李成繞，賈詩(shī)超，薛東劍

（1.成都師范學(xué)院史地與旅游學(xué)院，成都 611130；2.成都理工大學(xué)地球科學(xué)學(xué)院，成都 610059）

合成孔徑雷達(dá)具有全天時(shí)、全天候的特點(diǎn)，且由于波段較長(zhǎng)，所以不受云量和降水的影響。對(duì)植被會(huì)依據(jù)不同的發(fā)射波長(zhǎng)，而有不同的穿透深度，這些特點(diǎn)最終決定了合成孔徑雷達(dá)在遙感領(lǐng)域的重要研究?jī)r(jià)值［1-3］。隨著近幾十年的快速發(fā)展，SAR已經(jīng)成為熱門(mén)研究領(lǐng)域，特別是極化SAR應(yīng)用。極化SAR可以接受豐富的地物散射信息，基于這些散射信息可以獲取地面信息。

極化SAR應(yīng)用最主要的是先把這些地物信息進(jìn)行分離，然后才可以應(yīng)用在不同研究方向中，所以極化分解很重要，也是研究的重點(diǎn)之一。自1970年Huynen［4］首次提出分解理論之后，很多重要的分解理論被提出，如Cloude分解、Krogager分解、Ymaguchi分解和Freeman分解等［5-8］。這些分解可以分為兩類(lèi)，相干分解和非相干分解，本研究使用的Freeman分解屬于非相干分解。相對(duì)于其他分解方法，F(xiàn)reeman分解更符合地物的散射機(jī)制，對(duì)地物散射特征描述地更加充分。Freeman分解將地物分為三類(lèi)散射機(jī)制：體散射、面散射和二面角散射。如植被體中主要發(fā)生體散射，水面主要是面散射，而建筑物是以二面角散射為主。研究提取了雷達(dá)植被指數(shù)，以此提高植被的分類(lèi)精度，綜合這些參數(shù)進(jìn)行SVM分類(lèi)，并與Wishart監(jiān)督分類(lèi)比較，分類(lèi)精度用Kappa系數(shù)表示，進(jìn)一步證明該方法的良好性能。

1 預(yù)處理和特征提取

1.1 預(yù)處理

試驗(yàn)數(shù)據(jù)為NASA/JPL實(shí)驗(yàn)室獲取AIRSAR數(shù)據(jù)［8，它是機(jī)載合成孔徑雷達(dá)，數(shù)據(jù)位于美國(guó)的舊金山區(qū)域，該數(shù)據(jù)已經(jīng)過(guò)多視處理，圖像大小為767×833像素，如圖1所示。經(jīng)過(guò)多視處理后的圖像更利于解讀，也方便后面的分類(lèi)處理。除了多視處理外，還需要對(duì)圖像進(jìn)行濾波處理，因?yàn)镾AR圖像受到相干斑噪聲的影響很大。

圖1 研究區(qū)原始圖像

SAR成像系統(tǒng)是基于相干原理，所以在雷達(dá)回波信號(hào)中，相鄰像素點(diǎn)的灰度值會(huì)由于相干性而產(chǎn)生一些隨機(jī)的變化，并且這種隨機(jī)變化是圍繞著某一均值進(jìn)行的，這樣就在圖像中產(chǎn)生了斑點(diǎn)噪聲。對(duì)于相干斑噪聲已經(jīng)有很多濾波方法，如中值濾波、Lee濾波、Sigma濾波等。試驗(yàn)選擇的是精致Lee濾波［9］，濾波窗口的大小為5×5，濾波后的圖像如圖2所示。

圖2 精致Lee濾波后圖像

1.2 特征提取

Freeman分解是1998年Freeman和Durden在van Zyl的研究基礎(chǔ)上提出的一種三分量散射模型，它的主要思路是將極化協(xié)方差矩陣分解為3種主要的散射機(jī)理。體散射、面角散射和二面角散射的散射功率分別為Pv、Ps、Pd。

其中，fv，fs，fd分別為體散射、面角散射和二面角散射分量，如圖3a、圖3b、圖3c所示。圖3a中植被和城區(qū)都高亮顯示，而海面則是黑色，說(shuō)明分解的體散射可以很好地提取出植被和城區(qū)的信息。由圖3b可以看出，主要提取的是海面，部分為城區(qū)。圖3c的二面角散射主要表現(xiàn)在城區(qū)，因?yàn)槌菂^(qū)的建筑會(huì)形成二面角的結(jié)構(gòu)，有利于二面角散射，由此可以得出Freeman分解的二面角散射便于城區(qū)信息提取。綜合來(lái)看，F(xiàn)reeman分解對(duì)地物的后向散射特征描述得很詳細(xì)。

雷達(dá)植被指數(shù)表征散射隨機(jī)性［10］可以用來(lái)描述植被的冠層特征。研究區(qū)植被覆蓋較多，以此驗(yàn)證RVI的有效性。

式中，λ1、λ2、λ3分別為3個(gè)子相干矩陣的特征值。當(dāng)RVI=4/3時(shí)，為細(xì)圓柱體，單調(diào)遞減到0時(shí)，為粗圓柱體，如圖3d所示，植被的散射信息熵很高，顯示為紅色，紅色區(qū)域越大，說(shuō)明植被的覆蓋度越大。

圖3 訓(xùn)練樣本和分類(lèi)結(jié)果

2 結(jié)果與分析

試驗(yàn)的所有操作都是在PolSARpro_4.2版本中操作，相應(yīng)的軟件可以在歐空局的官網(wǎng)下載。經(jīng)過(guò)上面的濾波處理和特征提取后，獲得了Freeman散射的三參數(shù)和RVI，除了主要的4個(gè)參數(shù)外，也提取相干矩陣T3的對(duì)角線參數(shù)（T11，T22，T33）和極化總功率Span參數(shù)。組合這些參數(shù)應(yīng)用于SVM分類(lèi)器中，就可以得到極化SAR的分類(lèi)結(jié)果。將這些參數(shù)分為兩組，（1）Pv、Ps、Pd、T11、T22、T33、Span、RVI；（2）第二種方法相對(duì)于（1）少了RVI，這樣可以比較得出RVI對(duì)植被分類(lèi)的有效作用。再進(jìn)行Wishart監(jiān)督分類(lèi)，作為第三種方法，可以比較SVM分類(lèi)和Wishart分類(lèi)效果。且3種方法所選擇的訓(xùn)練樣本相同，圖4為訓(xùn)練樣本和分類(lèi)結(jié)果。圖4a選擇的訓(xùn)練樣本中紅色為城區(qū)，共8 558個(gè)像素；綠色為植被，共9 452個(gè)像素；藍(lán)色為海洋，共9 732個(gè)像素。比較圖4的分類(lèi)結(jié)果發(fā)現(xiàn)，圖4b、圖4c不同地物之間的界限很明顯，而圖4d中錯(cuò)分現(xiàn)象嚴(yán)重，如在圖4d的右上方出現(xiàn)海洋被誤分為城區(qū)，另外橋的兩邊出現(xiàn)海洋誤分為植被，因此可以得到基于SVM的分類(lèi)效果明顯高于Wishart監(jiān)督分類(lèi)。但是組合1方法和組合2方法之間很難直觀地看出RVI對(duì)分類(lèi)的影響，所以需要相應(yīng)的分類(lèi)精度做定量分析。

圖4 特征參數(shù)

從表1可以發(fā)現(xiàn)，Wishart監(jiān)督分類(lèi)Kappa系數(shù)低于組合1方法4.49個(gè)百分點(diǎn)，進(jìn)一步證明基于SVM的分類(lèi)效果更優(yōu)越。觀察組合1方法和組合2方法發(fā)現(xiàn)，Kappa系數(shù)相差不大，僅0.92個(gè)百分點(diǎn)，但是植被分類(lèi)精度卻相差1.93個(gè)百分點(diǎn)，城區(qū)之間的精度變化也不大，說(shuō)明RVI在植被分類(lèi)中的有效性。相對(duì)于城區(qū)和植被而言，海洋的分類(lèi)精度一直很高，主要是因?yàn)檠芯繀^(qū)中的海洋面積較大，且邊界明顯，更有利于分類(lèi)。從總體分類(lèi)精度上來(lái)看，組合1方法的分類(lèi)精度也是最好，相對(duì)另外兩種方法分別高0.60、2.60個(gè)百分點(diǎn)。

表1 圖像分類(lèi)精度 （單位：%）

3 結(jié)論

試驗(yàn)通過(guò)Freeman分解得到3個(gè)散射機(jī)制，且提取雷達(dá)植被指數(shù)，將其組合在一起進(jìn)行SVM分類(lèi)，并與Wishart監(jiān)督分類(lèi)進(jìn)行比較。結(jié)果表明，基于SVM分類(lèi)器的分類(lèi)結(jié)果明顯高于Wishart監(jiān)督分類(lèi)結(jié)果；對(duì)組合1方法和組合2方法進(jìn)行比較發(fā)現(xiàn)，在分類(lèi)過(guò)程中加入RVI可以明顯提高植被的分類(lèi)精度，所以選用組合1方法對(duì)極化SAR分類(lèi)效果具有一定的研究意義。