曲永超,趙書河,3,莊喜陽(yáng),姜騰龍,張 宇
(1.南京大學(xué) 地理與海洋科學(xué)學(xué)院,江蘇 南京 210023;2.江蘇省地理信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,江蘇 南京210023;3.江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心,江蘇 南京 210023;4.濟(jì)南市環(huán)境監(jiān)測(cè)中心站,山東 濟(jì)南 250014;5.78125部隊(duì),四川 成都 610066)
基于特征值和Singh分解的全極化Radarsat-2圖像分類
曲永超1,2,趙書河1,2,3,莊喜陽(yáng)1,2,姜騰龍4,張 宇5
(1.南京大學(xué) 地理與海洋科學(xué)學(xué)院,江蘇 南京 210023;2.江蘇省地理信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,江蘇 南京210023;3.江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心,江蘇 南京 210023;4.濟(jì)南市環(huán)境監(jiān)測(cè)中心站,山東 濟(jì)南 250014;5.78125部隊(duì),四川 成都 610066)
基于模型的分解發(fā)展較快,但存在負(fù)功率、體散射過估計(jì)、未充分利用相干矩陣等問題,考慮到基于模型分解的優(yōu)點(diǎn),采用Singh分解提取極化信息,同時(shí)用散射角、極化熵和極化總功率進(jìn)行補(bǔ)充,再利用SVM對(duì)山東禹城地區(qū)全極化Radarsat-2數(shù)據(jù)進(jìn)行分類。為驗(yàn)證該方法的有效性,將其與H/α/A-Wishart和Yamaguchi-SVM兩種分類方法進(jìn)行比較。結(jié)果表明,該方法分類效果較好,總體精度分別提高了6.4%和3.48%。
全極化SAR圖像分類;Singh分解;Cloude分解;極化總功率;SVM
非相干極化分解是全極化SAR圖像分類的重要方法之一,近年來得到廣泛應(yīng)用[1-6]。非相干極化分解主要有基于特征值分解和基于模型分解兩大類[7-13]?;谀P偷姆纸獾玫綆追N確定的散射機(jī)制,但是這是一種理想化的處理,實(shí)際情況常常包含未知的散射機(jī)制。近年來,基于模型的分解有較多進(jìn)展。2010年An[14]等提出一種采用去方位處理的分解,降低了負(fù)功率出現(xiàn)的概率,但是僅利用了相干矩陣中的6個(gè)元素;2012年Arii[15]等用極化方位補(bǔ)償改進(jìn)了自適應(yīng)的體散射模型,能夠應(yīng)對(duì)植被和地形的影響,但是分解的結(jié)果不符合部分觀測(cè)值;
2014年Chen[16]等利用了相干矩陣中的全部元素,但是為了實(shí)現(xiàn)自適應(yīng),計(jì)算復(fù)雜度非常高。本文采用Singh分解[17],該方法不依賴反射對(duì)稱假設(shè),并且計(jì)算了相干矩陣中的全部參數(shù),充分利用了極化信息[18]。
研究區(qū)位于山東省西北部,覆蓋禹城市大部,齊河縣部分面積,平均海拔28 m。該市地形自西南向東北緩緩傾斜,屬典型的沖積平原地質(zhì)區(qū)。禹城地區(qū)屬于暖溫帶半濕潤(rùn)季風(fēng)氣候區(qū),光熱資源豐富,雨熱同期,利于農(nóng)業(yè)生產(chǎn),多年平均溫度13.1℃,年降水量582 mm。其自然條件和農(nóng)業(yè)生產(chǎn)模式在黃淮海平原具有一定代表性,主要土地覆蓋類型為耕地、林地、水體和居民地等。轄區(qū)內(nèi)種植的主要作物為冬小麥和玉米(兩季輪作),冬小麥種植比例高達(dá) 90%。正常情況下,冬小麥播種期是 10 月上旬,收獲期為次年 6 月中上旬。研究數(shù)據(jù)獲取時(shí)間在6月中旬,正值冬小麥?zhǔn)崭钔戤?。因此,耕地上主要是冬小麥的殘茬。作物茬作為農(nóng)田生態(tài)系統(tǒng)的重要組成部分,影響著農(nóng)田生態(tài)系統(tǒng)中的營(yíng)養(yǎng)物質(zhì)、碳、水和能量的流動(dòng)與循環(huán)[19-20]。
本文實(shí)驗(yàn)采用全極化Radarsat-2數(shù)據(jù)。Radarsat-2是一顆搭載C波段傳感器的高分辨率商用雷達(dá)衛(wèi)星,由加拿大太空署與MDA公司合作,于2007-12-14在哈薩克斯坦拜科努爾基地發(fā)射升空。極化方式為HH、VV、HV、VH四種,波段為C波段,分辨率為8 m,獲取時(shí)間為2014-06-17。圖1為研究區(qū)Pauli RGB合成圖。
采用30 m分辨率DEM進(jìn)行地理編碼處理,DEM數(shù)據(jù)是由ASTER GDEM第一版本的數(shù)據(jù)進(jìn)行加工得來,數(shù)據(jù)時(shí)間為2009年,數(shù)據(jù)類型為IMG,投影為UTM/WGS84。
圖1 Pauli RGB合成圖
首先對(duì)Radarsat-2數(shù)據(jù)進(jìn)行預(yù)處理,包括多視處理、圖像濾波和地理編碼3個(gè)步驟;然后對(duì)數(shù)據(jù)進(jìn)行Singh分解,得到表面散射、二面角散射、體散射、螺旋體散射4種散射機(jī)制;隨后進(jìn)行Cloude分解以及矩陣元素計(jì)算,得到散射角、極化熵和極化總功率;最后利用SVM進(jìn)行分類,得到分類結(jié)果。研究方法流程如圖2所示。
圖2 研究方法流程
2.1 數(shù)據(jù)預(yù)處理
首先對(duì)Radarsat-2數(shù)據(jù)進(jìn)行多視處理,比例為5:2,使得該數(shù)據(jù)更適于分析分布式目標(biāo)。然后對(duì)圖像進(jìn)行濾波,本文采用Lee Refined濾波器,嘗試3×3、5×5、7×7的窗口,通過對(duì)比其結(jié)果發(fā)現(xiàn)3×3窗口能夠除去部分噪聲,并能夠保持較為清晰的地物邊界。最后,對(duì)圖像進(jìn)行地理編碼,采用30 m分辨率DEM賦予圖像投影和坐標(biāo)系統(tǒng),處理后的圖像分辨率為15 m。
2.2 Singh分解
相干矩陣T可以表示為:
式中,?表示共軛轉(zhuǎn)置; 〈.〉表示統(tǒng)計(jì)平均;kp為Pauli矢量,其表達(dá)式為:
酉變換之后極化信息得以完整保存,為了減少參數(shù)并保存完整極化信息,需要對(duì)T進(jìn)行兩次酉變換:
此時(shí),T23被消除。
第1次酉變換:
酉旋轉(zhuǎn)矩陣:
第2次酉變換:
酉旋轉(zhuǎn)矩陣:
然后對(duì)式(6)進(jìn)行四分量分解得到表面散射P、s偶次散射Pd、體散射Pv和螺旋體散射Pc。
式中,fs、fd、fv、fc為相關(guān)系數(shù)。
由此得到,
若體散射由定向二面角散射引起,則體散射模型為:
由此得到,
最終得到,
2.3 Cloude分解和極化總功率
首先,通過Cloude分解得到散射角α、極化熵H。α用于確定目標(biāo)的散射機(jī)制;H用于表征目標(biāo)散射機(jī)制的復(fù)雜度,H越大,則目標(biāo)散射機(jī)制越復(fù)雜,反之亦然。然后通過矩陣元素計(jì)算得到極化總功率SPAN。
2.4 分類
選取α、H、Singh分解的4個(gè)分量以及SPAN作為分類特征;選取SVM作為分類器,核類型(kernel type)為徑向基函數(shù),Gamma值為0.143,懲罰系數(shù)為100;訓(xùn)練樣本是依據(jù)Pauli RGB合成圖和Google Earth圖像選取的。
分類結(jié)果如圖3a、b所示。根據(jù)研究區(qū)土地覆蓋的主要類型,分成耕地、林地、居民地、水體4類。研究區(qū)中,耕地和居民地占很大比例且分布很廣,林地和水體所占比例較小。因?yàn)閳D像獲取的時(shí)間正值冬小麥?zhǔn)崭钔戤?,農(nóng)田里主要是作物茬,其有一定高度,但只有莖稈沒有枝葉,與低矮灌叢接近,又與裸地類似,所以耕地既有表面散射,也有體散射;林地的主要散射機(jī)制是體散射;居民地既有表面散射也有二面角散射,表面散射主要發(fā)生在建筑物頂部,二面角散射主要發(fā)生在建筑物立面與地面鄰接之處;水體的主要散射機(jī)制是表面散射。
選擇了H/α/A-Wishart、Yamaguchi-SVM兩種常規(guī)方法進(jìn)行對(duì)比,圖3a和b、c相比,林地較少,比較符合研究區(qū)的實(shí)際情況;圖3d和e、f相比,右側(cè)邊緣沒有水體,而這兩種方法都把其他地類錯(cuò)分成水體,其中H/α/A-Wishart錯(cuò)分現(xiàn)象更為嚴(yán)重。從混淆矩陣來看(如表1所示),本文方法耕地錯(cuò)分成林地、居民地錯(cuò)分成林地的比例分別是6.23%和9.14%;而H/ α/A-Wishart耕地錯(cuò)分成林地、居民地錯(cuò)分成林地的比例分別是12.52%和15.04%;Yamaguchi-SVM耕地錯(cuò)分成林地、居民地錯(cuò)分成林地的比例分別是7.01%和14.30%。本文方法林地錯(cuò)分成水體的比例是0.43%;H/α/A-Wishart耕地錯(cuò)分成水體和居民地錯(cuò)分成水體的比例分別是3.61%和1.55%;Yamaguchi-SVM耕地錯(cuò)分成水體的比例是2.21%。其他地類的錯(cuò)分情況,3 種方法沒有顯著區(qū)別。
圖3 分類結(jié)果對(duì)比
H/α/A-Wishart是一種非監(jiān)督分類方法,它將圖像聚成16類,再對(duì)圖像進(jìn)行復(fù)Wishart迭代分類[21-22]。其分類結(jié)果很大程度上取決于初始聚類的準(zhǔn)確性。與本文方法相比,該方法將耕地錯(cuò)分成林地、居民地錯(cuò)分成林地、耕地錯(cuò)分成水體、居民地錯(cuò)分成水體的比例分別高出6.29%、5.90%、3.61%和1.55%。其原因是,散射角和極化熵不直接與散射機(jī)制對(duì)應(yīng),造成對(duì)體散射和二面角散射的區(qū)分存在界限不清的問題。換言之,Cloude分解用散射角和極化熵表征各種散射機(jī)制,散射角表征散射機(jī)制的種類,通常認(rèn)為一定范圍的散射角屬于表面散射、二面角散射或體散射。但是對(duì)于范圍的界定具有一定的經(jīng)驗(yàn)性和主觀性。
表1 混淆矩陣和總體精度/%
Yamaguchi-SVM分類結(jié)果中,居民地錯(cuò)分成林地的比例比本文方法增加5.16%。因?yàn)閅amaguchi分解中的體散射模型假設(shè)體散射來自植被,實(shí)際上體散射也可以由定向二面角散射引起。而Singh分解有一定的自適應(yīng)能力,所以這種錯(cuò)分相對(duì)較少。
本文針對(duì)兩類非相干分解各自特點(diǎn)和近年來基于模型的分解研究進(jìn)展,采用一種Singh-Cloude-SPAN-SVM分類方法。該方法在小樣本的情況下,利用Singh分解獲得表面散射、二面角散射、體散射和螺旋體散射,解決了目標(biāo)散射機(jī)制的基本判定,同時(shí)加入Cloude分解得到的散射角和極化熵對(duì)未知散射機(jī)制進(jìn)行描述,另外加入總功率對(duì)空間信息進(jìn)行描述,最后利用SVM進(jìn)行分類。結(jié)果表明該方法與H/α/A-Wishart、Yamaguchi-SVM分類方法相比,錯(cuò)分現(xiàn)象減少,總體精度分別提高了6.4%和3.48%,證明了該方法對(duì)于山東禹城地區(qū)全極化Radarsat-2數(shù)據(jù)有良好的分類效果。
[1] Lee J S,Pottier E.Polarimetric Radar Imaging from Basic to Application [M].NewYork∶CRC Press,2011
[2] Da Silva A D Q,Paradella W R,Freitas C C,et al.Evaluation of Digital Classification of Polarimetric SAR Data for Ironmineralized Laterites Mapping in the Amazon Region[J].Remote Sensing,2013,5(6)∶3 101-3 122
[3] Ullmann T,Lumsdon P,Poncet F V,et al.Application of Quadpolarimetric TerraSAR-X Data for Landcover Characterization in Tropical Regions∶a Case Study in South Kalimantan,Indonesia[C].Geoscience and Remote Sensing Symposium,2012
[4] 孫盛,田金文,溫雯,等.基于四分量模型的極化SAR圖像非監(jiān)督分類[J].計(jì)算機(jī)工程與設(shè)計(jì),2013,34(7)∶2 436-2 440
[5] Shastri B P,Mehta R L,Mohan S,et al.Assessment of SAR Polarimetric Decompositions for Land Cover Studies[J].Journal of Geomatics,2015,9(1)∶48
[6] XUE X,DI L,GUO L,et al.An Efficient Classification Method of Fully Polarimetric SAR Image Based on Polarimetric Features and Spatial Features[C].4th International Conference on Agro-Geoinformatics,Turkey,2015
[7] Lee J S,Ainsworth T L,WANG Y.Generalized Polarimetric Modelbased Decompositions Using Incoherent Scattering Models[J]. Geoscience and Remote Sensing,2014,52(5)∶2 474-2 491
[8] VanZyl J J,Kim Y.Synthetic Aperture Radar Polarimetry[M]. John Wiley & Sons,2011
[9] Cloude S R.An Entropy Based Classification Scheme for Polarimetric SAR Data[C].Geoscience and Remote Sensing Symposium,Quantitative Remote Sensing for Science and Applications' ,1995
[10] Cloude S R,Pottier E.An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR[J].Geoscience and Remote Sensing ,1997,35(1)∶68-78
[11] Freeman A,Durden S L.A Three-component Scattering Model for Polarimetric SAR Data[J].Geoscience and Remote Sensing,1998,36(3)∶963-973
[12] Yamaguchi Y,Moriyama T,Ishido M,et al.Four-component Scattering Model for Polarimetric SAR Image Decomposition[J]. Geoscience and Remote Sensing,2005,43(8)∶1 699-1 706
[13] Yamaguchi Y,Yajima Y,Yamada H.A Four-component Decomposition of PolSAR Images Based on the Coherency Matrix[J].Geoscience and Remote Sensing, 2006,3(3)∶292-296
[14] AN W,CUI Y,YANG J.Three-component Model-based Decomposition for Polarimetric SAR Data[J].Geoscience and Remote Sensing,2010,48(6)∶2 732-2 739
[15] Arii M,VanZyl J J,Kim Y.Improvement of Adaptivemodel Based Decomposition with Polarization Orientation Compensation[C].Geoscience and Remote Sensing Symposium,2012
[16] CHEN S W,WANG X S,XIAO S P,et al.General Polarimetric Model-based Decomposition for Coherency Matrix[J]. Geoscience and Remote Sensing,2014,52(3)∶1 843-1 855
[17] Singh G,Yamaguchi Y,Park S E.General Four-component Scattering Power Decomposition with Unitary Transformation of Coherency Matrix[J].Geoscience and Remote Sensing,2013, 51(5)∶3 014-3 022
[18] FANG C,WEN H,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,2006
[19] Singh L,Singh J.Assessment of Crop Residue Potential for Power Generation Using Geographical Information System[J].Journal of Scientific & Industrial Research,2015,74∶34-37
[20] Medina J,Monreal C,Barea J M,et al.Crop Residue Stabilization and Application to Agricultural and Degraded Soils∶a Review[J]. Waste Management,2015(42)∶41-54
[21] Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised Classification Using Polarimetric Decomposition and the Complex Wishart Classifier[J].Geoscience and Remote Sensing,1999,37(5)∶2 249-2 258
[22] Pottier E.Unsupervised Classification Scheme and Topography Derivation of PolSAR Data Based on the H/α/A Polarimetric Decomposition Theorem[C]. 4th International Workshop Radar Polarimetry Proceedings,Nantes,1998
P237
B
1672-4623(2016)05-0060-04
10.3969/j.issn.1672-4623.2016.05.019
曲永超,碩士,主要從事全極化SAR圖像處理和遙感圖像分類方面的研究。
2016-01-06。
項(xiàng)目來源:國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃資助項(xiàng)目(2010CB951503);中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)資助項(xiàng)目(XDA05050106)。