4分量模型和散射参数的全极化雷达图像分类.docx

4分量模型和散射参数的全极化雷达图像分类.docx

《4分量模型和散射参数的全极化雷达图像分类.docx》由会员分享，可在线阅读，更多相关《4分量模型和散射参数的全极化雷达图像分类.docx（6页珍藏版）》请在冰豆网上搜索。

4分量模型和散射参数的全极化雷达图像分类

4分量模型和散射参数的全极化雷达图像分类

邵永社1，2，韩阳1，吕倩利1，杨书娟1

【摘要】摘要：

在分析了典型的极化目标分解和地物分类算法基础上，提出了融合Yamaguchi分解和H／α（H为散射熵，α为地物散射角）平面分解结果的迭代处理目标分类方法.首先，通过获取4种散射分量及地物的散射熵和散射角，结合6个参量，将极化合成孔径雷达图像中的地物初始分类；然后，利用相干散射矩阵服从Wishart分布的特性进行迭代，获得最终分类结果.实验结果证明，该算法提高了分类性能，运算量小，分类效果较好.

【期刊名称】同济大学学报（自然科学版）

【年（卷）,期】2011（039）009

【总页数】5

【关键词】极化合成孔径雷达；图像分类；Yamaguchi分解；散射熵；散射角

遥感影像的分类识别是遥感影像分析的重要内容.由于对地物光谱和成像影响因素的认知不足，遥感影像分类识别技术的应用受到极大限制.极化合成孔径雷达（polarizedsyntheticapertureradar，POLSAR，极化SAR）可以从地物本身极化散射机理出发，建立地物散射模型，较好地描述地物的成像特性，成为遥感影像分类识别的重要研究方向.

1997年，英国学者Cloude利用其提出的Cloude分解模型获得的散射熵H与表征地物散射机理的角度α，得到了著名的H／α分类算法［1］，从而走出了利用目标分解理论研究极化SAR图像分类的第一步.随后，基于目标分解理论的极化SAR图像分类方法，成为该领域近十年来研究热点和极有潜力的发展方向.为了改善H／α分类的性能，1998年，Lee等人结合H／α非监督分类算法和相干矩阵的统计特性，提出了WishartH／α非监督分类算法［2］，将H／α非监督分类的结果作为初始值，利用复Wishart聚类算法循环迭代，获得较好的分类结果.在2000—2002年，Pottier等对WishartH／α分类算法进一步改进，通过在初始化分类中增加各向异性度，提出了WishartH／（αA）（A为各向异性度）分类算法［3］，进一步提高了分类器性能.为了能够保持地物的极化散射特性，Lee等人于2004年进一步提出了Freeman分解与散射熵结合的复Wishart分类器地物分类算法［4－5］，利用Freeman分解提供的3种散射机理模型，将地物目标粗略划分为3大类别，然后在各大类别内进行基于Wishart迭代的小类合并与再次分类.由于较充分地利用了散射机理信息与统计分布信息，该算法能明显改善分类的最终效果.

极化SAR影像分类的基础是目标的极化分解，主要思想在于把数据与目标的物理散射特性联系起来，根据测量数据描述目标结构.Freeman分解是把数据分解成平面散射、二面角散射和体散射3类［6］；Cloude分解引入极化熵H、散射角α和各向异性度A，进一步将极化数据分解成9个区域和8类数据（其中高熵表面散射在物理上不对应任何散射体），且9个区域的边界受数据质量等因素影响并不是绝对的.因此，合理利用各种先验信息是进一步提升分类算法性能和效率的关键.Wishart统计分布信息对于提高分类精度具有明显作用，利用这一统计特性进行迭代可以提高精度.但大量迭代导致计算量成倍增长而精度没有显著提高［2，4－5］，因此，增加先验信息知识的应用，结合Wishart统计分布，可以有效提高算法的精度与速度.基于上述分析，笔者提出一种新的极化SAR图像迭代分类算法：

首先对利用Yamaguchi分解和H／α分解得到的6个表征地物特性的参数预分类，然后使用复Wishart分类器对初始类别迭代分类，得到满意的分类结果.

1目标散射分解模型

1.1Yamaguchi分解

从构建目标物理散射模型的角度出发，日本学者Yamaguchi在经典的Freeman分解的3分量（体散射、表面散射及偶次散射）散射模型基础上，引入了第4个分量：

由螺旋体散射引起的helix散射分量［7－8］.其分解模型表示为

式中：

CV为体散射模型，又称冠层散射体，是一组方向随机的偶极子集合，对应的典型地物为树冠，fV为该模型对应分量；CD为偶次散射模型，是1个二面角反射器，对应典型地物为建筑、粗壮树干及受波浪影响的水体等，fD为该模型对应分量；CS为奇次散射模型，是1阶Bragg表面散射体，对应典型地物为海洋或者粗糙地表，fS为对应分量；CH为新增加的螺旋分量，与在城区占主导的复杂形状人造地物有关，同时对植被的CV作了修正及补充，以适应不同的地物情况.CV，CD，CS可依据Freeman分解求解，CH分量表示为

Yamaguchi分解对目标的物理散射机理进行数学建模，将目标的物理特性用数学方法表现出来，使得分解后的结果具有显著的物理意义.不足之处是难以覆盖所有地物模型.

1.2H／α平面分解

Cloude和Pottier提出基于特征向量分解的Cloude－Pottier分解方法，利用散射角α和极化散射熵H这2个参数表征随机散射体的极化特征.首先，对相干矩阵进行特征矢量分析，公式为

式中，ei和λi分别表示特征值和特征向量

式中：

δi为极化散射矩阵系数组合Shh＋Svv和Shh－Svv的相位差，γi为Shh＋Svv和Shv的相位差.则

Cloude分解并不局限于几种特定的散射机制，得出的是地物散射的2个特性参数：

H和α.H可以描述目标散射过程的随机性，当H＝0时，对应于一种确定的散射过程；当H＝1时，目标的散射过程完全退化为随机噪声.α是识别主要散射机制的参数，当α由0°连续增加为90°时，其对应的散射机制由几何光学的表面散射，渐变为物理光学的表面散射，即Bragg表面散射模型，在经过了偶极子散射（α＝45°）后，转变为两种电介质表面的二次散射，最后转变为金属表面的二次散射.

结合H和α，可以得到一个H／α二维平面.该平面可归为9个区域，由于高熵表面散射在物理上不对应任何散射体，所以可分为8个类别.其不足在于对数据中包含的信息利用不完全，1个区域内可能包含不同散射机理的地物，分类结果不够精确.

2全极化SAR图像的分类实现

本方法思路及具体步骤如下：

（1）对极化SAR数据进行相干斑滤波处理，尽可能过滤噪声.

（2）分解Yamaguchi模型，获得该图像每个像素的4种散射（体散射分量，奇次散射分量，偶次散射分量和螺旋散射分量）的功率，并依据功率大小排序，确定该像素的主散射机理.

（3）利用Cloude－Pottier分解获得每个像素的H和α.需要说明的是，二者都是像素对应视场内的平均结果，不具有绝对性，而且随着分辨率的减小，作用也在衰减.

（4）根据经典的H／α平面划分散射熵，将散射熵取值划分为3个区域，即低熵区、中熵区和高熵区（高熵区域基本不含极化信息），然后再标记出区域内每个像素对应的主散射分量.

（5）依目标散射特性预分类.由于散射角是分辨单元内各物体散射角的加权平均值，对地物变化不敏感，因此在反映分辨单元的散射机理方面不如主散射分量精确完整.对于低熵区，如果主散射分量是体散射，则该机制由植被冠层产生，可以划分为植被；主分量为奇次散射，散射角阈值可将其区分为水体和粗糙地表；主分量为偶次散射，散射角阈值可将其划分为水体和建筑.本方法散射角选取的阈值参考H／α平面子区的划分.具体分类依据见表1.

（6）为每类地物选取颜色合成假彩色.将植被赋予绿色；建筑粉红色；城市复杂地物白色；粗糙地表黄色；混合植被深绿色；考虑到水体表面粗糙度不同［9］，给予平静水面海蓝色（奇次散射为主散射分量）、粗糙水体深蓝色（偶次散射为主散射分量）两种相近色彩.

（7）进行Wishart聚类迭代.满足迭代中止条件时退出迭代过程，此时分类结果能够达到较好的收敛稳定性.一般情况下，迭代2～4次即可得到比较稳定的分类结果.

3实验结果及分析

实验数据为AIRSAR系统获取美国SanFranciscoBay地区的L波段全极化数据，该数据经过四视处理.图像为1024×900像素点，是包含植被、海洋和建筑的典型图像［10－11］，分辨率为10m×10m.该地区对应的光学图像和Yamaguchi分解伪彩色合成图像见图1.

相比光学彩色图像，Yamaguchi分解彩色合成图像能更有效地描述地物分布，视觉判读效果更好.Yamaguchi分解各散射分量如图2所示.

图2进一步解释了Yamaguchi分解和散射分量特性（像素亮度代表散射分量的高度），水体以奇次散射为主，有部分偶次散射.建筑物受立面和顶端的影响，奇次散射分量和偶次散射分量都很高.植被的上方树冠表面会形成奇次散射，树冠本身会呈现强烈的体散射机理，当树冠比较稀疏时，波长较长的入射波经过粗壮树干和地面的散射会形成偶次散射，而螺旋散射仅仅是在城区个别地区呈白亮色.

如图3a所示，H／α分类（图3a）保持了地物大类的分布，但细节表现力不足，地物轮廓不清晰，海洋的异质性未表现出来；WishartH／α［12－13］和WishartH／（αA）［14－15］分类（图3b，c）未表现出左侧海洋的异质性.本方法（图3d）效果更好，原本不清晰的山脉、植被和城区更易区分，地物细节信息体现得更加精细，左侧海洋的不同层次、左上方山脉的峰谷等均可辨识出来，图像纹理也基本保留.

为了更有效地比较分类结果，在没有实地真实地物数据的情况下，选取了几个具有代表意义的区域作为比较样本区域，如图4和表2所示.

表3为各分类法的精度比较.由表可见，本方法分类精度较好.在运算时间方面，在相同的硬件设备（Pentium4，CPU2.4GHz，1GB内存）和软件平台（WindowsXP，Matlab7）条件下，本方法对实验数据分类耗时约6min，迭代2次；文献［5］方法对实验数据分类耗时10min，迭代4次；文献［2］方法耗时13min，迭代4次；文献［4］方法由于大量的类划分与类合并运算，耗时207min.可见，本方法在保持较好分类效果的同时，运行时间最短.

4结语

基于目标分解的迭代分类是一种有效的极化SAR图像非监督分类方法，能获得较高的分类精度.本文提出的方法利用由Yamaguchi分解和H／α分解得到的6个参数进行预分类，使预分类的准确性提高，进而使得用Wishart分类器对初始类迭代分类收敛更快，提高了极化SAR图像地物分类的效率.

本研究没有地物分布的真实数据，未能进一步定量计算.从分类效果看，需要进一步提高两类别地物的边界，比如森林和作物的散射特性比较相近，两类地物的边界容易混淆.作为解决的途径之一，可以考虑将回波强度参数作为极化特征参数引入到分类算法中，以便保留极化SAR图像中的细致结构.

参考文献：

［1］CloudeSR，PottierE.AnentropybasedclassificationschemeforlandapplicationsofpolarimetricSAR［J］.IEEETransactionsonGeoscienceandRemoteSensing，1997，35

（1）：

68.

［2］LeeJS，GrunesMR，AinsworthTL，etal.UnsupervisedclassificationusingpolarimetricdecompositionandthecomplexWishartclassifier［J］.IEEETransactionsonGeoscienceandRemoteSensing，1999，37（5）：

2249.

［3］PottierE.UnsupervisedclassificationschemeandtopographyderivationofPOLSARdatabasedontheH／（a·A）polarimetricdecompositiontheorem［C］∥Proc4thInternationalworkshoponRadarPolarimetry.Nantes：

UniversityofNantes，1998：

535－548.

［4］LeeJS，GrunesMR，PottierE，etal.UnsupervisedterrainclassificationpreservingPolarimetricscatteringcharacteristics［J］.IEEETransactionsonGeoscienceandRemoteSensing，2004，42（4）：

722.

［5］ZHAOLiwen，ZHOUXiaoguang，JIANGYongmei，etal.IterativeclassificationofpolarimetricSARimagebasedonthefreemandecompositionandscatteringentropy［C］∥AsianandPacificConferenceonSyntheticApertureRadarProceedings，Huangshan：

ChinaInstituteofElectronics，2007：

473－477.

［6］AnthonyFreeman，StephenL，DurdenA.Three－componentscatteringmodelforpolarimetricSARdata［J］.IEEETransactionsonGeoscienceandRemoteSensing，1998，36（3）：

963.

［7］YoshioYamaguchi，ToshifumiMoriyama，MotoiIshido，etal.four－componentscatteringmodelforpolarimetricSARimagedecomposition［J］.IEEETransactionsonGeoscienceandRemoteSensing，2005，43（8）：

1699.

［8］YoshioYamaguchi，YukiYajima，HiroyoshiYamada.AfourcomponentdecompositionofPOLSARimagesbasedonthecoherencymatrix［J］.IEEETransactionsonGeoscienceandRemoteSensingLetters，2006，3（3）：

292.

［9］张海剑，杨文，邹同元.基于四分量散射模型的多极化SAR图像分类［J］.武汉大学学报：

信息科学版，2009，34

（1）：

104.ZHANGHaijian，YANGWen，ZOUTongyuan.ClassificationofpolarimetricSARimagebasedonfour－componentscatteringmodel［J］.GeomaticsandInformationScienceofWUhanUniversity，2009，34

（1）：

104.

［10］CAOFang，HONGWen，WUYirong，etal.AnunsupervisedsegmentationwithanadaptivenumberofclustersusingtheSPAN／H／（a·A）SpaceandthecomplexwishartclusteringforfullypolarimetricSARdata［J］.IEEETransactionsonGeoscienceAndRemoteSensing，2007，45（11）：

3454.

［11］SkriverH，DallJ，LeToanT，etal，AgricultureclassificationusingPOLSARdata［C］∥Proceedingsofthe2ndInternationalWorkshoponApplicationsofSARPolarimetryandPolarimetricInterferometry.Frascati：

TheEuropeanSpaceAgency，2005：

32.

［12］ChenL，CaoF，HongW.UnsupervisedclassificationforcompactpolarimetricSARdatausingm－δdecomposition，SPANandtheWishartclassifier［C］∥AsianandPacificConferenceonSyntheticApertureRadarProceedings.Xi’an：

ChinaInstituteofElectronics，2009：

742－746.

［13］YinJJ，YangJ，YamaguchiY.AnewmethodforpolarimetricSARimageclassification.SyntheticApertureRadar［C］∥AsianandPacificConferenceonSyntheticApertureRadarProceedings.Xi’an：

ChinaInstituteofElectronics，2009：

733.

［14］林伟，王瑞霞，田铮.有限混合Wishart模型分类多视极化SAR图像［J］.宇航学报，2009，30（4）：

1615.LINWei，WANGRuixia，TIANZheng.Themixturewishartmodelandclassificationofmulti－lookpolarimetricSARimages［J］.JournalofAstronautics，2009，30（4）：

1615.

［15］常新盼，邓喀中，王行风.极化SAR影像分类方法研究［J］.测绘信息与工程，2010，35（4）：

26.CHANGXinpan，DENGKazhong，WANGXingfeng.PolarimetricSARimageclassificationalgorithm［J］.JournalofGeomatics，2010，35（4）：

26.

基金项目：

“十一五”国家科技支撑计划（2006BAJ09B01）