论文部分内容阅读
摘要：本文提出一种结合Yamaguchi分解和Cloude分解的极化SAR影像分类方法。该方法首先对极化SAE影像进行Cloude分解，获得影像的散射熵图。其次，对影像进行Yamaguchi分解获得四种基本散射机制的功率。然后依据基本散射功率和散射熵将影像分为10个初始类别。最后利用Wishart距离分类器进行迭代修正，获得最终分类结果。利用AIRSAR数据进行了分类实验，论述了论文方法的有效性。
关键词：极化SAR；Cloude分解；Yamaguchi分解；散射熵；Wishart迭代；散射特性保持
中图分类号：O652文献标识码： A
一、研究背景
为全面掌握我国地理国情现状，满足经济社会发展和生态文明建设的需要，我国在2013年-2015年开展地理国情普查工作。为地理国情监测提供重要前提和基础，为制定和实施重大发展战略与规划、优化国土空间开发格局和各类资源配置提供重要依据[1]。地理国情普查信息主要包括地表形态、地表覆盖和重要地理国情监测要素三个方面，其中地表覆盖分类信息反映土地表面自然营造物和人工营造物的自然属性或状况。传统的地表覆盖分类信息调查手段是以人工实地测绘的方法进行的，工作量大、周期长、实时性较差。遥感技术因具有快速、准确、准时、周期性短等优点，使得遥感影像分类技术成为地表覆盖信息普查中的一项重要手段。而遥感技术中的合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式传感器，具有全天时全天候的成像能力，有时甚至是数据获取的唯一手段，它是遥感影像分类的重要内容[2]。为此，本文进行了结合Yamaguchi分解和Cloude分解的极化SAR分类研究，对后续基于遥感技术开展地表覆盖信息普查具有重大意义。
二、研究基础
目前极化SAR图像分类大致可以分为三类：基于统计特性的聚类方法；基于实际物理散射特性的分类算法；同时考虑统计特性和物理散射特性的分类算法。其中第三种方法因兼顾影像统计特性和物理散射机理，能取得较好的分类效果，优于单纯的基于物理散射特性或者基于统计特性的方法，能取得较好分类效果。
三、目标分解模型
1.Cloude分解
Cloude分解[7]的思想是将目标相关矩阵分解为三个相互正交的相关矩阵的加权和，它们分别代表三个相互独立、互补相关的散射过程：单向散射，双向散射和交叉散射。实际应用中为了便于分析，引进三个参数：熵、各向异性和平均角，它们是特征值和特征矢量的函数。论文应用散射熵和Yamaguchi分解，进行保持地物散射特性的分类。
散射熵用于上述三种基本散射过程的混乱程度和无序性，定义如下:
(1)
其中,被称为特征值的概率，
表示此特征值对应的散射机制在总功率中所占比重。
2. Yamaguchi分解模型
Freeman分解基于反射对称的假设，即共极化和交叉极化之间的相关系数为0，为极化协方差/相干矩阵建立三种散射机制的模型：体散射，二次散射，表面散射[9]。其中体散射代表冠层散射体，其模型是一组方向随机的偶极子集合，二次散射模型是一个二面角反射器，表面散射是一阶布拉格表面散射体。然而，在城市区域或一些复杂地区，反射对称性不再满足，此时有必要考虑和的影响。Yamaguchi分解[11]，在采用与Freeman分解相同的偶次散射模型和表面散射模型的基础上，考虑了和的影响，引入螺旋体散射分量，并通过改变相关方位角的概率密度函数来修改植被的体散射分量，即根据的大小，选择不同的体散射模型。
Yamaguchi分解倾向于应用在非反射对称的情况，同时自动涵盖了反射对称情况，应此，Yamaguchi分解是Freeman分解的扩展，适用范围更广[12]。
四、保持散射特性的分类算法
文献[6]保持散射特性的分类算法首先利用Freeman分解将像素分成表面散射、二次散射和体散射3 种散射类型，其次根据功率大小在各散射类型中进行聚类，将各散射类型中的像素分成指定类别数，最后利用Wishart分类器获得散射特性保持的分类结果。文献[7]的方法相对经典的Wishart H/α分类保持了地物的散射特性，提高了分类精度，但其初始分类进行的大量类划分与类合并，耗时较长，严重影响该方法的时效性。文献[7]主要思想是利用Freeman分解获得的3种散射机理成分的功率和Cloude分解提取散射熵进行预分类，然后使用Wishart分类器迭代获得分类结果。文献[7]相对文献[6]降低了运算量，文献[7]使用Freeman分解模型保持地物的散射特性，Freeman分解只适用于反射对称的情况，在反射對称性不满足的城市区域或一些复杂地区出现较大分类误差，使其适用性降低，同时仅根据功率大小判断像素主散射机制导致分类精度降低。
针对文献[7]的不足，本文进行了改进。主要体现在：1）利用Yamaguchi分解代替Freeman分解进行保持地物散射特性的分类，以增强适应性。2）初始分类时引入混合散射机制，以提高分类精度。
五、实验及分析
选用美国San Francisco地区L波段全极化数据阐述论文算法的有效性，影像大小为900*700，主要包括：城市，海洋，山脉和植被。图1为美国
San Francisco的PauliRGB图（R：|HH-VV|，G:HV，B：|HH+VV|），Freeman分解得到的RGB图（R：PD，G: PV，B：PS）和Yamaguchi 分解得到的RGB图（R：PD，G: PV，B：PS）。
a PauliRGB图 b Freeman分解的RGBc Yamaguchi分解的RGB图
图1 San Francisco地区L波段极化彩色合成图
图1中，图b、图c对图a中的大型地物均具有一定的表现力，能够区分山脉、海洋、植被、城区以及金门大桥等主要地物，对于公园和马球场也可看出。表明Freeman分解和Yamaguchi分解能够表征地物的散射特性。图c相对图b城区部分的色调偏红，表明城区的二次散射分量在Yamaguchi分解中相对Freeman分解比例较大。这符合城区以二次散射为主的的散射机制。图2给出了本文方法与文献[7]的分类结果。两种方法的迭代次数均为4次，本文算法中的C值为0.4。
a本文方法的分类结果图 b 文献[7]提出方法的分类结果图
图2 分类结果图
图2中，a和b均是保持地物散射机制的分类方法，二者具有许多相似的分类效果。同时对某些地物的划分存在差别，具体分析如下：高大植被的冠层由大量枝叶组成，表现为体散射机制，低矮的植被对雷达波的反射主要是表面散射，树干和地面组成二面角，有时会导致植被表现为偶次散射机制。所以对植被的划分，因该是散射为主，其中包含部分偶次散射和表面散射。对比图a和b，a的分类效果较好。对于水体，主要表现为表面散射，a和b的区分效果非常一致，a将图像右上角的粗糙水体区分的更为细致一些，将其划分为不同的表面散射类型。参考图1中的原始PauliRGB图，本文的方法更为合理一些。对于城区的区分，图a将城区大部分归类到偶次散射中，同时对城市中的街道等一些地物的细微结构表现的很好，而图b中城区细微结构表现的不明显，并且将大部分城区归类到体散射中，将城市与植被混在一起，不合理。
論文在判断地物主散射机制时引入了混合散射机制，然后通过计算Wishart距离将属于混合散射机制的像元归为基本散射机制中。图3给出了本文方法确定的主散射图和直接按照功率大小确定的主散射机制图。两图中的水体和植被的主要散射类型基本一致，a中城区相对图b城区，表面散射类型增多，体散射类型减少，可能由于城市低矮的绿化植被中表面散射分量比例大一些，经过Wishart距离迭代划分到表面散射中，从散射机制角度，论文方法确定的散射机制的类心较为合理些。总体上，a和b还是较为一致的，表明Yamaguchi分解代替Freeman分解是本文比文献[7]获得较好分类效果的主要原因。
a 本文方法确定的主散射机制图 b 直接按照功率大小确定的主散射机制图
图3 主散射机制图
六、结束语
本文提出了利用Yamaguchi分解的四种基本散射机理、Cloude分解获得的散射熵和Wishart分类器保持地物散射特性的极化SAR数据分类算法，并且提出了一种新的判断地物主散射机制的方法。实验表明，本文提出的判断方法对地物主散射机制的确定更为合理，本文保持地物散射特性的分类算法能更好地保留图像的纹理和细节信息，其分类的结果优于目前已有的Freeman结合散射熵的分类。为后续基于遥感技术开展地表覆盖信息普查提供技术基础。
参考文献：
[1] 《关于开展第一次全国地理国情普查的通知》（国发【2013】9号）.
[2] 刘利敏, 余洁, 燕琴, 刘振宇, 朱腾. 引入纹理特征的SSVM算法在极化SAR影像分类中的应用 [J].测绘通报, 2012(8):7-10.
[3] VAN ZYL J J. Unsupervised classification of scattering behavior using radar polarimetry dada [J]. IEEE Trans. Geosci. Remote Sensing, 1989, 27(1):36-45.
[4] LEE J S, GRUNES M R, AINSWORTH T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier [J]. IEEE Trans. Geosci. Remote Sensing, 1999, 37(5):2249-2258.
[5] CLOUDE S R, POTTIER E. An entropy based classification scheme for land applications of polarimetric SAR [J]. IEEE Trans. Geosci. Remote Sensing, 1997, 35(1)68-78.
[6] LEE J S, GRUNES M R, POTTIER E, et al. Unsupervised terrain classification preserving polarimetric scattering characteristics [J]. IEEE Trans. Geosci. Remote Sensing, 2004, 42(4):722-729.
[7] 赵力文,周晓光,蒋咏梅,等. 一种基于Freeman分解与散射熵的极化SAR图像迭代分类方法 [J]. 电子与信息学报, 2008, 30(11):2698-2701.
[7] CLOUDE S R, POTTIER E. A review of target 8decomposition theorems in radar polarimetry [J]. IEEE Trans. Geosci. Remote Sensing, 1996, 34(2):498-518.
[9] 王超, 张红, 陈曦, 等. 全极化合成孔径雷达图像处理[M].北京:科学出版社, 2008:107.
[10] FREEMAN A, DURDEN S L. A three-component scattering model for polarimetric SAR data [J]. IEEE Trans. Geosci. Remote Sensing, 1998, 36(3):963-973.
[11] YAMAGUCHI Y, MORIYAMA T, ISHIDO M, et al. Four-component scattering model for polarimetric SAR image decomposition [J]. IEEE Trans. Geosci. Remote Sensing, 2005, 43(8):1699-1706.
[12] YAMAGUCHI Y, YAJIMA Y, YAMADA H. A four component decomposition of POLSAR images based on the coherence matrix [J]. IEEE Trans. Geosci. Remote Sensing, 2006, 3(3):292-296.
关键词：极化SAR；Cloude分解；Yamaguchi分解；散射熵；Wishart迭代；散射特性保持
中图分类号：O652文献标识码： A
一、研究背景
为全面掌握我国地理国情现状，满足经济社会发展和生态文明建设的需要，我国在2013年-2015年开展地理国情普查工作。为地理国情监测提供重要前提和基础，为制定和实施重大发展战略与规划、优化国土空间开发格局和各类资源配置提供重要依据[1]。地理国情普查信息主要包括地表形态、地表覆盖和重要地理国情监测要素三个方面，其中地表覆盖分类信息反映土地表面自然营造物和人工营造物的自然属性或状况。传统的地表覆盖分类信息调查手段是以人工实地测绘的方法进行的，工作量大、周期长、实时性较差。遥感技术因具有快速、准确、准时、周期性短等优点，使得遥感影像分类技术成为地表覆盖信息普查中的一项重要手段。而遥感技术中的合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式传感器，具有全天时全天候的成像能力，有时甚至是数据获取的唯一手段，它是遥感影像分类的重要内容[2]。为此，本文进行了结合Yamaguchi分解和Cloude分解的极化SAR分类研究，对后续基于遥感技术开展地表覆盖信息普查具有重大意义。
二、研究基础
目前极化SAR图像分类大致可以分为三类：基于统计特性的聚类方法；基于实际物理散射特性的分类算法；同时考虑统计特性和物理散射特性的分类算法。其中第三种方法因兼顾影像统计特性和物理散射机理，能取得较好的分类效果，优于单纯的基于物理散射特性或者基于统计特性的方法，能取得较好分类效果。
三、目标分解模型
1.Cloude分解
Cloude分解[7]的思想是将目标相关矩阵分解为三个相互正交的相关矩阵的加权和，它们分别代表三个相互独立、互补相关的散射过程：单向散射，双向散射和交叉散射。实际应用中为了便于分析，引进三个参数：熵、各向异性和平均角，它们是特征值和特征矢量的函数。论文应用散射熵和Yamaguchi分解，进行保持地物散射特性的分类。
散射熵用于上述三种基本散射过程的混乱程度和无序性，定义如下:
(1)
其中,被称为特征值的概率，
表示此特征值对应的散射机制在总功率中所占比重。
2. Yamaguchi分解模型
Freeman分解基于反射对称的假设，即共极化和交叉极化之间的相关系数为0，为极化协方差/相干矩阵建立三种散射机制的模型：体散射，二次散射，表面散射[9]。其中体散射代表冠层散射体，其模型是一组方向随机的偶极子集合，二次散射模型是一个二面角反射器，表面散射是一阶布拉格表面散射体。然而，在城市区域或一些复杂地区，反射对称性不再满足，此时有必要考虑和的影响。Yamaguchi分解[11]，在采用与Freeman分解相同的偶次散射模型和表面散射模型的基础上，考虑了和的影响，引入螺旋体散射分量，并通过改变相关方位角的概率密度函数来修改植被的体散射分量，即根据的大小，选择不同的体散射模型。
Yamaguchi分解倾向于应用在非反射对称的情况，同时自动涵盖了反射对称情况，应此，Yamaguchi分解是Freeman分解的扩展，适用范围更广[12]。
四、保持散射特性的分类算法
文献[6]保持散射特性的分类算法首先利用Freeman分解将像素分成表面散射、二次散射和体散射3 种散射类型，其次根据功率大小在各散射类型中进行聚类，将各散射类型中的像素分成指定类别数，最后利用Wishart分类器获得散射特性保持的分类结果。文献[7]的方法相对经典的Wishart H/α分类保持了地物的散射特性，提高了分类精度，但其初始分类进行的大量类划分与类合并，耗时较长，严重影响该方法的时效性。文献[7]主要思想是利用Freeman分解获得的3种散射机理成分的功率和Cloude分解提取散射熵进行预分类，然后使用Wishart分类器迭代获得分类结果。文献[7]相对文献[6]降低了运算量，文献[7]使用Freeman分解模型保持地物的散射特性，Freeman分解只适用于反射对称的情况，在反射對称性不满足的城市区域或一些复杂地区出现较大分类误差，使其适用性降低，同时仅根据功率大小判断像素主散射机制导致分类精度降低。
针对文献[7]的不足，本文进行了改进。主要体现在：1）利用Yamaguchi分解代替Freeman分解进行保持地物散射特性的分类，以增强适应性。2）初始分类时引入混合散射机制，以提高分类精度。
五、实验及分析
选用美国San Francisco地区L波段全极化数据阐述论文算法的有效性，影像大小为900*700，主要包括：城市，海洋，山脉和植被。图1为美国
San Francisco的PauliRGB图（R：|HH-VV|，G:HV，B：|HH+VV|），Freeman分解得到的RGB图（R：PD，G: PV，B：PS）和Yamaguchi 分解得到的RGB图（R：PD，G: PV，B：PS）。
a PauliRGB图 b Freeman分解的RGBc Yamaguchi分解的RGB图
图1 San Francisco地区L波段极化彩色合成图
图1中，图b、图c对图a中的大型地物均具有一定的表现力，能够区分山脉、海洋、植被、城区以及金门大桥等主要地物，对于公园和马球场也可看出。表明Freeman分解和Yamaguchi分解能够表征地物的散射特性。图c相对图b城区部分的色调偏红，表明城区的二次散射分量在Yamaguchi分解中相对Freeman分解比例较大。这符合城区以二次散射为主的的散射机制。图2给出了本文方法与文献[7]的分类结果。两种方法的迭代次数均为4次，本文算法中的C值为0.4。
a本文方法的分类结果图 b 文献[7]提出方法的分类结果图
图2 分类结果图
图2中，a和b均是保持地物散射机制的分类方法，二者具有许多相似的分类效果。同时对某些地物的划分存在差别，具体分析如下：高大植被的冠层由大量枝叶组成，表现为体散射机制，低矮的植被对雷达波的反射主要是表面散射，树干和地面组成二面角，有时会导致植被表现为偶次散射机制。所以对植被的划分，因该是散射为主，其中包含部分偶次散射和表面散射。对比图a和b，a的分类效果较好。对于水体，主要表现为表面散射，a和b的区分效果非常一致，a将图像右上角的粗糙水体区分的更为细致一些，将其划分为不同的表面散射类型。参考图1中的原始PauliRGB图，本文的方法更为合理一些。对于城区的区分，图a将城区大部分归类到偶次散射中，同时对城市中的街道等一些地物的细微结构表现的很好，而图b中城区细微结构表现的不明显，并且将大部分城区归类到体散射中，将城市与植被混在一起，不合理。
論文在判断地物主散射机制时引入了混合散射机制，然后通过计算Wishart距离将属于混合散射机制的像元归为基本散射机制中。图3给出了本文方法确定的主散射图和直接按照功率大小确定的主散射机制图。两图中的水体和植被的主要散射类型基本一致，a中城区相对图b城区，表面散射类型增多，体散射类型减少，可能由于城市低矮的绿化植被中表面散射分量比例大一些，经过Wishart距离迭代划分到表面散射中，从散射机制角度，论文方法确定的散射机制的类心较为合理些。总体上，a和b还是较为一致的，表明Yamaguchi分解代替Freeman分解是本文比文献[7]获得较好分类效果的主要原因。
a 本文方法确定的主散射机制图 b 直接按照功率大小确定的主散射机制图
图3 主散射机制图
六、结束语
本文提出了利用Yamaguchi分解的四种基本散射机理、Cloude分解获得的散射熵和Wishart分类器保持地物散射特性的极化SAR数据分类算法，并且提出了一种新的判断地物主散射机制的方法。实验表明，本文提出的判断方法对地物主散射机制的确定更为合理，本文保持地物散射特性的分类算法能更好地保留图像的纹理和细节信息，其分类的结果优于目前已有的Freeman结合散射熵的分类。为后续基于遥感技术开展地表覆盖信息普查提供技术基础。
参考文献：
[1] 《关于开展第一次全国地理国情普查的通知》（国发【2013】9号）.
[2] 刘利敏, 余洁, 燕琴, 刘振宇, 朱腾. 引入纹理特征的SSVM算法在极化SAR影像分类中的应用 [J].测绘通报, 2012(8):7-10.
[3] VAN ZYL J J. Unsupervised classification of scattering behavior using radar polarimetry dada [J]. IEEE Trans. Geosci. Remote Sensing, 1989, 27(1):36-45.
[4] LEE J S, GRUNES M R, AINSWORTH T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier [J]. IEEE Trans. Geosci. Remote Sensing, 1999, 37(5):2249-2258.
[5] CLOUDE S R, POTTIER E. An entropy based classification scheme for land applications of polarimetric SAR [J]. IEEE Trans. Geosci. Remote Sensing, 1997, 35(1)68-78.
[6] LEE J S, GRUNES M R, POTTIER E, et al. Unsupervised terrain classification preserving polarimetric scattering characteristics [J]. IEEE Trans. Geosci. Remote Sensing, 2004, 42(4):722-729.
[7] 赵力文,周晓光,蒋咏梅,等. 一种基于Freeman分解与散射熵的极化SAR图像迭代分类方法 [J]. 电子与信息学报, 2008, 30(11):2698-2701.
[7] CLOUDE S R, POTTIER E. A review of target 8decomposition theorems in radar polarimetry [J]. IEEE Trans. Geosci. Remote Sensing, 1996, 34(2):498-518.
[9] 王超, 张红, 陈曦, 等. 全极化合成孔径雷达图像处理[M].北京:科学出版社, 2008:107.
[10] FREEMAN A, DURDEN S L. A three-component scattering model for polarimetric SAR data [J]. IEEE Trans. Geosci. Remote Sensing, 1998, 36(3):963-973.
[11] YAMAGUCHI Y, MORIYAMA T, ISHIDO M, et al. Four-component scattering model for polarimetric SAR image decomposition [J]. IEEE Trans. Geosci. Remote Sensing, 2005, 43(8):1699-1706.
[12] YAMAGUCHI Y, YAJIMA Y, YAMADA H. A four component decomposition of POLSAR images based on the coherence matrix [J]. IEEE Trans. Geosci. Remote Sensing, 2006, 3(3):292-296.