Sciences，2006.

[2]于 波.遼東灣海冰多極化SAR影像解譯分析與分類算法研究[D].青島:中國海洋大學，2009.Yu B.Interpretation and classification algorithm for multi－ polarization SAR image of sea ice in Liaodong Bay[D].Qingdao:Ocean University of China，2009.

[3]Uiboupin R，Sipelgas L，Raudsepp U.Sea ice concentration and type analysis from dual pol Radarsat－2 and MODIS images in the Baltic Sea[C]//2009 IEEE International Geoscience and Remote Sensing Symposium，IGARSS 2009.Cape Town:IEEE，2009，2:590－593.

[4]Partington K C，F(xiàn)lach J D，Barber D，et al.Dual－ polarization C－band radar observations of sea ice in the Amundsen Gulf[J].IEEE Transactions on Geoscience and Remote Sensing，2010，48(6):2685－2691.

[5]Scheuchl B，Hajnsek I，Cumming I G.Model－ based classification of polarimetric SAR sea ice data[C]//2002 IEEE International Geoscience and Remote Sensing Symposium，IGARSS′02.Toronto，Ontario，Canada:IEEE，2002，3:1521－1523.

[6]Scheuchl B，Cumming I G.Potential of RADARSAT－2 for sea ice classification[C]//2002 IEEE International Geoscience and Remote Sensing Symposium，IGARSS′02.Toronto，Ontario，Canada:IEEE，2002，4:2185－2187.

[7]Soh L K，Tsatsoulis C.Texture analysis of SAR sea ice imagery using gray level co－ occurrence matrices[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37(2):780－795.

[8]Zakhvatkina N Y，Alexandrov V Y，Johannessen O M，et al.Classification of sea ice types in ENVISAT synthetic aperture Radar images[J].IEEE Transactions on Geoscience and Remote Sensing，2013，51(5):2587－2600.

[9]Clausi D A，Qin A K，Chowdhury M S，et al.MAGIC:Map－ guided ice classification system for operational analysis[C]//2008 IAPR Workshop on Pattern Recognition in Remote Sensing(PRRS 2008).Tampa，F(xiàn)L:IEEE，2008:1－4.

[10]Ochilov S，Clausi D A.Operational SAR sea－ice image classification[J].IEEE Transactions on Geoscience and Remote Sensing，2012，50(11):4397－4408.

[11]Yu Q Y，Moloney C，Williams F M.SAR sea－ice texture classification using discrete wavelet transform based methods[C]//2002 IEEE International Geoscience and Remote Sensing Symposium，IGARSS′02.2002，5:3041－ 3043.

[12]Hara Y，Atkins R G，Shin R T，et al.Application of neural networks for sea ice classification in polarimetric SAR images[J].IEEE Transactions on Geoscience and Remote Sensing，1995，33(3):740－748.

[13]Kwok R，Hara Y，Atkins R G，et al.Application of neural networks to sea ice classification using polarimetric SAR images[J].Geoscience and Remote Sensing Symposium，1991.IGARSS′91，1991:85－88.

[14]Karvonen J A.Baltic sea ice SAR segmentation and classification using modified pulse－ coupled neural networks[J].IEEE Transactions on Geoscience and Remote Sensing，2004，42(7):1566－1574.

[15]Bogdanov A V，Sandven S，Johannessen O M，et al.Multisensor approach to automated classification of sea ice image data[J].IEEE Transactions on Geoscience and Remote Sensing，2005，43(7):1648－1664.

[16]Bogdanov A V.Neuroinspired architecture for robust classifier fusion of multisensor imagery[J].IEEE Transactions on Geoscience and Remote Sensing，2008，46(5):1467－1487.