陶臣嵩 陳思偉 李永禎 肖順平

(國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點(diǎn)實(shí)驗室 長沙 410073)

結(jié)合旋轉(zhuǎn)域極化特征的極化SAR地物分類

陶臣嵩 陳思偉*李永禎 肖順平

(國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點(diǎn)實(shí)驗室 長沙 410073)

地物分類是極化合成孔徑雷達(dá)(SAR)圖像理解與解譯的重要應(yīng)用方向。利用H/A/α/SPAN等旋轉(zhuǎn)不變特征參數(shù)的極化SAR地物分類是一種常用的分類方法。然而，目標(biāo)的后向散射響應(yīng)與其方位取向等姿態(tài)密切相關(guān)，極易引起散射機(jī)理的解譯模糊，也限制了僅使用旋轉(zhuǎn)不變特征參數(shù)作為分類特征集的極化SAR地物分類方法的精度。針對這一問題，有文獻(xiàn)提出了在繞雷達(dá)視線的旋轉(zhuǎn)域中解譯目標(biāo)散射特性的統(tǒng)一的極化矩陣旋轉(zhuǎn)理論，并導(dǎo)出了一系列旋轉(zhuǎn)域極化特征，刻畫目標(biāo)旋轉(zhuǎn)域隱含信息?；谠摾碚摚撐膶⑿D(zhuǎn)域極化特征用于極化SAR地物辨識與分類，并發(fā)展了一種結(jié)合旋轉(zhuǎn)域極化特征與旋轉(zhuǎn)不變特征H/A/α/SPAN的極化SAR地物分類方法。該方法將優(yōu)選的旋轉(zhuǎn)域極化特征參數(shù)和H/A/α/SPAN作為支持向量機(jī)(SVM)分類器的輸入，利用兩類特征對不同地物類別區(qū)分辨識能力的互補(bǔ)，以達(dá)到更好的分類性能。對AIRSAR和UAVSAR實(shí)測數(shù)據(jù)的對比實(shí)驗表明，相較于僅以H/A/α/SPAN作為SVM分類器輸入的傳統(tǒng)方法，該方法得到更好的分類精度和穩(wěn)健性。其中，對于AIRSAR數(shù)據(jù)十五類地物的分類，該方法總體分類精度達(dá)到92.3%，優(yōu)于傳統(tǒng)方法的91.1%。此外，對于多時相UAVSAR數(shù)據(jù)七類地物的分類，該方法平均總體分類精度達(dá)到95.72%，顯著優(yōu)于傳統(tǒng)方法的87.80%，驗證了該方法對多時相數(shù)據(jù)的穩(wěn)健性。該文研究進(jìn)一步證實(shí)了通過深入挖掘旋轉(zhuǎn)域中目標(biāo)極化散射信息能夠為極化SAR圖像的解譯與應(yīng)用提供新的可行途徑。

極化合成孔徑雷達(dá)；極化特征；旋轉(zhuǎn)域；支持向量機(jī)；地物分類

1 引言

極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar, PolSAR)具有全天時和幾乎全天候的工作能力，通過收發(fā)極化狀態(tài)正交的電磁波以獲取目標(biāo)的全極化散射信息[1]。地物分類是農(nóng)作物生長監(jiān)控、農(nóng)村與城市用地普查、環(huán)境監(jiān)測等應(yīng)用領(lǐng)域的共性基礎(chǔ)問題，也是極化SAR圖像理解與解譯的重要應(yīng)用方向。高精度的地物分類結(jié)果能夠為上述應(yīng)用領(lǐng)域提供可靠的信息支撐。

通常，提高極化SAR地物分類精度主要有兩種途徑[2]。第1種途徑專注于極化特征的挖掘與優(yōu)選，通過精細(xì)化的極化散射機(jī)理建模與解譯，從全極化信息中提取出對不同地物類別具有更強(qiáng)區(qū)分度的特征。常用的極化散射機(jī)理解譯方法有基于特征值分解的方法和基于模型分解的方法?；谶@些極化目標(biāo)分解方法所得到的極化特征參數(shù)經(jīng)常被用于極化SAR地物分類，例如Cloude-Pottier分解所得的極化熵/極化平均角/極化反熵(H//A)參數(shù)[3]，F(xiàn)reeman-Durden分解[4]、Yamaguchi分解[5]和近年來提出的精細(xì)化極化目標(biāo)分解[6]所得的各散射機(jī)理的散射能量參數(shù)(如奇次散射、偶次散射、體散射、螺旋散射等)[7]。第2種途徑則從分類器入手，使用性能更好的分類器，以對現(xiàn)有的極化特征進(jìn)行充分利用。常用的分類器包括C均值分類器、Wishart分類器、支持向量機(jī)(Support Vector Machine, SVM)分類器、隨機(jī)森林分類器、神經(jīng)網(wǎng)絡(luò)分類器以及近來年在諸多領(lǐng)域取得成功應(yīng)用的以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)分類方法等[8–11]。當(dāng)然，對特征和分類器同時進(jìn)行優(yōu)化和優(yōu)選也是提高極化SAR地物分類精度的有效途徑。

在傳統(tǒng)基于特征的極化SAR地物分類中，具有旋轉(zhuǎn)不變特性的極化特征參數(shù)得到了廣泛應(yīng)用。例如，基于H//A和總散射能量SPAN的極化SAR地物分類就是一種常用的分類方法。然而，目標(biāo)的極化響應(yīng)與目標(biāo)和SAR的相對幾何關(guān)系密切相關(guān)。同一目標(biāo)在不同方位取向下，其后向散射可以是顯著不同的。同時，不同目標(biāo)在某些特定方位取向下，其后向散射又是十分相似的。例如，具有不同方位取向的建筑物與森林等植被就是極化SAR圖像解譯的難點(diǎn)。這是諸多傳統(tǒng)極化目標(biāo)分解方法存在散射機(jī)理解譯模糊的重要原因之一，同時也限制了基于旋轉(zhuǎn)不變極化特征參數(shù)的傳統(tǒng)分類方法所得精度的進(jìn)一步提升。為避免這種解譯模糊，一種思路是構(gòu)建更精細(xì)化的目標(biāo)散射模型和精細(xì)化的極化目標(biāo)分解方法。而另一種思路則是挖掘利用目標(biāo)方位取向與其后向散射機(jī)理之間的隱含關(guān)系。文獻(xiàn)[12]提出的統(tǒng)一的極化矩陣旋轉(zhuǎn)理論就是一種代表性的方法。該方法提出了在繞雷達(dá)視線的旋轉(zhuǎn)域中理解目標(biāo)散射特性的新思路，并導(dǎo)出了一系列旋轉(zhuǎn)域極化特征。部分旋轉(zhuǎn)域極化特征參數(shù)已經(jīng)在農(nóng)作物辨識[13]、目標(biāo)對比增強(qiáng)[12]、人造目標(biāo)提取[14]等領(lǐng)域獲得了成功應(yīng)用。

由于這些旋轉(zhuǎn)域極化特征包含有目標(biāo)在旋轉(zhuǎn)域中隱含的極化散射信息，且與其方位取向具有一定關(guān)系。若將它們與傳統(tǒng)的旋轉(zhuǎn)不變極化特征參數(shù)于聯(lián)合作為地物分類特征集，則從極化特征挖掘的角度來看，兩類不同的極化特征對于不同地物類別的區(qū)分能力勢必會形成一定程度的互補(bǔ)，進(jìn)而使分類精度得到進(jìn)一步提升?；谶@一思路，本文提出了一種結(jié)合旋轉(zhuǎn)域極化特征與旋轉(zhuǎn)不變特征的極化SAR地物分類方法。具體即基于不同地物類別樣本集類間距最大的特征優(yōu)選準(zhǔn)則，以部分優(yōu)選的旋轉(zhuǎn)域極化特征參數(shù)與聯(lián)合作為地物分類所用特征，并選用性能較為穩(wěn)定的SVM[15]作為分類器進(jìn)行分類處理。由于該分類方法額外使用了目標(biāo)在方位取向方面的隱含信息，故相較于僅使用旋轉(zhuǎn)不變特征作為輸入的SVM分類器[10]，其能夠達(dá)到更優(yōu)的分類性能表現(xiàn)。

本文第2節(jié)簡要介紹了統(tǒng)一的極化矩陣旋轉(zhuǎn)理論及其所導(dǎo)出的旋轉(zhuǎn)域極化特征參數(shù)；第3節(jié)提出結(jié)合旋轉(zhuǎn)域極化特征的極化SAR地物分類方法；第4節(jié)基于AIRSAR和多時相UAVSAR實(shí)測數(shù)據(jù)開展了地物分類對比實(shí)驗及分析；第5節(jié)總結(jié)本文方法并對后續(xù)研究工作進(jìn)行展望。

2 統(tǒng)一的極化矩陣旋轉(zhuǎn)理論

極化SAR獲得的目標(biāo)全極化信息可以通過極化相干矩陣T表示。滿足互易性原理時，極化相干矩陣T可以表示為：

其中，旋轉(zhuǎn)矩陣為：

其中，A為振蕩幅度，B為振蕩中心，為角頻率，θ0為初始角度。文獻(xiàn)[12]將這4類極化特征參數(shù)稱為振蕩參數(shù)集，其完整表征極化相干矩陣的各元素在旋轉(zhuǎn)域中的特性。這樣就可以導(dǎo)出一系列旋轉(zhuǎn)域極化特征參數(shù)，如表1所示。其中，Angle{a}表示復(fù)數(shù)a的相位，相應(yīng)取值范圍為

表1 旋轉(zhuǎn)域極化特征參數(shù)[12]Tab. 1 Polarimetric feature parameters derived from rotation domain[12]

基于上述振蕩參數(shù)集，文獻(xiàn)[12]還導(dǎo)出了一系列的極化角參數(shù)集，如極化零角參數(shù)、極化最大化角參數(shù)以及極化最小化角參數(shù)等。其中，極化零角參數(shù)的定義為在繞雷達(dá)視線的旋轉(zhuǎn)域中使極化相干矩陣某元素取值為零的旋轉(zhuǎn)角，即：

3 結(jié)合旋轉(zhuǎn)域極化特征的分類方法

3.1 旋轉(zhuǎn)域極化特征的優(yōu)選

在此之前，需要基于地物分類的應(yīng)用背景對眾多的旋轉(zhuǎn)域極化特征進(jìn)行優(yōu)選處理。在文獻(xiàn)[12]所導(dǎo)出的一系列旋轉(zhuǎn)域極化特征之中，以不同地物類別樣本集相互之間的“類間距最大化”為準(zhǔn)則，進(jìn)行相應(yīng)的旋轉(zhuǎn)域極化特征優(yōu)選。具體步驟為：首先對各旋轉(zhuǎn)域極化特征參數(shù)進(jìn)行歸一化處理；然后將不同的地物類別兩兩組合形成若干的地物類別對；接著針對各地物類別對，以其中兩地物類別之間的類間距為標(biāo)準(zhǔn)，優(yōu)選出使其取值達(dá)到最大的旋轉(zhuǎn)域極化特征，則每個地物類別對均對應(yīng)于一個優(yōu)選的旋轉(zhuǎn)域極化特征；最后，將各地物類別對的優(yōu)選結(jié)果進(jìn)行“取并集”處理，進(jìn)而得到最終的優(yōu)選結(jié)果。

文獻(xiàn)[12]所導(dǎo)出相互獨(dú)立的旋轉(zhuǎn)域極化特征共有12個，分別為針對之后實(shí)驗部分所使用的AIRSAR數(shù)據(jù)(15類地物，兩兩組合形成105個地物類別對；其它說明見4.1節(jié))以及多時相UAVSAR數(shù)據(jù)(7類地物，兩兩組合形成21個地物類別對；4個數(shù)據(jù)獲取日期；其它說明見4.2節(jié))，上述特征優(yōu)選流程所得結(jié)果如表2所示。

表2 針對不同極化SAR實(shí)測數(shù)據(jù)的特征優(yōu)選結(jié)果Tab. 2 Selected features for different PolSAR data

綜合考慮表2中的優(yōu)選結(jié)果，并在追求較高地物分類精度的同時，將兩組實(shí)測數(shù)據(jù)優(yōu)選得到的旋轉(zhuǎn)域極化特征進(jìn)行統(tǒng)一，故本文優(yōu)選部分的最終結(jié)果為3個極化零角參數(shù)，即

3.2 本文分類方法

為了將目標(biāo)在旋轉(zhuǎn)域中的隱含信息充分利用在極化SAR地物分類中，同時又發(fā)揮傳統(tǒng)的旋轉(zhuǎn)不變極化特征參數(shù)在極化散射機(jī)理解譯方面的優(yōu)點(diǎn)，本文提出了一種結(jié)合旋轉(zhuǎn)域極化特征的極化SAR地物分類方法，其流程圖如圖1所示，相應(yīng)的具體操作如下：

(1) 在進(jìn)行Cloude-Pottier分解之前，需要對極化SAR數(shù)據(jù)進(jìn)行相干斑濾波處理。本文采用新近提出的一種基于矩陣相似性檢驗的SimiTest自適應(yīng)相干斑濾波方法[16]對極化SAR數(shù)據(jù)進(jìn)行濾波預(yù)處理。

(2) 基于濾波后的極化相干矩陣，計算總散射能量SPAN。

(3) 同樣地，基于濾波后的極化相干矩陣，進(jìn)行Cloude-Pottier分解，得到極化特征量

(4) 同時，將濾波后的極化相干矩陣?yán)@雷達(dá)視線旋轉(zhuǎn)，計算上述優(yōu)選部分所得的3個極化零角參數(shù)。

(5) 對上述7個極化特征參數(shù)分別進(jìn)行歸一化處理，以作為地物分類特征集輸入至SVM分類器。

圖1 本文方法具體流程圖Fig. 1 Flowchart of proposed method

(6) 通過SVM相應(yīng)的訓(xùn)練與測試過程，實(shí)現(xiàn)對不同地物類別的分類處理。

4 對比實(shí)驗及分析

為了驗證新極化特征(即3個旋轉(zhuǎn)域極化零角參數(shù))的引入對于傳統(tǒng)地物分類方法性能的提升作用，在對極化相干矩陣中全部極化信息進(jìn)行利用的前提之下，將本文方法與僅使用旋轉(zhuǎn)不變特征作為SVM分類器輸入的傳統(tǒng)方法進(jìn)行對比。首先使用AIRSAR數(shù)據(jù)15類地物的分類驗證本文方法的分類性能，再使用多時相UAVSAR數(shù)據(jù)7類地物的分類進(jìn)一步驗證本文方法對多時相數(shù)據(jù)的穩(wěn)健性。在對此兩組數(shù)據(jù)分別進(jìn)行SimiTest相干斑濾波[16]時，所用滑窗大小均為15×15。對SVM分類器，各類地物樣本的一半用于訓(xùn)練，另一半用于測試。

4.1 對AIRSAR數(shù)據(jù)的地物分類對比實(shí)驗

本文首先使用NASA/JPL AIRSAR系統(tǒng)在荷蘭Flevoland地區(qū)所獲取的L波段全極化SAR數(shù)據(jù)進(jìn)行地物分類實(shí)驗。該數(shù)據(jù)方位向分辨率為12.1 m，距離向分辨率為6.6 m，所用區(qū)域大小為736×1010。SimiTest相干斑濾波后的Pauli RGB圖如圖2(a)所示。該區(qū)域的真值圖如圖2(b)所示，其中主要包含莖豆、豌豆、森林、苜蓿、小麥1、甜菜、土豆、裸地、草地、油菜籽、大麥、小麥2、小麥3、水域以及建筑物等15類地物。

使用傳統(tǒng)方法和本文方法分別對濾波后的數(shù)據(jù)進(jìn)行分類處理，所得結(jié)果如圖3所示。

圖2 AIRSAR數(shù)據(jù)Fig. 2 AIRSAR data

圖3 AIRSAR數(shù)據(jù)的分類結(jié)果Fig. 3 Classification results of AIRSAR data

兩種方法對AIRSAR數(shù)據(jù)15類地物分類處理所得精度如表3所示。通過比較可知，本文方法得到的總體分類精度為92.3%，優(yōu)于傳統(tǒng)方法91.1%的分類精度。且本文方法對草地77.3%的分類精度相較于傳統(tǒng)方法的59.3%提升了18個百分點(diǎn)。另外，由于SVM分類器所用分類策略以總體分類精度的最大化為目標(biāo)，無法保證單一地物類別的分類精度均達(dá)到最優(yōu)。例如，本文方法在苜蓿、小麥1、裸地、大麥以及建筑物等5種地物類別區(qū)域所得分類精度均不及傳統(tǒng)方法。針對其中分類精度差距最大(約8.3%)的裸地，由于其相應(yīng)區(qū)域的主要散射機(jī)制為“面散射”，不同方位取向?qū)ζ浜笙蛏⑸涞挠绊戄^小，使用傳統(tǒng)的旋轉(zhuǎn)不變極化特征已經(jīng)能較好地對其進(jìn)行區(qū)分與辨識，本文方法額外引入的3個旋轉(zhuǎn)域極化零角參數(shù)可能造成了分類信息的冗余，進(jìn)而導(dǎo)致所得分類精度的較大幅度下降。

4.2 對多時相UAVSAR數(shù)據(jù)的地物分類對比實(shí)驗

本文使用NASA/JPL UAVSAR系統(tǒng)在加拿大Manitoba地區(qū)所獲取的多時相L波段全極化SAR數(shù)據(jù)進(jìn)行地物分類實(shí)驗。該數(shù)據(jù)方位向分辨率為7 m，距離向分辨率為5 m，所用區(qū)域大小為1325×1011。多時相極化SAR數(shù)據(jù)分別獲取于6月17日、6月22日、7月3日以及7月17日。SimiTest相干斑濾波處理之后多時相極化SAR數(shù)據(jù)對應(yīng)的Pauli RGB圖如圖4所示。該區(qū)域的主要地物類型是以谷物和油種產(chǎn)品為代表的混合型牧場農(nóng)作物。相應(yīng)的真值圖如圖5所示，其中主要包含闊葉林、草料、大豆、玉米、小麥、油菜籽以及燕麥等7類地物。

表3 兩種方法所得AIRSAR數(shù)據(jù)15類地物及總體的分類精度(%)Tab. 3 Classification accuracy of different terrains in AIRSAR data using two methods (%)

使用傳統(tǒng)方法和本文方法分別對濾波后的多時相極化SAR數(shù)據(jù)進(jìn)行相互獨(dú)立的分類處理，所得結(jié)果分別如圖6和圖7所示。

如圖6(c)和圖7(c)所示，基于7月3日獲取的數(shù)據(jù)，傳統(tǒng)方法將紅色圓框內(nèi)小麥與燕麥的絕大部分錯分為了大豆，而本文方法在該區(qū)域的分類性能相較于前者有顯著提升。又如圖6(d)和圖7(d)所示，基于7月17日獲取的數(shù)據(jù)，傳統(tǒng)方法將白色圓框內(nèi)小麥的絕大部分錯分為了大豆，而本文方法在該區(qū)域的分類精度相較于前者也有較大提升。

圖4 多時相UAVSAR數(shù)據(jù)濾波后Pauli RGB圖Fig. 4 Filtered Pauli RGB images of multi-temporal UAVSAR data

圖5 所用區(qū)域的真值圖Fig. 5 Gound truth of the multi-temporal data

圖6 傳統(tǒng)方法對多時相UAVSAR數(shù)據(jù)分類結(jié)果Fig. 6 Classification results of multi-temporal UAVSAR data using conventional method

圖7 本文方法對多時相UAVSAR數(shù)據(jù)分類結(jié)果Fig. 7 Classification results of multi-temporal UAVSAR data using proposed method

兩種方法對多時相UAVSAR數(shù)據(jù)7類地物分類處理所得精度如表4所示。通過比較可知，對不同日期獲取的數(shù)據(jù)，本文方法所得各類地物及總體的分類精度均優(yōu)于或相當(dāng)于傳統(tǒng)方法。其中，對6月17日、6月22日、7月3日以及7月17日4個不同日期所獲取的數(shù)據(jù)，本文方法得到的總體分類精度分別為94.98%, 95.12%, 95.99%以及96.78%，而傳統(tǒng)方法所得總體分類精度則波動于80.87%至90.75%之間，出現(xiàn)約10%的起伏。具體就小麥和燕麥而言，本文方法得到的分類精度均分別保持在94%和92%以上，而傳統(tǒng)方法所得相應(yīng)分類精度則分別出現(xiàn)了約30%和23%的波動起伏。另外，本文方法95.72%的平均總體分類精度相較于傳統(tǒng)方法的87.80%提升了約8個百分點(diǎn)。故本文方法較好的分類性能對于同一系統(tǒng)的多時相數(shù)據(jù)更具穩(wěn)健性。

表4 兩種方法所得多時相UAVSAR數(shù)據(jù)7類地物及總體的分類精度 (%)Tab. 4 The classification accuracy of different terrains in multi-temporal UAVSAR data using two methods (%)

另外，對于6月22日所獲取數(shù)據(jù)中的闊葉林和小麥，以及7月17日所獲取數(shù)據(jù)中的玉米，本文方法所得分類精度均略低于傳統(tǒng)方法，且分類精度的差距均在1%以內(nèi)。

在上述兩組相互獨(dú)立的對比實(shí)驗所得結(jié)果中，本文方法所得分類精度均優(yōu)于傳統(tǒng)方法。故本文方法所表現(xiàn)出的較好分類性能對于不同系統(tǒng)的數(shù)據(jù)也具有較強(qiáng)穩(wěn)健性。

5 結(jié)論

目標(biāo)方位取向?qū)ζ浜笙蛏⑸漤憫?yīng)的直接影響極易引起散射機(jī)理的解譯模糊，進(jìn)而限制僅使用旋轉(zhuǎn)不變特征參數(shù)作為分類特征集的極化SAR地物分類所得精度。針對這一問題，本文將刻畫目標(biāo)旋轉(zhuǎn)域隱含信息的旋轉(zhuǎn)域極化特征用于極化SAR地物分類，并提出了一種結(jié)合旋轉(zhuǎn)域極化特征和旋轉(zhuǎn)不變特征H/A//SPAN的極化SAR地物分類方法，該方法將旋轉(zhuǎn)域極化零角參數(shù)和H/A//SPAN聯(lián)合作為分類特征集輸入至SVM分類器。

將本文方法與僅使用旋轉(zhuǎn)不變特征H/A//SPAN作為SVM分類器輸入的傳統(tǒng)方法進(jìn)行比較：對AIRSAR數(shù)據(jù)15類地物分類而言，本文方法總體分類精度達(dá)到92.3%，優(yōu)于傳統(tǒng)方法的91.1%。對多時相UAVSAR數(shù)據(jù)7類地物分類而言，本文方法平均總體分類精度達(dá)到95.72%，顯著優(yōu)于傳統(tǒng)方法的87.80%，表明本文方法對同一系統(tǒng)的多時相數(shù)據(jù)更具穩(wěn)健性。這兩組對比實(shí)驗也表明本文方法較好的分類性能對于不同系統(tǒng)的數(shù)據(jù)具有較強(qiáng)穩(wěn)健性。

通過對旋轉(zhuǎn)域中目標(biāo)極化散射信息的深入挖掘，能夠為極化SAR圖像的解譯與應(yīng)用提供一條新的可行途徑。下一步將考慮旋轉(zhuǎn)域極化特征與具有深度學(xué)習(xí)能力的卷積神經(jīng)網(wǎng)絡(luò)等分類器相結(jié)合，以實(shí)現(xiàn)更高的分類精度。另外，對極化特征參數(shù)更優(yōu)的選擇準(zhǔn)則及相互融合也是我們未來將要深入研究討論的內(nèi)容。

[1]Lee J S and Pottier E. Polarimetric Radar Imaging: From Basics to Applications[M]. Boca Raton, FL, USA, CRC Press, 2009.

[2]吳永輝, 計科峰, 郁文賢. SVM全極化SAR圖像分類中的特征選擇[J]. 信號處理, 2007, 23(6): 877–881.Wu Yonghui, Ji Kefeng, and Yu Wenxian. A new feature selection algorithm for SVM-based fully polarimetric SAR image classification[J].Signal Processing, 2007, 23(6):877–881.

[3]Cloude S R and Pottier E. A review of target decomposition theorems in radar polarimetry[J].IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498–518. DOI:10.1109/36.485127.

[4]Freeman A and 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. DOI:10.1109/36.673687.

[5]Yamaguchi Y, Moriyama T, Ishido M,et al.. Fourcomponent scattering model for polarimetric SAR image decomposition[J].IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699–1706. DOI: 10.1109/TGRS.2005.852084.

[6]Chen S W, Wang X S, Xiao S P,et al.. General polarimetric model-based decomposition for coherency matrix[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(3): 1843–1855. DOI: 10.1109/TGRS.2013.2255615.

[7]Chen S W, Li Y Z, Wang X S,et al.. Modeling and interpretation of scattering mechanisms in polarimetric synthetic aperture radar: Advances and perspectives[J].IEEE Signal Processing Magazine, 2014, 31(4): 79–89. DOI:10.1109/MSP.2014.2312099.

[8]Cloude S R and Pottier E. An entropy based classification scheme for land applications of polarimetric SARs[J].IEEE Transactions on Geoscience and Remote Sensing, 1997,35(1): 68–78. DOI: 10.1109/36.551935.

[9]Lee J S, Grunes M R, Ainsworth T L,et al.. Unsupervised classification of polarimetric SAR images by applying target decomposition and complex Wishartdistribution[J].IEEE Transactions on Geoscience and Remote Sensing, 1999,37(5): 2249–2258. DOI: 10.1109/36.789621.

[10]趙一博. 基于SVM和RBF神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法研究[D]. [碩士論文], 國防科學(xué)技術(shù)大學(xué), 2013.Zhao Yibo. Classification of polarimetric SAR image based on SVM and RBF neural network[D]. [Master dissertation],National University of Defense Technology, 2013.

[11]吳永輝, 計科峰, 郁文賢. 基于H-alpha和改進(jìn)C-均值的全極化SAR圖像非監(jiān)督分類[J]. 電子與信息學(xué)報, 2007, 29(1): 30–34.Wu Yonghui, Ji Kefeng, and Yu Wenxian. Unsupervised classification of fully polarimetric SAR image using H-alpha decomposition and modified C-Mean algorithm[J].Journal of Electronics and Information Technology, 2007, 29(1):30–34.

[12]Chen S W, Wang X S, and Sato M. Uniform polarimetric matrix rotation theory and its applications[J].IEEE Transactions on Geoscience and Remote Sensing, 2014,52(8): 4756–4770. DOI: 10.1109/TGRS.2013.2284359.

[13]Chen S W, Li Y Z, and Wang X S. Crop discrimination based on polarimetric correlation coefficients optimization for PolSARdata[J].International Journal of RemoteSensing, 2015, 36(16): 4233–4249. DOI: 10.1080/01431161.2015.1079345.

[14]Xiao S P, Chen S W, Chang Y L,et al.. Polarimetric coherence optimization and its application for manmade target extraction in PolSARdata[J].IEICE Transactions on Electronics, 2014, 97(6): 566–574.

[15]Chang C C and Lin C J. LIBSVM: Alibrary for support vector machines[J].ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 389–396.

[16]Chen S W, Wang X S, and Sato M. PolInSAR complex coherence estimation based on covariance matrix similarity test[J].IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4699–4709. DOI: 10.1109/TGRS.2012.2192937.

陶臣嵩(1993–)，男，廣西人，國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院在讀碩士研究生，主要研究方向為成像雷達(dá)極化信息的解譯與處理、極化特征的提取與優(yōu)選等。

E-mail: taochensongnudt@163.com

陳思偉(1984–)，男，四川人，博士，國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院講師，主要研究方向包括雷達(dá)極化信息處理、成像雷達(dá)信息處理、目標(biāo)散射建模與解譯、微波遙感大數(shù)據(jù)處理與應(yīng)用、微波遙感環(huán)境與災(zāi)害應(yīng)用研究等。

E-mail: chenswnudt@163.com

李永禎(1977–)，男，內(nèi)蒙古人，博士后，國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院研究員，電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點(diǎn)實(shí)驗室副主任，主要研究方向為新體制雷達(dá)與電子對抗。

E-mail: e0061@sina.com

肖順平(1964–)，男，江西人，博士，國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院教授，博士生導(dǎo)師，電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點(diǎn)實(shí)驗室主任，國家高技術(shù)863專家，總裝備部仿真專業(yè)組專家，中國電子學(xué)會高級會員，主要研究方向包括雷達(dá)極化信息處理、電子信息系統(tǒng)仿真評估技術(shù)、雷達(dá)目標(biāo)識別等。

s: The National Natural Science Foundation of China (41301490, 61490692)

Polarimetric SAR Terrain Classification Using Polarimetric Features Derived from Rotation Domain

Tao Chensong Chen Siwei Li Yongzhen Xiao Shunping
(The State Key Laboratory of Complex Electromagnetic Environment Effects on Electronics and Information System,School of Electronic Science and Engineering,National University of Defense Technology,Changsha410073,China)

Terrain classification is an important application for understanding and interpreting Polarimetric Synthetic Aperture Radar (PolSAR) images. One common PolSAR terrain classification uses roll-invariant feature parameters such asH/A/α/SPAN. However, the back scattering response of a target is closely related to its orientation and attitude. This frequently introduces ambiguity in the interpretation of scattering mechanisms and limits the accuracy of the PolSAR terrain classification, which only uses roll-invariant feature parameters for classification. To address this problem, the uniform polarimetric matrix rotation theory, which interprets a target’s scattering properties when its polarimetric matrix is rotated along the radar line of sight and derives a series of polarimetric features to describe hidden information of the target in the rotation domain was proposed. Based on this theory, in this study, we apply the polarimetric features in the rotation domain to PolSAR terrain discrimination and classification, and develop a PolSAR terrain classification method using both the polarimetric features in the rotation domain and the roll-invariant features ofH/A/α/SPAN. This method also uses both the selected polarimetric feature parameters in the rotation domain andH/A/α/SPAN as input for a Support Vector Machine (SVM) classifier and achieves better classification performance by complementing the terrain discrimination abilities of both. Results from comparison experiments based on AIRSAR and UAVSAR data demonstrate that compared with the conventional method, which only usesH/A/α/SPAN as SVM classifier input, the proposed method can achieve higher classification accuracy and better robustness. For fifteen terrain classes of AIRSAR data, the total classification accuracy of the proposed method was 92.3%, which is higher than the 91.1% of the conventional method. Moreover, for seven terrain classes of multi-temporal UAVSAR data, the averaged total classification accuracy of the proposed method was 95.72%, which is much higher than the 87.80% of the conventional method. These results demonstrate that our proposed method has better robustness for multi-temporal data. The research also demonstrates that mining and extracting polarimetric scattering information of a target deep in the rotation domain provides a feasible new approach for PolSAR image interpretation and application.

Polarimetric Synthetic Aperture Radar (PolSAR); Polarimetric features; Rotation domain; Support Vector Machine (SVM); Terrain classification

TN957.52

A

2095-283X(2017)05-0524-09

10.12000/JR16131

陶臣嵩, 陳思偉, 李永禎, 等. 結(jié)合旋轉(zhuǎn)域極化特征的極化SAR地物分類[J]. 雷達(dá)學(xué)報, 2017, 6(5):524–532.

10.12000/JR16131.

Reference format:Tao Chensong, Chen Siwei, Li Yongzhen,et al.. Polarimetric SAR terrain classification using polarimetric features derived from rotation domain[J].Journal of Radars, 2017, 6(5): 524–532. DOI:10.12000/JR16131.

2016-11-30；改回日期：2017-01-24；網(wǎng)絡(luò)出版：2017-04-07

*通信作者： 陳思偉 chenswnudt@163.com

國家自然科學(xué)基金(41301490, 61490692)