安智暉，余 潔，劉利敏

（1.首都師范大學(xué) 資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048；2.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048；3.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079）

結(jié)合紋理信息的極化SAR影像分類研究

安智暉1,2，余 潔1,2，劉利敏3

（1.首都師范大學(xué) 資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048；2.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048；3.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079）

結(jié)合Gabor小波、灰度共生矩陣和FastICA方法提取的紋理信息，利用支持向量機(jī)分類器對(duì)單極化SAR影像進(jìn)行分類研究。首先利用精致Lee濾波器對(duì)影像進(jìn)行去噪處理；然后采用灰度共生矩陣和Gabor小波提取影像紋理特征，利用FastICA算法對(duì)紋理特征進(jìn)行降維分析；最后將降維后的紋理特征與強(qiáng)度特征結(jié)合，采用支持向量機(jī)分類器進(jìn)行分類;采用北京地區(qū)TerraSAR-X影像對(duì)該方法進(jìn)行實(shí)驗(yàn)，結(jié)果表明，紋理信息的引入使極化SAR影像分類精度得到提高。

極化SAR；分類；紋理特征提取

極化SAR影像分類是極化SAR信息后處理中十分重要的研究內(nèi)容之一[1,2]。對(duì)于單極化SAR影像而言，單憑其強(qiáng)度信息難以取得較好的分類結(jié)果。由于SAR影像亮度范圍較大，且含有較豐富的紋理結(jié)構(gòu)信息，可以輔助原影像進(jìn)行分類，以提高分類精度[3]。國內(nèi)外提出許多紋理特征的提取方法，包括基于灰度共生矩陣的紋理提取方法和基于Gabor小波變換的方法?；叶裙采仃嚤硎净叶鹊目臻g依賴關(guān)系，能夠很好地反映紋理中灰度級(jí)空間相關(guān)性的規(guī)律[4]；而Gabor小波符合人類視覺特征，在空間域、頻率域都有很好的分辨能力[5]，具有多尺度和多方向性[6]，適用于分析、處理紋理圖像[7]。這些特征維數(shù)較高，存在大量統(tǒng)計(jì)相關(guān)的冗余信息[8]，如果直接進(jìn)行分類會(huì)影響分類結(jié)果[9]?？焖侏?dú)立成分分析（FastICA）算法基于非高斯最大化原理，以近似負(fù)熵為目標(biāo)函數(shù)，使用定點(diǎn)迭代算法來尋找最優(yōu)分離矩陣，收斂速度快，同時(shí)不需要確定步長[10]，適合于紋理特征的降維處理。基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)SVM能夠避免過學(xué)習(xí)問題[11]，對(duì)解決小樣本、非線性及高維模式識(shí)別問題具有獨(dú)特的優(yōu)勢，已在極化SAR影像分類中得到有效應(yīng)用[12]。

基于上述分析，本文在單極化SAR影像的強(qiáng)度信息基礎(chǔ)上，引入紋理信息進(jìn)行分類研究，紋理特征的提取選擇Gabor小波、灰度共生矩陣和FastICA算法相結(jié)合的方法，并采用SVM分類器進(jìn)行分類實(shí)驗(yàn)。

1 單極化SAR影像分類特征

1.1 強(qiáng)度特征

單極化SAR測量得到的地物復(fù)散射矩陣可表示為S，散射矢量為x=[S]。由散射矢量定義，協(xié)方差矩陣為：

式中，上標(biāo)H表示共軛轉(zhuǎn)置。分類特征矢量表示為：

1.2 紋理特征提取及降維分析

1.2.1 灰度共生矩陣變換

灰度共生矩陣用2個(gè)位置的像素的聯(lián)合概率密度來定義：

式中，δ是GLCM的生成步長；θ是GLCM的生成方向；Pijδθ是滿足δ、θ條件、灰度值分別為i、j的點(diǎn)對(duì)數(shù)；是滿足δ、θ條件的所有點(diǎn)對(duì)數(shù)。

1.2.2 Gabor小波變換

Gabor小波濾波器的核函數(shù)定義如下：

式中，μ和v分別表示Gabor濾波器的方向和尺度；z=（x，y）；kμ,v的定義為：

式中，kmax為帶通濾波器中心頻率的上限；f是限定頻域中核函數(shù)距離的一個(gè)間隔因子，實(shí)驗(yàn)中取f=2， σ = 2π，kmax= π/2。

假設(shè)I（x，y）表示一幅圖像的灰度分布，則該圖像的Gabor變換表示為I（x，y）與Gabor濾波器的卷積：

Oμ,v（z）就是Gabor小波的卷積結(jié)果。圖像的卷積輸出為復(fù)數(shù)形式，該復(fù)數(shù)的模即為提取的Gabor小波特征。本文選取在5個(gè)尺度和8個(gè)方向上進(jìn)行紋理特征提取。圖1顯示為該濾波器組的實(shí)部和幅度。

圖1 Gabor濾波器組的實(shí)部和幅度

1.2.3 FastICA算法

假設(shè)實(shí)驗(yàn)區(qū)影像經(jīng)Gabor小波和灰度共生矩陣變換得到的特征矢量都是由一些統(tǒng)計(jì)獨(dú)立的基矢量線性混合而成，用行向量Xi來表示第i幅圖像的特征矢量，將訓(xùn)練集中所有特征矢量排成矩陣：X=（X1，X2，…，XM）T。假設(shè)這M個(gè)特征矢量由M個(gè)獨(dú)立的基矢量S=（s1，s2，…，sM）T線性混合而成，則：

FastICA算法步驟如下：

1）白化處理。尋找一個(gè)線性白化矩陣V，使得變換后的輸出信號(hào)Z = VX的行向量互不相關(guān)，則Z的協(xié)方差矩陣為單位矩陣，即求出Z后，令Z = X，求出分離矩陣W。

2）獨(dú)立成分提取。首先，初始化權(quán)值w(0)，令然后，迭代得：對(duì)權(quán)值進(jìn)行歸一化處理若w收斂，輸出w(k)；否則，令k=k+1，繼續(xù)訓(xùn)練權(quán)值。

本文首先通過GLCM和Gabor小波分別提取影像紋理特征并利用FastICA算法對(duì)特征進(jìn)行降維分析，然后在單極化SAR影像強(qiáng)度信息的基礎(chǔ)上，結(jié)合提取的紋理信息，利用SVM分類器進(jìn)行分類，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析與精度評(píng)價(jià)。分類流程如圖2所示。

2 實(shí)驗(yàn)與結(jié)果分析

選擇北京市高分辨率TerraSAR-X影像進(jìn)行實(shí)驗(yàn)。此影像為HH單極化，空間分辨率為3 m×3 m，實(shí)驗(yàn)區(qū)大小為527×340。由于原始SAR影像成像方式特殊，存在嚴(yán)重相干斑點(diǎn)噪聲，而采用精致Lee濾波能在較好地去除斑點(diǎn)噪聲的同時(shí)保留地物的邊緣和紋理特征。圖3a為實(shí)驗(yàn)區(qū)原始影像圖，圖3b是采用精致Lee濾波進(jìn)行濾波處理的結(jié)果圖。

圖2 結(jié)合紋理信息的單極化SAR影像分類流程圖

圖3 實(shí)驗(yàn)區(qū)的原始影像和濾波結(jié)果

實(shí)驗(yàn)區(qū)主要土地利用類型為建筑、植被、水體和道路4種。首先，分別提取基于灰度共生矩陣的8維統(tǒng)計(jì)特征和基于Gabor小波的5個(gè)尺度、8個(gè)方向的40維紋理特征；再將2組紋理特征結(jié)合，構(gòu)成混合矩陣，并利用FastICA算法對(duì)其進(jìn)行降維處理；通過式（1）的強(qiáng)度特征，結(jié)合降維后的紋理特征，采用SVM的RBF核函數(shù)進(jìn)行分類，得到最終的分類結(jié)果，如圖4d所示。為了進(jìn)行對(duì)比分析，利用相同的訓(xùn)練樣本，對(duì)強(qiáng)度特征影像以及強(qiáng)度特征分別與基于灰度共生矩陣的統(tǒng)計(jì)特征、基于Gabor小波的紋理特征和二者線性合并的特征相結(jié)合，采用SVM進(jìn)行分類，分類結(jié)果如圖4a～4d所示。同時(shí)，采用分類總體精度和Kappa系數(shù)對(duì)各種方法進(jìn)行定量分析，如表1所示。

表1 各種方法分類精度對(duì)比

圖4 幾種方法的分類結(jié)果

由圖4和表1可以看出，通過紋理信息的引入，相比較單純采用影像強(qiáng)度特征進(jìn)行分類，分類精度得到大幅提高。圖4a中分布有大量雜斑，很大程度上影響了分類效果。由于采用單一特征進(jìn)行分類所能獲得的信息比較有限，因此，基于強(qiáng)度特征與灰度共生矩陣統(tǒng)計(jì)特征的分類結(jié)果（圖4b）和強(qiáng)度特征與基于Gabor小波紋理特征的分類結(jié)果精度不是很高，4種類別區(qū)域雖然得到大致劃分，圖4b中類內(nèi)仍分布一定雜斑，而圖4c中類內(nèi)雜斑問題得到改善。建筑劃分為了大片連通區(qū)域，植被與城區(qū)、植被與水體之間出現(xiàn)了部分錯(cuò)分現(xiàn)象，而在圖4d中，建筑與植被之間的錯(cuò)分現(xiàn)象減少了很多，但水體與植被邊緣的分類還存在錯(cuò)分問題，但整體分類精度已經(jīng)得到提高，說明在強(qiáng)度特征的基礎(chǔ)上，基于兩類紋理特征線性合并的分類結(jié)果要好于僅采用一類特征的分類結(jié)果。

對(duì)比圖4d與圖4e，圖4e中類內(nèi)雜斑更少，各類別結(jié)構(gòu)分明，其區(qū)域一致性更好，邊緣也相對(duì)更加準(zhǔn)確。表1中的分類精度和Kappa系數(shù)也說明了這一點(diǎn)。在基于特征融合的分類方法中，通常兩類特征被簡單線性合并起來作為分類的依據(jù)，未考慮不同特征之間可能存在的冗余信息和相關(guān)性，而這種相關(guān)性勢必會(huì)影響分類性能的提高。本文提出的方法考慮了不同特征間存在的冗余信息和相關(guān)性，通過FastICA算法對(duì)合并后的紋理特征進(jìn)行降維處理，去除特征間的冗余和相關(guān)性，從而使得分類精度得到提高。

4個(gè)實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)，由于實(shí)驗(yàn)區(qū)紋理信息較為豐富，因此在單極化SAR影像強(qiáng)度信息基礎(chǔ)上，通過引入紋理信息進(jìn)行輔助分類，提供了類別間的差異，補(bǔ)充了單純利用強(qiáng)度信息進(jìn)行分類的不足，有助于分類效果的改善。同時(shí)，在引入紋理特征的過程中，由于基于灰度共生矩陣的統(tǒng)計(jì)特征和基于Gabor小波的紋理特征維數(shù)較高，而且不同特征之間存在大量冗余信息和相關(guān)性，這種相關(guān)性會(huì)影響影像的分類效果。利用FastICA算法對(duì)紋理特征進(jìn)行降維處理，去除特征間的冗余和相關(guān)性，最后利用降維后的特征進(jìn)行分類可獲得更好的分類效果。

3 結(jié) 語

對(duì)于單極化SAR影像，僅利用其強(qiáng)度信息的分類方法難以取得較好的分類效果。本文將單極化SAR影像的強(qiáng)度特征，結(jié)合通過灰度共生矩陣變換和Gabor小波變換提取的紋理結(jié)構(gòu)信息，采用支持向量機(jī)分類器得到最終的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，紋理信息的引入提高了單極化SAR影像的分類精度，并且FastICA算法對(duì)所提取紋理信息進(jìn)行降維處理，有助于分類效果的改善。

[1] 舒寧．微波遙感原理[M]．武漢:武漢大學(xué)出版社,2000

[2] 孟云閃,余潔,劉利敏,等．LSSVM 算法在極化SAR影像分類中的應(yīng)用[J]．地理空間信息,2012,10(3): 43-45

[3] Henderson F M, Xia Z G． SAR Applications in Human Settlement Detection, Population Estimation and Urban Land Use Pattern Analysis: a Status Report[J]． IEEE Transactions on Geoscience and Remote Sensing, 1997,35(1):79-85

[4] 張向榮,譚山,焦李成．基于熵空間粒度計(jì)算的SAR圖像分類[J]．計(jì)算機(jī)學(xué)報(bào),2007,30(3):483-490

[5] Daugman J G． Complete Discrete 2-D Gabor Transforms by Neural Networks for Image Analysis and Compression[J]．IEEE Transactions on Acoustics,Speech and Signal Processing, 1988,36(7):1 169-1 179

[6] 王憲,陸友桃,宋書林,等．基于Gabor小波變換與分塊PCA的人臉識(shí)別[J]．計(jì)算機(jī)工程與應(yīng)用,2012,48(3):176-178

[7] 郭立,朱俊株,陸大虎．基于Gabor小波變換的無監(jiān)督紋理圖像分割[J]．微機(jī)發(fā)展,2000(5):51-54

[8] Weldon T P, Higgins W E． Design of Multiple Gabor Filters for Texture Segmentation[C]．ICASSP-96,1996

[9] 向世明, 劉國翌, 陳睿,等． Gabor 濾波器和 ICA 支持的無監(jiān)督紋理分割[J]．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2004,16(3):284-289

[10] Hyvarinen A．Fast and Robust Fixed-point Algorithms for Independent Component Analysis[J]．IEEE Trans on Neural Networks,1999,10(3):626-633

[11] Vapnik V N． 統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[M]．北京:清華大學(xué)出版社,2000

[12] 吳永輝,計(jì)科峰,郁文賢．利用SVM的全極化、雙極化和單極化SAR圖像分類性能的比較[J]．遙感學(xué)報(bào),2008,12(1):46-52

P237.4

B

1672-4623（2016）02-0041-03

10.3969/j.issn.1672-4623.2016.02.015

安智暉，碩士，主要研究方向?yàn)闃O化SAR影像處理。

2015-03-16。

項(xiàng)目來源：國家高技術(shù)研究發(fā)展計(jì)劃資助項(xiàng)目（2011AA120404）；國家自然科學(xué)基金資助項(xiàng)目（41130744/D0107、41171335/D010702）。