折小強 仇曉蘭 雷 斌 張 薇 盧曉軍

①(中國科學(xué)院空間信息與應(yīng)用系統(tǒng)重點實驗室 北京 100190)

②(中國科學(xué)院電子學(xué)研究所 北京 100190)

③(中國科學(xué)院大學(xué) 北京 100190)

④(民政部衛(wèi)星減災(zāi)應(yīng)用中心 北京 100124)

⑤(中國國際工程咨詢公司 北京 100048)

一種極化熵結(jié)合混合GEV模型的全極化SAR潮間帶區(qū)域地物分類方法

折小強*①②③仇曉蘭①②雷 斌①②張 薇④盧曉軍⑤

①(中國科學(xué)院空間信息與應(yīng)用系統(tǒng)重點實驗室 北京 100190)

②(中國科學(xué)院電子學(xué)研究所 北京 100190)

③(中國科學(xué)院大學(xué) 北京 100190)

④(民政部衛(wèi)星減災(zāi)應(yīng)用中心 北京 100124)

⑤(中國國際工程咨詢公司 北京 100048)

該文提出了一種可用于全極化SAR的潮間帶區(qū)域地物分類的方法。首先針對潮間帶的特點對4種典型極化特征進行分析和篩選，得到一組最適合描述潮間帶區(qū)域的多極化特征：極化熵(Polarimetric entropy)和反熵(Anisotropy)。然后基于對潮間帶區(qū)域極化熵圖像的散射特性分析和極值理論，利用廣義極值分布(Generalized Extreme Value, GEV)描述其統(tǒng)計特性。在此基礎(chǔ)上，提出了一種基于GEV混合模型的EM算法實現(xiàn)對潮間帶地物分類的方法。最后，基于上海崇明東灘潮間帶的Radarsat-2全極化數(shù)據(jù)進行了實驗，實驗結(jié)果證明了方法的有效性。

合成孔徑雷達(SAR)；多極化特征；廣義極值分布(GEV)；有限混合模型；潮間帶地物分類

1 引言

潮間帶區(qū)域是一種位于陸地與海洋之間的特殊海岸區(qū)域，在低潮時露出水面而在高潮時被水淹沒[1]，其構(gòu)成了一個獨特的濕地生態(tài)系統(tǒng)，提供了多種植被必需的生長環(huán)境，是水產(chǎn)養(yǎng)殖、海洋環(huán)境觀測、海洋經(jīng)濟開發(fā)以及海岸防御的重點區(qū)域。為了更好地開發(fā)利用潮間帶區(qū)域，利用遙感對潮間帶進行觀測和研究的工作已得到開展[2—5]。如何基于遙感圖像自動準確地將潮間帶區(qū)域與水域及其他陸地區(qū)域分開，并能夠準確區(qū)分潮間帶區(qū)域不同植被或養(yǎng)殖類型，是潮間帶區(qū)域監(jiān)測所關(guān)心的問題。合成孔徑雷達(Synthetic Aperture Radar, SAR)尤其是全極化SAR，由于其全天時全天候工作的優(yōu)勢和分類能力強的特點，在該方面的應(yīng)用得到了關(guān)注[6—8]。

針對極化SAR數(shù)據(jù)，通過特征值分解以及散射分析等手段，可以從中提取出大量的多極化特征來描述地物的散射信息[9,10]。這些特征為極化SAR數(shù)據(jù)的應(yīng)用提供了新的視角。近年來，基于極化特征的研究有了突破性的進展，廣泛地應(yīng)用在地物分類、典型目標檢測提取等領(lǐng)域[11—13]。相比于其他特征，極化熵被證實可以更好地描述地物的極化相關(guān)的紋理信息(polarization-dependent variation of texture)[14]和表面粗糙度[15]，并且有較好的目標識別能力[16]。因此，極化熵廣泛地應(yīng)用在地物分類、海岸帶典型目標檢測[3,17]等領(lǐng)域。比較典型的有Cloude和Pottier1997年提出的基于極化熵的地物分類框架[16]以及Eun-Sung等人利用極化熵基于GEV分布實現(xiàn)對水下養(yǎng)殖區(qū)域的檢測等[3]。

另外，從對極化SAR數(shù)據(jù)的統(tǒng)計特性的分析出發(fā)，已有研究將有限混合模型(Finite Mixture Models, FMM)等理論引入到基于極化SAR地物分類應(yīng)用中[18]。從傳統(tǒng)的混合Wishart模型[18]到混合U分布模型[19]，基于FMM的極化SAR地物分類方法在城區(qū)、農(nóng)田以及海洋等區(qū)域達到較好的分類效果。

在潮間帶區(qū)域，其在退潮后露出水面的部分主要由淤泥灘、淺留水體以及水產(chǎn)養(yǎng)殖等部分組成，而上述部分的電磁散射強度與水面差別不大，因此在極化SAR圖像中表現(xiàn)為類似的散射強度和散射機制，不易區(qū)分。現(xiàn)有針對極化SAR數(shù)據(jù)進行地物分類的算法在潮間帶這種特殊的地物場景中并不能得到很好的分類結(jié)果?，F(xiàn)有基于SAR數(shù)據(jù)對于潮間帶區(qū)域也有較多的研究，主要針對有潮海域的地貌變動監(jiān)控[7,20—22]、土壤濕度分析[1,8]以及特定地物的散射特性分析[3,17,23,24]等。比較典型的有Li Zhen等人針對1999—2006年波羅的海海域的潮間帶地貌演變研究[7,20—22]以及Hoonyol Lee等人對于韓國南部海域潮間帶的土壤濕度變化研究[1]等。

本文針對潮間帶的特點，基于極化特征和FMM提出了一種新的地物分類方法。首先，本文針對4種典型的極化特征進行分析和篩選，得到一組最適合描述潮間帶區(qū)域的多極化特征：極化熵和反熵。在此基礎(chǔ)上，基于對極化熵圖像的統(tǒng)計特性分析和極值理論，本文優(yōu)選GEV分布對潮間帶區(qū)域的極化熵分布進行描述[20,25]。隨后構(gòu)建了一種基于GEV混合模型(GEV Mixture Model, GEVMM)在極化熵特征中對潮間帶地物進行標記。最后結(jié)合反熵的信息實現(xiàn)潮間帶地物分類。本文利用RadarSAT-2獲取的上海崇明島東灘區(qū)域數(shù)據(jù)進行實驗驗證。與經(jīng)典多極化SAR分類方法結(jié)果及實地考察真值的對比結(jié)果表明，本文方法能夠有效地將潮間帶區(qū)域與水域進行區(qū)分，并對潮間帶內(nèi)部不同場景類型進行分類，效果優(yōu)于Wishart-H/A/α等經(jīng)典方法。

本文的結(jié)構(gòu)如下：第2節(jié)詳細介紹本文提出的分類方法，第3節(jié)基于實測數(shù)據(jù)對方法進行驗證，并對結(jié)果進行分析討論，第4節(jié)總結(jié)全文。

2 極化熵結(jié)合GEV模型的分類方法

2.1 信號建模與極化特征

在全極化SAR模式中，SAR系統(tǒng)以水平極化和垂直極化兩種模式的組合來發(fā)射和接收電磁波[26]。極化散射矩陣為：

其中，T表示轉(zhuǎn)置。基于k可以得到極化相干矩陣T3：

其中，L為視數(shù)，上標代表了復(fù)共軛。從極化散射矩陣S和極化相干矩陣T3中可以提取出來很多極化特征，其中4個最典型的多極化特征(Span,H,A,α)如下。

極化總功率Span是一個典型的極化特征，其定義可以從極化散射矩陣S得到：

Span影像為4個極化通道圖像的功率之和，其中包含了各通道圖像的信息。

從極化相干矩陣T3中獲取極化特征一般通過特征值分解，其中比較典型的為分解。已經(jīng)在極化圖像分類領(lǐng)域廣泛使用，其定義為：

其中，H是極化熵，A是反熵，計算時特征值按照來排序。其中極化熵H描述了散射的隨機性，其取值范圍為0到1。當(dāng)極化熵值較低時，可以認為只有一種主導(dǎo)散射機制；當(dāng)極化熵值較高時，此時表現(xiàn)出較為強烈的去極化特性，散射機制趨向隨機；當(dāng)極化熵接近于1時，散射機制接近于噪聲。反熵A是對極化熵H的一個有效補充，是對第2個和第3個特征值的差異的描述，并且對極化熵值大于0.7的高熵區(qū)域有著較好的識別性能[26]。一般來說，潮間帶的大多數(shù)區(qū)域?qū)τ诜挫氐捻憫?yīng)較弱，只有部分高熵區(qū)域，例如露出水面的金屬隔離網(wǎng)，才有較高的反熵值。

其中，α為平均散射角，其值域范圍為0° and 90°[26]。

2.2 極化特征比較與選擇

在潮間帶區(qū)域，退潮殘留的水體、淤泥灘和水下農(nóng)場等構(gòu)成了復(fù)雜的地貌。殘留水體和淤泥灘均有相對光滑的表面，且絕大部分的水下農(nóng)場養(yǎng)殖區(qū)域可以被稱為“淺層水域”，僅有少量的隔離網(wǎng)和部分植被的枝葉露出水面。因此，該區(qū)域在各個通道的雷達功率圖像中均會表現(xiàn)出和海水相似的圖像灰度值，如圖1(a)所示。所以Span圖雖然綜合了全極化SAR的4個通道功率圖像的幅度信息，但是這種簡單的功率和并不能增強潮間帶區(qū)域和海水的區(qū)分能力。

潮間帶混雜的地物也導(dǎo)致了其散射機制的隨機性變化較大，而極化熵H和反熵A均是對散射隨機性的描述，因此這兩個特征均有可能用來描述在潮間帶區(qū)域。潮間帶區(qū)域的極化熵和反熵示例分別如圖1(b)和圖1(c)所示。可以看出，相比于Span，極化熵可以較好地區(qū)分海洋和潮間帶區(qū)域，并且可以區(qū)分潮間帶內(nèi)部地物類型。而反熵則可以明顯將高熵和低熵區(qū)域區(qū)分開來。因此對于潮間帶區(qū)域，理論上來說極化熵是一種更普適的特征，而反熵更適合用來區(qū)分一些高熵區(qū)域。

圖1 潮間帶的極化特征示例Fig. 1 Examples of multi-polarization features of intertidal area

平均散射角α則是對潮間帶區(qū)域的散射機制的直接描述。較為光滑的表面會產(chǎn)生較低的α值，隨著α值的增大，散射機制依次從表面散射，體散射到二次散射過渡。簡而言之，對于潮間帶區(qū)域，平均散射角α可以認為是一種對表面粗糙度的衡量。淤泥灘和露出水面的水下植被與水面相比擁有不同粗糙度的表面，從而在α特征圖中會有不同的表現(xiàn)，如圖1(d)所示。但是，由于在潮汐作用下潮間帶區(qū)域的地物表面相對平滑，其散射機制大多為不同程度的布拉格表面散射，因此這種粗糙度帶來的差異性不足以用來對潮間帶區(qū)域的地物分類。

基于上述分析，本文優(yōu)選極化熵H和反熵A來進行潮間帶的分類，其中H為主要特征，A則作為補充。

2.3 極化熵的統(tǒng)計特性分析與混合GEV模型

極化熵是一種對極化散射機制隨機性的衡量。然而，對于中等分辨率(如Radarsat-2全極化模式分辨率為8 m)圖像，一個像素點中可能包含多種地物，即有著較強的散射隨機性，意味著比較高的極化熵值，當(dāng)散射隨機性很強時，極化熵值趨近于1，接近噪聲水平。在潮間帶中，雖然總體上來說其極化熵值不是很高，但是部分露出水面的植被以及金屬隔離網(wǎng)區(qū)域有著較強的散射隨機性會產(chǎn)生接近于1的極高熵值。這些高熵值在極化熵圖像的統(tǒng)計直方圖中導(dǎo)致一種long-tails現(xiàn)象。long-tails現(xiàn)象是風(fēng)險預(yù)測或者災(zāi)害預(yù)警等極端事件研究中的重點，包括“左拖尾(厚尾)”和“右拖尾(薄尾)”[27]。對于這兩種現(xiàn)象，傳統(tǒng)的統(tǒng)計分布模型例如高斯分布模型或者Gamma分布模型難以給出好的擬合效果[25]。而常用的一些描述long-tails現(xiàn)象的模型，包括廣義Gamma分布和k分布，均對“右拖尾”有較好的描述能力，但是不能很好地適應(yīng)“左拖尾”。而且，k分布是基于乘性噪聲模型提出，僅適用于均勻區(qū)域和弱紋理區(qū)域，對于極化熵圖像不太適用[26]。極值理論方面的研究表明，GEV分布可以很好地描述有極端事件發(fā)生的隨機過程。在近年來的研究中GEV分布已經(jīng)被大量地用在SAR圖像對特殊目標的分析中[3,20,25]。其中Eun-Sung的論文中對比了廣義Gamma分布族中的Weibull分布和lognormal分布，證明了GEV分布能夠更好地描述水下養(yǎng)殖等類似區(qū)域[3]。因此本文采用GEV來描述潮間帶區(qū)域的極化熵圖像。GEV分布是一族連續(xù)的極值概率分布，并且具有有限分布和穩(wěn)定的特性。GEV分布的概率密度函數(shù)如式(10)所示：

圖2 GEV分布的3種形態(tài)Fig. 2 Three types of the GEV distribution

通過上面的分析可以得出，GEV分布能夠較好地描述潮間帶區(qū)域的極化熵圖像。由于單個概率分布只有一個峰值，而對于潮間帶區(qū)域，多種地物必然會導(dǎo)致多個峰值的出現(xiàn)。因此基于GEV分布，可以通過建立一個有限混合模型(Finite Mixture Model, FMM)來實現(xiàn)對潮間帶的地物分類。有限混合GEV模型(GEV Mixture Models, GEVMM)n個GEV分布的線性疊加，其定義如式(11)所示：

其中，n為GEV分布的個數(shù)，在潮間帶地物分類中代表著潮間帶的地物種類，fi(·)代表著第i個種地物所服從的GEV分布。

2.4 基于GEV模型的分類方法

對于潮間帶區(qū)域的極化熵圖像H的地物分類可以分為兩個步驟：首先是GEV混合模型的計算，然后將模型映射到圖像空間中實現(xiàn)分類。其中最重要的一步是GEVMM的計算。本文以EM算法為基礎(chǔ)，來實現(xiàn)對GEVMM的構(gòu)建。

EM算法是一種極大似然估計算法，以迭代的方式來實現(xiàn)對模型的估計。算法的每一次迭代都是由E步(求期望)和M步(將期望最大化)構(gòu)成[28]。在本文中，首先給定類別個數(shù)和參數(shù)的初始值，然后在E步，依照當(dāng)前模型參數(shù)，計算分模型i對圖像中每個點xj的響應(yīng)度其計算公式為：

其中，j為樣本標記，i為類別標記，式中θi指在第i個分模型。在M步中，我們先根據(jù)響應(yīng)度大小對圖像像素進行歸類，然后用最小二乘法估計出每個分模型的參數(shù)[29]。實驗中最小二乘法估計通過MATLAB函數(shù)gevfit實現(xiàn)。如此迭代，直到參數(shù)收斂。

另一方面，傳統(tǒng)的FMM進行模型估計時分模型個數(shù)是固定的，難以適應(yīng)不同的地物類型的特征值分布。因此，本文采用了自適應(yīng)的的GEVMM估計方法。在迭代的過程中，如果對某一個類別產(chǎn)生最大響應(yīng)的點的數(shù)目少于某個閾值時，該類別即認為無意義并刪除。在本文的實驗中，這個閾值被設(shè)為50。迭代收斂后得到GEVMM以及其中的各個分量，然后通過計算圖像中的每個點對模型各分量的響應(yīng)度，得到一個分類標記圖。

反熵作為極化熵的補充，其在高于0.7時采用較好的識別能力[26]。因此可以通過0.7這個閾值對反熵圖像進行閾值分割，實現(xiàn)二值分類。基于此，本文通過將兩個特征得到的結(jié)果進行融合，更好地實現(xiàn)潮間帶的地物分類。假設(shè)極化熵得到的M類集合為{A1，A2，···，AM}，反熵得到的兩類為{B1，B2}，融合算法要處理的集合為各類的交集，即：

對于C中的每一個像素x，分別計算其對Ai與Bj的從屬度

其中，H(x)為極化熵在x位置的值，為極化熵圖像中類所有像素的均值，即類別中心。同理，為反熵在x位置的值，為反熵圖像中類所有像素的均值。本文中采用如下準則來對交集C進行判決：如果那么C屬于Ai類，反之C屬于Bj類。這樣就實現(xiàn)了分類結(jié)果的融合。

GEVMM的構(gòu)建流程以及圖像分類算法流程如圖3所示。

圖3 基于GEVMM的圖像分類流程Fig. 3 Flowchart of GEVMM

3 實驗與分析

基于本文的方法，利用Radarsat-2衛(wèi)星的全極化數(shù)據(jù)進行了實驗驗證，實驗數(shù)據(jù)的分辨率為8 m。研究區(qū)域位于上海崇明島東灘潮間帶，其衛(wèi)星數(shù)據(jù)獲取時間為2015年5月16日，此時的潮水處于低潮狀態(tài)。圖4描述了實驗區(qū)域，其中圖4(a)給出了整幅數(shù)據(jù)的Pauli偽彩色圖像，其中的黃色矩形框代表著我們選定的實驗區(qū)域，大小為20.0 km×5.6 km。數(shù)據(jù)獲取時的實驗區(qū)域的實時狀態(tài)如圖4(b)所示，從近到遠依次是低矮植被區(qū)域，淤泥灘以及露出水面的水產(chǎn)養(yǎng)殖場的隔離網(wǎng)。

實驗中，本文首先基于實測數(shù)據(jù)對潮間帶區(qū)域的極化特征進行目視解譯與定量衡量來佐證前面的分析；然后基于所示的流程對潮間帶進行地物分類；最后利用PolSAR Pro軟件對研究區(qū)域進行Wishart-H/A/α分類，并和本文方法的實驗結(jié)果進行對比和分析。

3.1 基于實測數(shù)據(jù)的極化特征分析

圖4 所選實驗區(qū)域Fig. 4 The selected study area

圖5 研究區(qū)域的極化特征Fig. 5 Multi-polarization features of the study area

圖5給出了圖4(a)黃框所示的研究區(qū)域的極化特征?；谏厦娴姆治?，下面結(jié)合實地考察結(jié)果以及圖4(a)中所示的Pauli偽彩色圖對4個特征進行目視解譯。在圖5(a)所示的Span影像中，我們可以識別出潮間帶的大致輪廓以及金屬隔離網(wǎng)等，但是潮間帶內(nèi)部細節(jié)的識別能力較差，并且潮間帶和海洋的邊界比較模糊。圖5(b)給出了極化熵圖像，從圖中我們可以識別出海面，以及潮間帶中的淤泥灘，草地以及暗色的殘留水體等，并且和海面的區(qū)分較為顯著，但是對金屬隔離網(wǎng)的識別能力較差。圖5(c)中的反熵可以很好地識別金屬隔離網(wǎng)，但是無法識別出其他地物。而對于圖5(d)，平均散射角可以對潮間帶區(qū)域中的地物進行一定的識別，但是不能很好地區(qū)分海面和潮間帶中的水產(chǎn)養(yǎng)殖。對比Span、極化熵、反熵和平均散射角4張圖，可以發(fā)現(xiàn)極化熵可以對除去金屬隔離網(wǎng)之外的地物有著最好的視覺判別而反熵作為補充可以很好地識別出金屬隔離網(wǎng)區(qū)域。因此，極化熵結(jié)合反熵，可以給出最好的視覺判別效果。

為了進一步地佐證，本文采用Michelson對比度準則來衡量上述圖像的類間對比度(betweenregion contrast)[30]。 Michelson準則是一種經(jīng)典的圖像衡量標準，并且廣泛地用在SAR圖像評價中[3,31]。其定義如下：

其中，F(xiàn)max和Fmin分別為圖像的最大值和最小值。對比度值C位于[0, 1]區(qū)間。一般來說，C越高，對比度越強，區(qū)分能力也越強。表1給出了4個極化特征的類間對比度，從表中可以看出，反熵擁有最高的對比度值，極化熵的對比度緊隨其后且高于其他兩個特征。從前面的分析中可以得知，反熵對高熵部分響應(yīng)強烈并且抑制了低熵部分的值，導(dǎo)致了較高的對比度值，也確保了其對潮間帶的高熵部分的識別能力。從圖5(c)可以看出，反熵對于具有高熵值的金屬隔離網(wǎng)有著很好的區(qū)分能力，但是對其他低熵區(qū)域，區(qū)分能力很差。極化熵有著第二高的對比度值，從圖5(b)中也可以看出極化熵對整個潮間帶區(qū)域的細節(jié)有著很好的描述以及較好的區(qū)分能力。平均散射角α的對比度低于極化熵，從圖5(d)中也可以看出其對潮間帶的細節(jié)有一定的描述能力，但是無論是邊緣的清晰度還是Michelson對比度都明顯弱于極化熵。而Span圖像在視覺判別能力和對比度方面表現(xiàn)最差。綜上所述，極化熵和反熵的組合可以對潮間帶區(qū)域地物進行很好的區(qū)分。

表1 各極化特征的Michelson類間對比度Tab. 1 Michelson between-region contrast of different features

3.2 基于GEVMM的極化熵統(tǒng)計建模

基于圖5(b)所示的極化熵圖像，我們按照圖3所示的流程進行GEVMM建模和地物分類。在GEVMM構(gòu)建中，根據(jù)實地考察結(jié)果結(jié)合極化熵圖像我們初始指定模型的分量數(shù)目為8，經(jīng)過迭代收斂后得到的模型中有5個分量，圖6(f)給出了最終的GEVMM和極化熵直方圖以及模型中各分量的圖示。為了確保GEVMM的優(yōu)越性，本文用Gamma分布和log-normal分布分別來擬合GEVMM得到的標記圖中對應(yīng)的每種類別的歸一化直方圖，與GEVMM的各個分量的擬合效果進行對比，如圖6(a)—圖6(e)所示。圖6(a)—圖6(e)展示了擬合對比結(jié)果，其中藍色部分為各類別的直方圖，綠線代表GEVMM的對應(yīng)分量擬合結(jié)果，黑線代表Gamma模型擬合結(jié)果，紅線代表了log-normal模型擬合結(jié)果?？梢钥闯?，GEV分布可以很好地擬合圖6(d)和圖6(e)兩圖的“左拖尾現(xiàn)象”，明顯優(yōu)于其他兩種模型。同樣，圖6(b)中GEV分布的擬合效果也明顯優(yōu)于其他兩種分布。

為了進一步確認GEVMM的準確性，本文采用赤池信息量準則(Akaike Information Criterion, AIC)對各個模型進行衡量[32]。AIC準則的定義如下：

其中，k為參數(shù)個數(shù)，n為樣本個數(shù)，L為對數(shù)相似度(log likelihood)。對數(shù)相似度的定義如下：

其中，sse為直方圖和擬合結(jié)果之間的殘差和。對于AIC準則來說，k越小或者L越大，AIC的值越小，模型的正確性也越高。其中k越小，模型越簡潔，而L越大，模型越準確。表2給出了3種分布在每個類別對應(yīng)的AIC值，可以看出GEV分布明顯優(yōu)于其他兩種分布。結(jié)合圖6和表2，可以得出GEV分布模型有著最好的擬合能力。另外，最終得到的GEVMM和統(tǒng)計直方圖之間的AIC值為4.0661，也說明了模型的有效性。

3.3 地物分類結(jié)果與分析

圖7展示了地物分類實驗結(jié)果，其中圖7(a)給出了研究區(qū)域的Pauli偽彩色圖?；跇O化熵的GEVMM得到的圖像分類標記圖如圖7(b)所示，通過融合圖7(c)給出的反熵的分割結(jié)果，得到的最終分類結(jié)果如圖7(d)所示。圖7(e)給出了Wishart-H/A/α方法的分類結(jié)果。研究區(qū)域真值圖如圖7(f)所示，其中藍色為海洋區(qū)域，淺藍色和淺綠色區(qū)域分別為潮間帶中的水下養(yǎng)殖與殘留水體，黃色和棕黃色代表植被散射區(qū)域和淤泥灘，深紅色代表金屬隔離網(wǎng)。

對比發(fā)現(xiàn)極化熵得到的結(jié)果可以很好地識別出潮間帶區(qū)域的大多地物類型，與真值較為一致，但是該圖中地物只是分為5類，不能很好地識別出圖7(f)中深紅色的金屬隔離網(wǎng)區(qū)域。而在圖7(c)的反熵的閾值分割結(jié)果可以較好地提取出金屬隔離網(wǎng)區(qū)域。圖7(d)中融合后得到的分類結(jié)果和真值圖相比有較為一致分類效果，并優(yōu)于圖7(b)和圖7(c)的結(jié)果。而圖7(e)所示的Wishart-H/A/α的分類結(jié)果和真值圖有著較大的不同。在研究區(qū)域，圖7(e)只能將金屬隔離網(wǎng)區(qū)域和其他地物區(qū)分，對于潮間帶的其他5類，均不具備較好的區(qū)分度，并且潮間帶區(qū)域和海洋區(qū)域未能進行很好地區(qū)分。

表2 GEV分布，Gamma分布和log-normal分布在每種類別中的擬合結(jié)果的AIC值Tab. 2 The AIC values of the fitting results between the GEV distribution, the Gamma distribution and log-normal distribution

圖7 潮間帶的地物分類實驗結(jié)果Fig. 7 Classification results of the intertidal area

針對本文提出的方法和Wishart-H/A/α分類方法，實驗中采用Kappa系數(shù)來衡量兩種方法的分類效果。結(jié)合真值數(shù)據(jù)，兩種方法的Kappa系數(shù)分別為0.9019和0.3662，總體分類精度分別為0.8912和0.3712，也驗證了本文方法的準確性。可見，在潮間帶區(qū)域的地物分類中，本文的方法要優(yōu)于Wishart-H/A/α分類。

4 結(jié)束語

針對潮間帶區(qū)域的地物分類問題，本文提出了結(jié)合極化熵和反熵的潮間帶地物分類方法?；跇O化熵圖像，本文對潮間帶區(qū)域建立GEVMM。在此基礎(chǔ)上通過和反熵的信息融合得到最終的分類結(jié)果。實驗中利用C波段Radarsat-2全極化數(shù)據(jù)實現(xiàn)了對上海崇明島東灘潮間帶區(qū)域的地物分類。對比真值圖，本文方法可以給出較好目視結(jié)果并優(yōu)于Wishart-H/A/α方法。最后的定量分析證明本文方法具有較好的準確性。

[1]Lee Hoonyol, Chae Heesam, and Cho Seong-Jun. Radar backscattering of intertidal mudflats observed by Radarsat-1 SAR images and ground-based scatterometer experiments[J].IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(5): 1701—1711. DOI: 10.1109/TGRS.2010.2084094.

[2]Li Xiaofeng, Li Chunyan, Xu Qing,et al.. Pichel. Sea surface manifestation of along-tidal-channel underwater ridges imaged by SAR[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(8): 2467—2477. DOI: 10.1109/TGRS.2009.2014154.

[3]Won Eun-Sung, Ouchi Kazuo, and Yang Chan-Su.Extraction of underwater laver cultivation nets by SAR polarimetric entropy[J].IEEE Transactions on Geoscience and Remote Sensing, 2013, 10(2): 231—235. DOI: 10.1109/LGRS.2012.2199077.

[4]Inglada J and Garello R. Underwater bottom topography estimation from SAR images by regulariziation of the inverse imaging mechanism[C]. IEEE 2000 International Geoscience and Remote Sensing Symposium, 2000, 5:1848—1850.

[5]Kim Ji-Eun, Park Sang-Eun, Kim Duk-Jin,et al.. Recent advances in POL(in)SAR remote sensing amp; stress-change monitoring of wetlands with applications to the Sunchon Bay Tidal Flats[C]. Synthetic Aperture Radar European Conference (EUSAR), Friedrichshafen, Germany, 2008: 1—3.

[6]Park S E, Moon W M, and Kim D J. Estimation of surface roughness parameter in intertidal mudflat using airborne polarimetric SAR data[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(4): 1022—1031.

[7]Zhen Li, Heygster G, and Notholt J. Intertidal topographic maps and morphological changes in the German Wadden Sea between 1996—1999 and 2006—2009 from the Waterline method and SAR images[J].IEEE Journal of Selected Topics in Applied Earth Observationsamp;Remote Sensing,2014, 7(8): 3210—3224.

[8]Kim Duk-Jin, Park Sang-Eun, Lee Hyo-Sung,et al..Investigation of multiple frequency polarimetric SAR signal backscattering from tidal flats[C]. International Geoscience and Remote Sensing Symposium, 2009: 896—899.

[9]Sine Skrunes, Camilla Brekke, and Torbjorn Eltoft.Characterization of marine surface slicks by Radarsat-2 multi-polarization features[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(9): 5302—5319.DOI: 10.1109/TGRS.2013.2287916.

[10]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.

[11]邢艷肖, 張毅, 李寧, 等. 一種聯(lián)合特征值信息的全極化SAR圖像監(jiān)督分類方法[J]. 雷達學(xué)報, 2016, 5(2): 217–227.Xing Yanxiao, Zhang Yi, Li Ning,et al.. Polarimetric SAR image supervised classification method integrating eigenvalues[J].Journal of Radars, 2016, 5(2): 217–227. DOI:10.12000/JR16019.

[12]孫勛, 黃平平, 涂尚坦, 等. 利用多特征融合和集成學(xué)習(xí)的極化SAR圖像分類[J]. 雷達學(xué)報, 2016, 5(6): 692–700.Sun Xun, Huang Pingping, Tu Shangtan,et al..Polarimetric SAR image classification using multiple-feature fusion and ensemble learning[J].Journal of Radars, 2016,5(6): 692–700. DOI: 10.12000/JR15132.

[13]邵璐熠, 洪文. 基于二維極化特征的POLSAR圖像決策分類[J]. 雷達學(xué)報, 2015, 5(6): 681–691.Shao Luyi and Hong Wen. Dicision tree classification of POLSAR image based on two-dimensional polarimetric features[J].Journal of Radars, 2015, 5(6): 681–691. DOI:10.12000/JR16002.

[14]Fukuda S. Relating polarimetric SAR image texture to the scattering entropy[C]. IEEE International Geoscience and Remote Sensing Symposium, 2004: 2475–2478.

[15]Cloude S R and Papathanassiou K P. Surface roughness and polarimetric entropy[C]. IEEE 1999 International Geoscience and Remote Sensing Symposium, 1999:2443–2445.

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

[17]Won E S and Ouchi K. A novel method to estimate underwater marine cultivation area by using SAR polarimetric entropy[C]. 2011 IEEE International Geoscience and Remote Sensing Symposium, 2011:2097–2100.

[18]滑文強, 王爽, 侯彪. 基于半監(jiān)督學(xué)習(xí)的SVM-Wishart極化SAR圖像分類方法[J]. 雷達學(xué)報, 2015, 4(1): 93–98.Hua Wen-qiang, Wang Shuang, and Hou Biao. Semisupervised Learning for Classifcation of polarimetric SAR images based on SVM-Wishart[J].Journal of Radars, 2015,4(1): 93–98. DOI: 10.12000/JR14138.

[19]Doulgeris A P, Akbari V, and Eltoft T. Automatic PolSAR segmentation with the u-distribution and Markov random fields[C]. The 9th European Conference on Synthetic Aperture Radar, 2012: 183–186.

[20]Li Zhen, Heygester Georg, and Notholt J. The topography comparsion between the year 1999 and 2006 of German tidal flat wadden sea analyzing SAR images with waterline method[C]. 2013 IEEE International Geoscience and Remote Sensing Symposium, 2013: 2443–2446.

[21]Li Zhen, Heygester G, and Notholt J. Topographic mapping of Wadden Sea with SAR images and waterlevel model data[C]. IEEE International Geoscience and Remote Sensing Symposium, 2012: 2645–2648.

[22]Li Zhen, Heygester Georg, and Notholt J. Topographic mapping of Wadden Sea, with SAR images and waterlevel model data[C]. 2012 IEEE International Geoscience and Remote Sensing Symposium, 2012: 2645–2648.

[23]Wal D V D, Herman P M J, and Dool W V D.Characterisation of surface roughness and sediment texture of intertidal flats using ERS SAR imagery[J].Remote Sensing of Environment, 2005, 98(1): 96–109. DOI:10.1016/j.rse.2005.06.004.

[24]Geng X M, Li X M, Velotto D,et al.. Study of the polarimetric characteristics of mud flats in an intertidal zone using C-and X-band spaceborne SAR data[J].RemoteSensing of Environment, 2016, 176: 56–68. DOI:10.1016/j.rse.2016.01.009.

[25]Ding Hao, Huang Yong, and Liu Ningbo. Modeling of sea spike events with generalized extreme value distribution[C].2015 European Radar Conference, 2015: 113–116.

[26]李恒超. 合成孔徑雷達圖像統(tǒng)計特性分析及濾波算法研究[D].[博士論文], 中國科學(xué)院電子學(xué)研究所, 2007.Li Heng-chao. Research on statistical analysis and despeckling algorithm of synthetic aperture radar images[D].[Ph.D. dissertation], Institute of Electronics, Chinese Academy of Sciences, 2007.

[27]Embrechts P. Quantitative Risk Management[M].Quantitative Risk Management, Princeton University Press,2005: 67–73.

[28]熊太松. 基于統(tǒng)計混合模型的圖像分割方法研究[D]. [博士論文], 電子科技大學(xué), 2013.Xiong Taisong. The study of image segmentation based on statistical mixture models[D]. [Ph.D. dissertation],University of Electronic Science and Technology of China,2013.

[29]Prescott P and Walden A T. Maximum Iikelihood estimation of the Parameters of the generalized extreme value distribution[J].Biometrika, 1980, 67(3): 723–724.DOI: 10.1093/biomet/67.3.723.

[30]Peli E. Contrast in complex images[J].Journal of the optical society of America a-optics image science and vision, 1990,7(10): 2032–2040. DOI: 10.1364/JOSAA.7.002032.

[31]Sine Skrunes, Camilla Brekke, and Torbjorn Eltoft.Characterization of marine surface slicks by Radarsat-2 multi-polarization features[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(9): 5302–5319.DOI: 10.1109/TGRS.2013.2287916.

[32]Akaike H. Information theory and an extension of the maximum likelihood principle[C]. 2nd International Symposium on Information Theory, Budapest, 1973:267–281.

折小強(1989—)，男，陜西綏德人，博士研究生，主要研究方向為極化SAR圖像處理。

E-mail: sxq@mail.ustc.edu.cn

仇曉蘭(1982—)，女，江蘇蘇州人，中國科學(xué)院電子學(xué)研究所副研究員，研究方向為SAR成像技術(shù)、雙基地SAR技術(shù)。

E-mail: xlqiu@mail.ie.ac.cn

雷 斌(1978—)，男，研究員，研究方向為多傳感器遙感信息處理系統(tǒng)體系架構(gòu)設(shè)計、SAR信號并行處理、SAR圖像處理與圖像質(zhì)量提升和SAR系統(tǒng)性能預(yù)估與優(yōu)化等。

E-mail: leibin@mail.ie.ac.cn

張 薇：女，民政部國家減災(zāi)中心。

E-mail: zhangwei@ndrcc.gov.cn

盧曉軍，江蘇泰州人，北京理工大學(xué)博士后，中國國際工程咨詢公司高級工程師，專業(yè)方向為智能控制、信號處理。

E-mail: lu8new@163.com

s: The National Natural Science Foundation of China (61331017), The Key Standard Technologies of National High Resolution Special (30-Y20A12-9004-15/16)

A Classification Method Based on Polarimetric Entropy and GEV Mixture Model for Intertidal Area of PolSAR Image

She Xiaoqiang①②③Qiu Xiaolan①②Lei Bin①②Zhang Wei④Lu Xiaojun⑤
①(Key Laboratory of Technology in Geo-Spatial Information Processing and Application System,Institute of Electronics,Chinese Academy of Sciences,Beijing100190,China)
②(Institute of Electronics,Chinese Academy of Sciences,Beijing100190,China)
③(University of Chinese Academy of Sciences,Beijing100190,China)
④(National Disaster Reduction Center of the Ministry of Civil Affairs,Beijing100124,China)
⑤(China International Engineering Consulting Corporation,Beijing100048,China)

This paper proposes a classification method for the intertidal area using quad-polarimetric synthetic aperture radar data. In this paper, a systematic comparison of four well-known multipolarization features is provided so that appropriate features can be selected based on the characteristics of the intertidal area.Analysis result shows that the two most powerful multipolarization features are polarimetric entropy and anisotropy. Furthermore, through our detailed analysis of the scattering mechanisms of the polarimetric entropy, the Generalized Extreme Value (GEV) distribution is employed to describe the statistical characteristics of the intertidal area based on the extreme value theory. Consequently, a new classification method is proposed by combining the GEV Mixture Models and the EM algorithm. Finally, experiments are performed on the Radarsat-2 quad-polarization data of the Dongtan intertidal area, Shanghai, to validate our method.

Synthetic Aperture Radar (SAR); Multi-polarization features; Generalized Extreme Value (GEV)distribution; Finite Mixture Model (FMM); Intertidal area classification

TN957.52

A

2095-283X(2017)05-0554-10

10.12000/JR16149

折小強, 仇曉蘭, 雷斌, 等. 一種極化熵結(jié)合混合GEV模型的全極化SAR潮間帶區(qū)域地物分類方法[J].雷達學(xué)報, 2017, 6(5): 554—563. DOI: 10.12000/JR16149.

Reference format:She Xiaoqiang, Qiu Xiaolan, Lei Bin,et al.. A classification method based on polarimetric entropy and GEV mixture model for intertidal area of PolSAR image[J].Journal of Radars, 2017, 6(5):554—563. DOI: 10.12000/JR16149.

2016-12-20；改回日期：2017-02-17；網(wǎng)絡(luò)出版：2017-04-18

*通信作者： 折小強 sxq@mail.ustc.edu.cn

國家自然科學(xué)基金(61331017)，國家高分重大專項(30-Y20A12-9004-15/16)