基于HJ-1C SAR数据的辽东湾海冰分类

刘惠颖，郭华东，张 露

(1.中国科学院遥感与数字地球研究所，北京 100094;2.中国科学院大学，北京 100049)

0 引言

辽东湾是我国纬度最高的海域[1]。辽东湾海冰是中纬度季节性一年冰，每年11月底至次年3月初是结冰时间，分为初冰期、封冻期和终冰期3个阶段。封冻期海冰密集度大于7/10，冰情最严重，可以形成海洋灾害，至今已造成多次石油平台倒塌[2]，造成了巨大的经济损失。目前，海冰监测已经成为海情监测的重点业务，而海冰分类是提取浮冰外缘线等冰情预报参数的基础，是海冰遥感研究中的重点。

合成孔径雷达(synthetic aperture Radar，SAR)是海冰监测的有效工具，SAR具有全天时、全天候运作以及能穿透云雾等优势，对于恶劣天气下的海冰监测很重要，而且对于表面有雪或水覆盖的海冰，SAR有比光学传感器更强的识别能力[3]。目前星载SAR数据以国外的X，C，L波段为主。2012年11月19日我国成功发射了首颗民用合成孔径雷达卫星HJ-1C，其搭载的SAR传感器可以提供S波段VV极化的扫描模式(ScanSAR)和条带模式(StripMap)2种数据，空间分辨率分别是20 m和5 m。HJ－1C丰富了国外已有的星载SAR参数，并且VV极化对于高风速条件下的海冰监测具有优势[4]。

目前用于海冰分类的有效特征有灰度、纹理和极化分解信息[5－6]等。纹理提取算法中灰度共生矩阵(gray level co－ occurrence matrices，GLCM)[7－8]是有效方法之一，此外还有马尔可夫随机场[9－10]、小波变换[11]等;在分类算法方面，除了最大似然法、神经网络[12－14]等单一的分类算法之外，分类器融合[15－16]的思想也被引入到SAR图像海冰分类中，该方法可以增强分类结果的稳健性和容错性。本文则提供一种基于HJ－1C卫星S波段VV单极化数据，针对辽东湾浮冰类型的海冰分类方法。在研究中引入了基于平整冰面积百分比提取的“平整冰密集度”信息作为分类依据，并结合灰度信息和纹理信息，使用最大似然法和决策树融合的方法进行海冰分类，旨在为海冰分类提供一种新思路。

1 研究区与数据源处理

以我国辽东湾海域为研究区。覆盖研究区的SAR数据来自HJ–1C卫星的高分辨率条带模式，S波段VV极化，空间分辨率5 m，扫描幅宽40 km。该数据获取于2013年1月17日，未定标。当时辽东湾海冰处于封冻期，根据国家海洋预报台的数据，浮冰外缘线达60～70 n mile，接近海冰警报启动标准。本文用于分类方法验证的数据为SAR图像的裁剪区域，位于浮冰外缘线附近，面积约29 km2。

使用3像元×3像元窗口的Enhanced Lee Filter对SAR数据进行滤波，滤波后的SAR图像斑点噪声有所减弱，如图1所示。

图1 滤波后HJ－1C SAR图像Fig.1 HJ－1C SAR image after filtering

2 研究方法

2.1 训练样本选取

结合SAR图像特征和辽东湾海冰类型，确定了3种类别的训练样本:碎冰(brash ice)、平整冰(level ice)和开阔水(open water)。其中，平整冰表面相对平滑，回波信号较弱，在SAR图像中灰度值较低;碎冰表面相对粗糙，回波信号较强，具有较高的灰度值;而由于VV极化对海浪条件比较敏感[2]，所以开阔水的回波信号也较强。研究中参考HJ-1B光学数据进行采样与验证。因为HJ-1B卫星数据获取时间是2013－01－17T02:19，而HJ-1C卫星数据获取时间是2013－01－17T22:04，所以2景图像中的海冰分布并不完全一致。虽然海冰位置有所移动，但是部分海冰形状是不变的，仍然可以用来粗略判定海冰类型。

2.2 纹理特征提取

SAR图像的灰度信息记录了海冰类别的后向散射特性，然而仅仅依据灰度特征进行海冰分类是不够的，需要纹理信息的辅助。灰度共生矩阵是一种表征灰度空间分布统计特征的纹理提取算法，本文选用的计算参数是:窗口大小15像元×15像元、方向90°、位移d=8、灰度量化等级32。基于灰度共生矩阵提取的纹理信息有多种统计值，包括均值、对比度、方差、均质性、相异性、熵、角二阶矩和相关性等。对比度、方差和相异性3者之间，均质性和角二阶矩之间相关性很高，全部作为输入信息会产生冗余，所以只选对比度和均质性作为代表。最终选用的纹理统计值有均值、对比度、均质性、熵和相关性。

2.3 SAR 图像分类

本研究的分类流程如图2所示。

图2 分类流程图Fig.2 Flow chart of the classification

2.3.1 最大似然法分类

把滤波后的SAR数据和提取的纹理信息作为输入值，使用最大似然法(maximum likelihood，ML)进行初步分类，结果见图3。

图3 最大似然法初步分类结果Fig.3 Preliminary result of ML classification

由图3可知，平整冰的提取比较准确;而碎冰和开阔水的混淆比较严重，部分开阔水(图3中的B区)被误分为碎冰，这主要是因为二者的灰度值分布比较接近(图4)。

图4 样本灰度值(未定标)直方图分布Fig.4 Histogram of DN values(uncalibrated)of the three classes in SAR data

2.3.2 密集度信息提取与决策树建立

海冰密集度(sea ice concentration)原指某区域内海冰所占面积的百分比。本文提出的“平整冰密集度”是指某区域内平整冰的面积百分比，以下简称“LI密集度”。选用LI密集度作为分类依据的原理是:碎冰(图3中A区的红色部分)多分布在平整冰周围，LI密集度较高;而被误分为碎冰的开阔水(图3中B区的红色部分)大多远离平整冰，LI密集度比较低。因此，LI密集度可以用来表示碎冰与开阔水的空间分布特征。本文使用的LI密集度信息是基于ML初步分类结果、使用51像元×51像元滑动窗口来提取的。把密集度信息加入到分类波段中，进一步使用决策树分类器进行分类(图5)。

图5 决策树分类流程图Fig.5 Flow chart of decision tree classification

3 结果与分析

使用所提取的初始LI密集度(图6(a))进行ML与决策树融合分类，其结果如图7(a)所示。

图6 不同方法提取的LI密集度Fig.6 LI concentration extracted with different methods

图7 利用不同LI密集度信息进行最大似然法与决策树融合分类结果Fig.7 Classification result of fusion using of ML and decision tree with different LI concentration

在图7(a)中，虽然之前被误分为开阔水中的大部分碎冰被重新识别，但是仍残留有斑点状的误分开阔水，并且有整块碎冰的局部被错分为开阔水的现象出现(图7(a)中A处)。这是因为部分碎冰聚集在一起，面积较大，导致靠近平整冰一端的LI密集度较高，而远离平整冰一端的LI密集度较低，甚至为0(图8(a))，因此被错分为开阔水。为了解决这个问题，采用新的计算方法来提取LI密集度。新方法结果如图6(b)所示，充分考虑了大面积碎冰的整体性，其计算方法是用LI密集度的局部最大值对局部像元进行标识。即在原有的LI密集度基础上，进行局部最大值的搜索，并且给相连的红色像元(碎冰)均赋予该最大值，这样保证了位于一整块冰的所有点具有相同且相对较高的值(图8(b))，从而保持了相同的性质，使提取的LI密集度更加合理(图7(b))。

图8 碎冰与平整冰LI密集度分布图Fig.8 Distribution of LI concentration of brash ice and level ice

把用新方法提取的LI密集度信息(图6(b))加入分类波段中，进行决策树分类。决策条件是:

采用新密集度信息作为分类依据之后得到的新分类结果(图7(b))不仅很好地保持了大面积碎冰的整体性，而且对于与碎冰有相似灰度值的开阔水的识别能力也更强。如图8所示，在原始LI密集度信息中碎冰与开阔水的分布区之间有重叠;而在新LI密集度中两者不重叠，并且碎冰的密集度较高，而开阔水的密集度较低，分布更加合理。这也是新密集度信息的加入可以有效区分碎冰和开阔水的原因。

4 有效性验证

图9 研究区HJ-1B图像Fig.9 HJ-1B optical image of the study area

本文使用HJ-1B图像作为验证数据(图9)，与分类结果图7(b)进行对比。由于两景图像的获取时间间隔较长，所以部分海冰漂移导致两景图像的海冰分布有变化。对比结果显示分类结果中海冰与海水的识别相对准确，分布区域基本一致，说明本文提出的方法对于辽东湾浮冰外缘线区域的海冰分类具有一定的有效性。

5 结论

1)基于HJ-1C S波段的单极化(VV极化)SAR数据可用于提取识别封冻期辽东湾海域的碎冰、平整冰和开阔水3种类型的信息。

2)本文提出的“平整冰密集度”可以作为海冰分类的依据，可有效区分纹理粗糙的开阔水和碎冰。

3)结合灰度信息、纹理信息和密集度信息的最大似然法与决策树分类器融合的分类方法为辽东湾海冰分类提供了一种新的思路，是一种有效的分类方法。

[1]纪永刚.基于微波图像的辽东湾海冰典型要素信息提取[D].青岛:中国科学院海洋研究所，2006.Ji Y G.Ice typical features retrieval in Liaodong Bay based on microwave remote sensing imagery[D].Qingdao:Institute of Oceanology，Chinese Academy of Sciences，2006.

[2]于 波.辽东湾海冰多极化SAR影像解译分析与分类算法研究[D].青岛:中国海洋大学，2009.Yu B.Interpretation and classification algorithm for multi－ polarization SAR image of sea ice in Liaodong Bay[D].Qingdao:Ocean University of China，2009.

[3]Uiboupin R，Sipelgas L，Raudsepp U.Sea ice concentration and type analysis from dual pol Radarsat－2 and MODIS images in the Baltic Sea[C]//2009 IEEE International Geoscience and Remote Sensing Symposium，IGARSS 2009.Cape Town:IEEE，2009，2:590－593.

[4]Partington K C，Flach J D，Barber D，et al.Dual－ polarization C－band radar observations of sea ice in the Amundsen Gulf[J].IEEE Transactions on Geoscience and Remote Sensing，2010，48(6):2685－2691.

[5]Scheuchl B，Hajnsek I，Cumming I G.Model－ based classification of polarimetric SAR sea ice data[C]//2002 IEEE International Geoscience and Remote Sensing Symposium，IGARSS′02.Toronto，Ontario，Canada:IEEE，2002，3:1521－1523.

[6]Scheuchl B，Cumming I G.Potential of RADARSAT－2 for sea ice classification[C]//2002 IEEE International Geoscience and Remote Sensing Symposium，IGARSS′02.Toronto，Ontario，Canada:IEEE，2002，4:2185－2187.

[7]Soh L K，Tsatsoulis C.Texture analysis of SAR sea ice imagery using gray level co－ occurrence matrices[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37(2):780－795.

[8]Zakhvatkina N Y，Alexandrov V Y，Johannessen O M，et al.Classification of sea ice types in ENVISAT synthetic aperture Radar images[J].IEEE Transactions on Geoscience and Remote Sensing，2013，51(5):2587－2600.

[9]Clausi D A，Qin A K，Chowdhury M S，et al.MAGIC:Map－ guided ice classification system for operational analysis[C]//2008 IAPR Workshop on Pattern Recognition in Remote Sensing(PRRS 2008).Tampa，FL:IEEE，2008:1－4.

[10]Ochilov S，Clausi D A.Operational SAR sea－ice image classification[J].IEEE Transactions on Geoscience and Remote Sensing，2012，50(11):4397－4408.

[11]Yu Q Y，Moloney C，Williams F M.SAR sea－ice texture classification using discrete wavelet transform based methods[C]//2002 IEEE International Geoscience and Remote Sensing Symposium，IGARSS′02.2002，5:3041－ 3043.

[12]Hara Y，Atkins R G，Shin R T，et al.Application of neural networks for sea ice classification in polarimetric SAR images[J].IEEE Transactions on Geoscience and Remote Sensing，1995，33(3):740－748.

[13]Kwok R，Hara Y，Atkins R G，et al.Application of neural networks to sea ice classification using polarimetric SAR images[J].Geoscience and Remote Sensing Symposium，1991.IGARSS′91，1991:85－88.

[14]Karvonen J A.Baltic sea ice SAR segmentation and classification using modified pulse－ coupled neural networks[J].IEEE Transactions on Geoscience and Remote Sensing，2004，42(7):1566－1574.

[15]Bogdanov A V，Sandven S，Johannessen O M，et al.Multisensor approach to automated classification of sea ice image data[J].IEEE Transactions on Geoscience and Remote Sensing，2005，43(7):1648－1664.

[16]Bogdanov A V.Neuroinspired architecture for robust classifier fusion of multisensor imagery[J].IEEE Transactions on Geoscience and Remote Sensing，2008，46(5):1467－1487.