鄧 旭，徐 新，董 浩

(武漢大學(xué) 電子信息學(xué)院，武漢 430072)(*通信作者電子郵箱xinxu@whu.edu.cn)

0 引言

隨著遙感技術(shù)的迅速發(fā)展，遙感數(shù)據(jù)日益增加并廣泛應(yīng)用于環(huán)境監(jiān)測(cè)、災(zāi)情探測(cè)與防治、地物分類等方面[1]。其中合成孔徑雷達(dá)成像具有全天時(shí)、全天候、高分辨率、大幅面的成像特點(diǎn)，被廣泛應(yīng)用于礦場資源探測(cè)、災(zāi)情探測(cè)與防治、土地規(guī)劃、軍事目標(biāo)識(shí)別等[2-3]。傳統(tǒng)的單極化合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)圖像可視化方法直接對(duì)強(qiáng)度信息進(jìn)行壓縮，進(jìn)而形成灰度圖像，但是人眼對(duì)顏色的分辨能力遠(yuǎn)遠(yuǎn)大于灰度，可以分辨多達(dá)幾千種的顏色色調(diào)和亮度，但只能分辨幾十種灰度。圖像偽彩色增強(qiáng)將灰度圖像變換為偽彩色圖像，將人眼不能區(qū)分的灰度差別顯示為顏色差異，從而利于圖像的目視解譯和信息提取，因此可以通過偽彩色增強(qiáng)實(shí)現(xiàn)極化SAR圖像的可視化。

國內(nèi)外學(xué)者對(duì)此作了很多研究，提出了多種單極化SAR的偽彩圖編碼方法，將灰度數(shù)據(jù)轉(zhuǎn)換為顏色信息[4]。偽彩圖編碼方法大致可以分為以下四種。

第1種直接對(duì)單極化SAR進(jìn)行處理，分為基于空間域和頻率兩大類[5-13]：基于空間域?qū)崿F(xiàn)偽彩色編碼的包括密度分層法、灰度級(jí)彩色變換法、互補(bǔ)色編碼法、像素自身變換法和連續(xù)顏色編碼方法等；基于頻率域的方法主要有頻率濾波法。如：文獻(xiàn)[10]提出了一種基于K均值聚類的紅外線算法，該算法通過K均值聚類算法實(shí)現(xiàn)灰度圖像的聚類，然后根據(jù)偽彩色編碼的節(jié)點(diǎn)對(duì)聚類結(jié)果進(jìn)行偽彩色編碼；文獻(xiàn)[11]提出了基于小波分析和偽彩色的遙感圖像增強(qiáng)；文獻(xiàn)[12]提出了基于梯度的非線性偽彩色編碼方法，計(jì)算出圖像的梯度場并確定閾值，從而進(jìn)行編碼；文獻(xiàn)[13]基于多閾值大津法直方圖分割提出了在HIS(Hue,Intensity,Saturation)彩色空間對(duì)SAR數(shù)據(jù)進(jìn)行空間編碼的方法；文獻(xiàn)[14]提出了基于Roberts梯度和HIS色彩空間的偽彩色編碼算法。

第2種是顏色遷移方法。該方法通過把一幅圖像的顏色特征傳遞給另外一幅圖像，使得目標(biāo)圖像具有與參考圖像相似的顏色信息。如：文獻(xiàn)[15]提出了一種基于直方圖映射和分層遷移的灰度圖像上色算法，將給定的顏色信息圖像和需要遷移的灰度形狀圖像轉(zhuǎn)換到正交空間，得到兩幅圖像的灰度直方圖；然后利用顏色圖像的顏色信息為灰度圖像上色得到過渡圖像，參照灰度直方圖將過渡圖像和顏色圖像進(jìn)行分層處理；之后提取出過渡圖像的形狀信息和顏色圖像的顏色信息；最后實(shí)現(xiàn)顏色圖像到灰度圖像的上色過程。文獻(xiàn)[16]提出了基于放縮系數(shù)和均值的多參數(shù)顏色遷移方法。文獻(xiàn)[17]提出了一種基于顏色傳遞和小波降噪、多尺度圖像分割的彩色化增強(qiáng)方法。文獻(xiàn)[18]提出了一種對(duì)單極化SAR圖像的彩色增強(qiáng)方法，該方法首先通過偽彩色編碼將SAR圖像變?yōu)檫^渡圖像，然后在顏色遷移過程中運(yùn)用保持細(xì)節(jié)的顏色遷移方法保留了SAR圖像的細(xì)節(jié)信息，然后通過改變各通道系數(shù)的方式進(jìn)行色調(diào)調(diào)整，使得SAR圖像與光學(xué)圖像有著相同的顏色信息。

第3種方法將單極化SAR圖像與對(duì)應(yīng)的光學(xué)圖像融合實(shí)現(xiàn)偽彩色編碼。如文獻(xiàn)[19]提出一種基于單極化SAR圖像紋理特征的Contourlet變換融合方法，對(duì)SAR圖像提取灰度共生矩陣紋理特征，然后通過相關(guān)性得到重要特征圖，接著通過HSV(Hue, Saturation, Value)變換提取光學(xué)圖像的強(qiáng)度分量，然后將其與強(qiáng)度分量進(jìn)行Contourlet變換融合，得到偽彩色圖像。文獻(xiàn)[20]提出了一種基于Shearlet變換的多源遙感影像融合方法，利用變換，設(shè)計(jì)了基于改進(jìn)型的脈沖耦合神經(jīng)網(wǎng)絡(luò)的高頻系數(shù)融合和基于區(qū)域能量的低頻系數(shù)融合規(guī)則。

第4種方法將深度神經(jīng)網(wǎng)絡(luò)用于偽彩色編碼，將單極化SAR圖像利用神經(jīng)網(wǎng)絡(luò)進(jìn)而實(shí)現(xiàn)顏色編碼[21-22]。如文獻(xiàn)[22]利用深度神經(jīng)網(wǎng)絡(luò)將單極化SAR圖像轉(zhuǎn)換為全極化SAR圖像，實(shí)現(xiàn)偽彩色編碼。這些方法各有優(yōu)缺點(diǎn)，如彩色空間編碼方法，會(huì)隨著研究區(qū)域的不同得到差異較大的結(jié)果；密度分層方法保持圖像原始信息較好且簡單，但是由于彩色數(shù)目有限，生成的偽彩圖對(duì)地物區(qū)分性不好，即灰度相近的地物類別顏色差異不大；顏色遷移方法需要有一幅參考圖像；與光學(xué)圖像融合的方法需要相關(guān)的光學(xué)圖像；而神經(jīng)網(wǎng)絡(luò)的方法比較復(fù)雜。

通過分析上述已有的單極化SAR圖像編碼方法，可以發(fā)現(xiàn)存在的主要問題有：1)大部分方法是利用單極化SAR圖像的灰度信息，進(jìn)行直接或者間接轉(zhuǎn)換得到偽彩圖，目視效果有所改善，但是丟失了很多細(xì)節(jié)信息，灰度相似的地物差異不大；2)由于單極化SAR圖像目標(biāo)地物的物理散射特性和噪聲問題，所以生成的偽彩圖地物區(qū)分性不強(qiáng)；3)有的方法實(shí)現(xiàn)過程復(fù)雜或需要一定的條件。

針對(duì)以上問題，提出了單極化SAR圖像的顏色特征編碼方法。該方法綜合考慮了單極化SAR圖像噪聲問題和物理散射特性，對(duì)單極化SAR圖像的特征進(jìn)行編碼，將特征轉(zhuǎn)換在RGB(Red,Green,Blue)顏色空間，保留了更多的細(xì)節(jié)信息，獲取更多的顏色信息，更利于目視和解譯，并將其用來實(shí)現(xiàn)單極化SAR圖像的分類。用兩組TerraSAR-X單極化SAR數(shù)據(jù)進(jìn)行了方法驗(yàn)證。

1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)1 佛山地區(qū)TerraSAR-X單極化SAR數(shù)據(jù)，獲取時(shí)間2008年5月，距離向和方位向?yàn)?.25 m，圖像大小為2 000×2 000，包括3類地物，分別是水域、耕地、建筑，其中標(biāo)記為黑色的為不參與精度評(píng)價(jià)的區(qū)域。

圖1 佛山實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)2 武漢地區(qū)TerraSAR-X單極化SAR數(shù)據(jù)，獲取時(shí)間2008年9月，距離向和方位向的分辨率均為3.0 m，圖像大小為2 000×1 800，包括4類地物，分別為建筑、水田、河流、耕地，其中標(biāo)記為黑色的為不參與精度評(píng)價(jià)的區(qū)域。

圖2 武漢實(shí)驗(yàn)數(shù)據(jù)

2 顏色特征編碼算法

本文提出的顏色特征編碼方法對(duì)單極化SAR圖像的特征進(jìn)行顏色編碼。該顏色特征編碼方法首先對(duì)單極化SAR圖像提取紋理特征，包括灰度共生矩陣和直方圖統(tǒng)計(jì)特征；然后用隨機(jī)森林對(duì)特征進(jìn)行重要性排序并將特征顏色編碼成顏色特征圖；最后按重要性排序從高到低，每3組顏色特征圖組合成偽彩圖。

2.1 特征提取

紋理特征是單極化SAR圖像分類的重要特征，實(shí)驗(yàn)算法所用到的紋理特征包括灰度共生矩陣和直方圖統(tǒng)計(jì)特征。

灰度共生矩陣是一種常用的紋理提取方法[23]。灰度共生矩陣通過計(jì)算圖像鄰近像元灰度級(jí)之間的二階聯(lián)合條件概率密度P(i,j,d,q)來表示紋理，該概率密度函數(shù)表示在給定的空間距離和方向上，以灰度級(jí)i為起點(diǎn)出現(xiàn)灰度級(jí)j的概率。

用數(shù)學(xué)公式表示則為：

P(i,j)={[(x,y),(x+Dx,y+Dy)];

f(x,y)=i;

f(x+Dx,y+Dy)=j;

x=0,1,2,…,Nx-1;

y=0,1,2,…,Ny-1}

(1)

其中：i,j=0,1,2,…,L-1;x,y是影像中的像素坐標(biāo)；L為影像的灰度級(jí)數(shù)；Nx，Ny分別為影像的行列數(shù)。

算法用到了灰度共生矩陣中的6個(gè)特征，包括均值、均一性、對(duì)比度、熵、不相似度和同質(zhì)性[24]。

灰度直方圖反映的是圖像灰度的統(tǒng)計(jì)特性，表達(dá)了圖像中取不同灰度值的像素點(diǎn)個(gè)數(shù)在圖像中所占的比例，是圖像中最基本的信息[25]。圖像直方圖的定義可以用式(2)來表示：

H(i)=ni/N;i=0,1,…,L-1

(2)

其中：i表示灰度級(jí)，L表示灰度級(jí)的級(jí)數(shù)，ni表示灰度級(jí)為i的像素的個(gè)數(shù)，N表示的是圖像的總像素點(diǎn)。直方圖的橫坐標(biāo)是灰度級(jí)，縱坐標(biāo)表示區(qū)域內(nèi)出現(xiàn)該灰度級(jí)所占的概率。

一般不直接將直方圖作為特征，而是對(duì)直方圖進(jìn)行統(tǒng)計(jì)得到統(tǒng)計(jì)特征。算法所用到的直方圖特征有均值、均方差、標(biāo)準(zhǔn)差系數(shù)、中值、中方差、斜度、能量、熵、峰度、歐氏距離均值10個(gè)。

2.2 特征優(yōu)選

實(shí)驗(yàn)采用的特征是灰度紋理特征和直方圖特征，用滑動(dòng)窗口提取，該窗口以每個(gè)像素點(diǎn)為中心，其中計(jì)算灰度共生矩陣時(shí)采用的參數(shù)如下：0°、45°、90°和135°四個(gè)方向，灰度級(jí)為8級(jí)，所以特征為4個(gè)方向的灰度共生矩陣特征共24維，直方圖統(tǒng)計(jì)特征10維，原始幅度圖像特征1維，總35維，其中灰度共生矩陣8個(gè)特征是常用的幾個(gè)特征，10個(gè)直方圖特征也是常用的。

在佛山地區(qū)數(shù)據(jù)和武漢地區(qū)數(shù)據(jù)中對(duì)每一類地物隨機(jī)采樣14 000個(gè)樣本點(diǎn)，利用隨機(jī)森林進(jìn)行訓(xùn)練，得到特征重要性，對(duì)35維特征進(jìn)行特征重要性排序。圖3(a)和3(b)分別表示的是佛山地區(qū)數(shù)據(jù)和武漢地區(qū)數(shù)據(jù)的特征重要性，橫坐標(biāo)是35維特征對(duì)應(yīng)的標(biāo)號(hào)，縱坐標(biāo)是特征的重要性。

圖3 特征重要性

從圖3(a)中可以看出佛山地區(qū)數(shù)據(jù)的35維特征重要性差別較小，沒有特別突出的特征，因此生成的偽彩圖區(qū)分性差別較弱；從圖3(b)可以看出武漢地區(qū)數(shù)據(jù)的35維特征重要性差異較大，因此生成的偽彩圖的區(qū)分性較強(qiáng)。

2.3 顏色特征

將上述35維特征每一維量化到0到255，然后對(duì)每一個(gè)灰度級(jí)賦予一個(gè)RGB顏色，形成RGB顏色特征圖，對(duì)該顏色特征圖通過目視判斷對(duì)地物的區(qū)分性。

圖4和圖5分別是佛山地區(qū)數(shù)據(jù)、武漢地區(qū)數(shù)據(jù)中方向?yàn)?的灰度共生矩陣的4個(gè)特征的顏色特征圖：圖4(a)和圖5(a)是方向?yàn)?的不相似性特征對(duì)應(yīng)的顏色特征圖；圖4(b)和圖5(b)是方向?yàn)?的對(duì)比度特征對(duì)應(yīng)的顏色特征圖；圖4(c)和圖5(c)是方向?yàn)?的熵對(duì)應(yīng)的顏色特征；圖4(d)和圖5(d)是方向?yàn)?的同質(zhì)性對(duì)應(yīng)的顏色特征圖。

圖4 佛山數(shù)據(jù)的顏色特征圖

從圖4中可以看出佛山地區(qū)數(shù)據(jù)的4個(gè)紋理特征的顏色特征圖目視效果非常好，可以區(qū)分對(duì)應(yīng)的3類地物。

從圖5中可以看出武漢地區(qū)數(shù)據(jù)4個(gè)紋理特征的顏色特征圖不能區(qū)分出建筑，其他3類地物可以區(qū)分出來，因此用這些特征單獨(dú)進(jìn)行分類是不能區(qū)分出全部地物的。

總的來說，從圖4和圖5中可以看出特征變成顏色特征圖后地物之間差異明顯，顏色信息豐富，目視效果很好，有助于判斷該特征是否可以區(qū)分相關(guān)的地物。

2.4 偽彩圖的生成

對(duì)特征的重要性進(jìn)行排序，然后按重要性排序先后每3維特征分別為R、G、B通道生成偽彩圖，第34維和第35維只有2張所以不能生成偽彩圖并且特征重要性太低，將其舍棄，所以用前33維特征生成11張偽彩圖。

圖6和圖7分別是佛山地區(qū)數(shù)據(jù)、武漢地區(qū)數(shù)據(jù)生成的偽彩圖。

圖6 佛山數(shù)據(jù)生成的偽彩圖

圖6(a)到圖6(k)表示的是佛山數(shù)據(jù)對(duì)應(yīng)生成的11張偽彩圖，其中圖6(a)的圖片名稱1-3表示的是排序前三的特征組合而成的第一張偽彩圖，圖6(b)到圖6(k)的圖片名稱都是類似的含義。圖7(a)到圖7(k)表示的是武漢地區(qū)數(shù)據(jù)對(duì)應(yīng)生成的11張偽彩圖，其中圖7(a)的圖片名稱1-3表示的是排序前三的特征組合而成的第一張偽彩圖，圖7(b)到圖7(k)的圖片名稱都是類似的含義。附上原始幅度圖作為對(duì)比。

首先對(duì)佛山地區(qū)數(shù)據(jù)生成的偽彩圖進(jìn)行分析。通過與原始幅度圖的對(duì)比，人工判讀所有偽彩圖均能解譯出三類地物。特征的重要性基本一樣，生成的偽彩圖對(duì)地物的區(qū)分能力差別不大。對(duì)于武漢地區(qū)的數(shù)據(jù)，通過與原始幅度圖的對(duì)比發(fā)現(xiàn)：第1張偽彩圖7(a)可以區(qū)分4類地物來，即河流、水田、耕地、建筑；第2張偽彩圖不能區(qū)分建筑和耕地；第3張偽彩圖只能區(qū)分2類地物，不能區(qū)分水田和河流，也不能區(qū)分建筑和耕地；從第4張到最后第11張偽彩圖都不能區(qū)分河流和水田。

從兩組數(shù)據(jù)的偽彩圖對(duì)地物的區(qū)分性來說，特征重要性前3的顏色特征圖組合成的偽彩圖明顯區(qū)分開了所有的地物，而且是所有偽彩圖中地物區(qū)分性最好的，因此兩組數(shù)據(jù)均采用第一張偽彩圖進(jìn)行分割，顏色特征編碼方法對(duì)單極化SAR地物分類是有明顯的效果的。

2.5 偽彩圖實(shí)驗(yàn)結(jié)果與分析

2.5.1 偽彩圖質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)

接下來從圖像的統(tǒng)計(jì)特性、清晰度、信息量三個(gè)方面對(duì)圖像質(zhì)量進(jìn)行客觀評(píng)價(jià)[26]。

1)圖像統(tǒng)計(jì)特性的評(píng)價(jià)指標(biāo)。

均值和標(biāo)準(zhǔn)差是圖像的兩個(gè)最基本的統(tǒng)計(jì)特性。均值是圖像像素值的灰度平均，反映的是圖像的平均亮度。公式如下：

(3)

標(biāo)準(zhǔn)差反映了灰度的離散程度。公式如下：

(4)

其中：M、N是圖像的行數(shù)和列數(shù)，F(xiàn)(x,y)是點(diǎn)(x,y)處的灰度值。

2)基于彩色空間的平均梯度是圖像紋理變化的特征，具有對(duì)微小細(xì)節(jié)的反應(yīng)能力，用來評(píng)價(jià)圖像的清晰程度。偽彩色圖像的平均梯度值越大，表達(dá)能力就越強(qiáng)，如式(5)所示：

(5)

3)信息熵是度量圖像信息量的一個(gè)重要指標(biāo)，公式如下：

(6)

圖7 武漢數(shù)據(jù)生成的偽彩圖

2.5.2 偽彩圖結(jié)果分析

表1和圖8是佛山地區(qū)的偽彩圖的質(zhì)量評(píng)價(jià)指標(biāo)和圖像結(jié)果。表2和圖9是武漢地區(qū)的偽彩圖的質(zhì)量評(píng)價(jià)各項(xiàng)指標(biāo)和圖像結(jié)果。其中基于HIS的偽彩色編碼[5]是提出算法的對(duì)比算法。將各項(xiàng)指標(biāo)和原圖的對(duì)比，對(duì)結(jié)果進(jìn)行評(píng)價(jià)。

表1 佛山的偽彩色編碼方法評(píng)價(jià)

從表1和圖8中可以看出基于HIS的編碼生成的偽彩圖與原灰度圖的均值很接近，而提出的顏色特征編碼生成的偽彩圖均值低很多，亮度適中，在細(xì)節(jié)保持度即梯度上不如對(duì)比的方法，信息熵比原圖和對(duì)比方法都好，且不同的地物之間顏色差別明顯，每類地物可分性更好。

圖8 兩種算法的佛山數(shù)據(jù)偽彩色圖

結(jié)合表2和圖9，可以看出基于HIS的編碼生成的偽彩圖與原灰度圖的均值接近，而提出的顏色特征編碼生成的偽彩圖均值低很多，亮度適中，在細(xì)節(jié)保持度上不如對(duì)比的方法，但提出的信息熵比原圖和對(duì)比方法都好，提出方法的目視效果優(yōu)于對(duì)比方法，表現(xiàn)在：1)將水田和河流完全區(qū)分開；2)不同地物間顏色差別明顯，有助于各類地物。

圖9 兩種算法的武漢數(shù)據(jù)偽彩色圖

Tab. 2 Evaluation of Wuhan pseudo-color encoding method

結(jié)合2組數(shù)據(jù)的結(jié)果，可以說明提出的顏色特征編碼算法是有效的，有助于提高單極化SAR圖像的可視化效果。

3 基于顏色特征編碼方法的分類算法

基于顏色特征編碼方法的分類算法流程如圖10所示，在提取特征后，對(duì)顏色特征編碼方法產(chǎn)生的偽彩圖進(jìn)行目視判斷，選出地物區(qū)分性最好的進(jìn)行統(tǒng)計(jì)區(qū)域合并(Statistical Region Merging, SRM)分割，另一方面對(duì)所有的偽彩圖用隨機(jī)森林進(jìn)行分類，最后在SRM分割得到的超像素區(qū)域內(nèi)，對(duì)隨機(jī)森林得到的結(jié)果進(jìn)行相對(duì)多數(shù)投票，得到最后的分類結(jié)果。SRM算法是一種圖像統(tǒng)計(jì)模型，主要用在RGB彩色圖像上[27],分類器是隨機(jī)森林[28]。

圖10 本文算法流程

4 實(shí)驗(yàn)結(jié)果與分析

表3和圖11是佛山地區(qū)數(shù)據(jù)的分類精度評(píng)價(jià)和分類結(jié)果圖，表4和圖12是武漢地區(qū)數(shù)據(jù)的分類精度評(píng)價(jià)和分類結(jié)果圖。其中：對(duì)比方法1的特征為紋理特征，分類器為隨機(jī)森林；對(duì)比方法2是基于HIS的偽彩色編碼方法生成的偽彩圖提出的分類流程。所用的評(píng)價(jià)方法中每一類地物的分類精度是生產(chǎn)精度，即對(duì)生產(chǎn)者分類精度的一個(gè)度量，平均精度表示的是總體精度，表示所有涉及到的所有像元分類的正確性。

表3 佛山數(shù)據(jù)的分類精度對(duì)比 %

圖11 佛山數(shù)據(jù)的分類結(jié)果對(duì)比

在表3中對(duì)比方法2在SRM分割Q值為64時(shí)分類精度最高，所以只列出了該分類精度。結(jié)合表3和圖11可以看出當(dāng)SRM的Q值從1到256變化時(shí)，提出的算法整體分類精度變化不大，在89.0%左右波動(dòng)，綜合考慮Q取64時(shí)提出的分類算法分類結(jié)果最好。與對(duì)比方法1的結(jié)果相比，提出的算法整體提高了10個(gè)百分點(diǎn)，河流的分類精度提高了5個(gè)百分點(diǎn)，建筑提高了12個(gè)百分點(diǎn)，耕地提高了10個(gè)百分點(diǎn)。其中建筑物分類效果非常好，只有小部分被錯(cuò)分為耕地；耕地分類精度也不錯(cuò)，有小部分被錯(cuò)分為建筑物；河流有很小一部分被分為建筑。建筑物與耕地互相錯(cuò)分的原因可能是建筑物區(qū)域也是有綠地的，不全是建筑。河流被錯(cuò)分為建筑的原因應(yīng)該是河流內(nèi)有輪船等在單極化SAR成像上與建筑物同樣呈現(xiàn)高亮的物理特性。與對(duì)比方法2結(jié)果對(duì)比，對(duì)比方法1在武漢地區(qū)的分類精度低一些，但提出的算法整體分類精度高了8.2個(gè)百分點(diǎn)，在每個(gè)類別的分類精度上除了耕地之外其他兩類精度明顯較高，效果更佳。

圖12 武漢數(shù)據(jù)的分類結(jié)果對(duì)比

%

在表4中對(duì)比方法2在SRM分割Q值為256時(shí)分類精度最高，所以只列出了該分類精度。結(jié)合表4和圖12，可以看出當(dāng)SRM的Q值從1到256變化時(shí)，提出的分類算法整體分類精度直線上升，從81%增加到88.8%，在Q=256的時(shí)候整體分類效果和各個(gè)類別分類效果最好。與對(duì)比方法1的結(jié)果相比，提出的分類算法整體提高了6個(gè)百分點(diǎn)，河流的分類精度提高了3.7個(gè)百分點(diǎn)，建筑提高了2.8個(gè)百分點(diǎn)，耕地提高了8.7個(gè)百分點(diǎn)，水田提高了10.8個(gè)百分點(diǎn)。其中：將一部分建筑錯(cuò)分為耕地，導(dǎo)致建筑的分類精度不高；水田有一部分被分為耕地，有一部分被分為河流，原因是水田構(gòu)成復(fù)雜，有水也有地，在單極化SAR成像上會(huì)呈現(xiàn)復(fù)雜的特性，一部分與耕地的紋理特性相似，一部分與河流的物理特性相似，導(dǎo)致區(qū)分水田困難，因此分類精度不高；河流也有一部分被錯(cuò)分為水田，原因相同。與對(duì)比方法2的結(jié)果相比，對(duì)比方法1在佛山地區(qū)的分類精度低一些，但提出的算法整體分類精度高了1個(gè)百分點(diǎn)，在每個(gè)類別的分類精度上除了建筑之外其他3類精度基本一致，但是在建筑上提出的算法效果明顯優(yōu)于對(duì)比方法2，因此兩組數(shù)據(jù)的結(jié)果說明了提出的顏色特征編碼方法比基于HIS的顏色編碼對(duì)分類更有效，更有益于單極化SAR的目視和解譯。

5 結(jié)語

本文對(duì)單極化SAR圖像提出了一種顏色特征編碼方法，并對(duì)生成的偽彩圖進(jìn)行分類實(shí)驗(yàn)，結(jié)果表明了可以增加顏色細(xì)節(jié)信息，更有利于目視解譯和分類。不足之處如下：采用的特征不夠廣泛，只采用了紋理特征和幅度特征，不確定其他類型特征是否適合該編碼方法；SRM分割參數(shù)的選擇是由分類實(shí)驗(yàn)結(jié)果實(shí)現(xiàn)的，沒有具體的優(yōu)選方法，在數(shù)據(jù)非常大的情況下實(shí)現(xiàn)難度大；特征優(yōu)化選擇采用的是隨機(jī)森林方法，可以采用特征選擇方法。

針對(duì)提出的算法存在的問題，下一步可以：擴(kuò)大特征的類別范圍，進(jìn)行大量實(shí)驗(yàn)，驗(yàn)證提出的編碼方法的可擴(kuò)展性；采用具體的分割指標(biāo)進(jìn)行分割尺度優(yōu)選；嘗試其他方法進(jìn)行特征優(yōu)化；改進(jìn)產(chǎn)生顏色特征圖的方法。