基于SVM的极化SAR沿海滩涂分类

陈媛媛，何秀凤，王 静

（1.河海大学，江苏 南京 210098；2.中国土地勘测规划院，北京 100035）

随着2009年江苏沿海滩涂地区发展上升为国家战略，如何及时准确地掌握和研究沿海湿地资源的现状和动态，对于湿地的合理开发及保护都有着极其重要的作用[1]。运用合成孔径雷达影像进行信息提取，是湿地生态研究中较为新颖的课题。尤其是Envisat、ALOS PALSAR、RADARSAT-2及TerraSAR等传感器的相继发射以及多极化数据的逐步产品化，SAR图像的极化特性在湿地研究中的应用潜力被发掘出来。

我国对于极化数据在湿地方面的研究较少，现有的极化SAR分类方法大都直接利用后向散射系数或某一种极化目标分解的特征参数影像进行分类，没有挖掘出极化SAR的所有信息，难以得到理想的分类结果。本文综合了基于Cloude-Pottier分解的极化特征和基于灰度共生矩阵的纹理特征，采用SVM的分类方法对江苏沿海滩涂的ALOS PALSAR影像进行分类，探讨多特征参数对于分类结果的影响。

1 特征提取

1.1 基于极化分解的特征

Cloude-Pottier分解是基于相干散射矩阵T3的特征值/特征向量分析进行的[2]。通过该分解算法，可以得到如下3个特征参数：

2005年曹芳[3]引入了平均散射强度参数，该参数对保留图像中的细致结构、保持图像的分辨率、提高不同地物类型的区分度至关重要，其计算公式为：

1.2 基于灰度共生矩阵的特征

灰度共生矩阵（GLCM）的概念于1973年由Haralick提出，它是图像灰度变化的二阶统计度量[4]。在本文实验中，主要用到以下4种纹理特征：

大量实验表明，以上4个参数对于SAR图像纹理的表达最有效[5]。在本文实验中，将这4个纹理特征与极化分解特征结合起来，参与到极化SAR图像的分类中。

1.3 SVM算法

近些年来， SVM算法被越来越多地应用到遥感图像的分类中[6-9]。SVM分类算法的目标就是寻找一个最优的超平面，在尽可能满足分类的限制条件下，把分类数据集中的所有点分开，且使点与该超平面距离最远[10]。

设xi为训练样本输入，i=1，…，N，yi∈{+1，- 1}为期望输出，最优分类超平面为：

其中，ω表示权值矢量；b表示阈值。所要寻找的最优分类超平面能够将不同的类分开，同时使分类间隔达到最大。

2 实验流程

本文通过Cloude-Pottier目标分解和灰度共生矩阵的算法可以得到4个极化特征、4个纹理特征，加上相干矩阵的6个矩阵元素，可以进行如下组合：①散射熵、平均散射角、各向异性度参数；②散射熵、平均散射角、平均散射强度；③在组合②的基础上加入各向异性度参数；④在组合③的基础上加入4个纹理参数；⑤在组合④的基础上加入|T12|、|T13|、|T23|三个相干矩阵元素；⑥在组合⑤基础上加入T11、T12、T13三个相干矩阵元素。然后采用SVM的分类算法，选取训练样本，对每一组归一化后的组合特征进行分类处理，得到最后的分类结果。

具体步骤为：

1）通过比较选取合适的滤波窗口，对极化ALOS PALSAR数据进行Refined Lee滤波；

2）进行Cloude-Pottier分解，获取极化特征；

3）计算数据的灰度共生矩阵及纹理特征参数；

4）特征组合；

5）对每一组特征进行归一化处理；

6）选择训练样本；

7）利用SVM算法对每组特征进行分类；

8）计算每种组合下的分类精度。

3 实验分析

3.1 实验数据及预处理

本文使用的数据为江苏沿海滩涂的ALOS PALSAR全极化数据（图1），工作在L波段，极化方式有HH、HV、VH和VV。所选实验区中的地物类型主要有滩涂植被、养殖塘、水体、水田、水浇地等。由于该数据为单视幅影像，方位向和距离向的采样大小不一致，为了目视解译的方便，首先对图像进行1︰6的多视处理，并通过Refined Lee滤波消除相干斑噪声的影响。为了选取合适的滤波窗口，本文分别对极化SAR图像进行了窗口尺寸为3×3、 5×5、7×7的Refined Lee滤波，并通过滤波后相干矩阵元素T11的局部图像比较滤波效果，如图2所示。

图1 研究区域

图2 不同窗口尺寸下的滤波结果

由以上滤波结果可以看出，窗口大小为3×3时即可得到较为理想的结果，斑点噪声得到了有效的抑制且地物细节也较清楚。当窗口大小为5×5或7×7时，斑点噪声基本全部消除，但是图像的细节损失严重，一些地物的纹理信息变得模糊，证明对全极化SAR进行较大视数的多视处理后，3×3的滤波窗口即可达到较好的效果。

3.2 特征提取

本文对滤波后的全极化SAR图像采用Cloude-Pottier目标分解算法进行分解，得到散射熵、散射角、各向异性度和散射强度等4个参数，并利用灰度共生矩阵算法提取图像的4个纹理参数：均匀性、差异性、熵、角二阶矩，各参数图像如图3、4所示。地物在不同的特征图像上表现出不同的特性，因此可以利用这些参数识别不同的地物类型。

图3 极化参数

图4 纹理特征

3.3 分类结果及分析

根据研究区域的地物覆盖类型，选取水田、滩涂植被、养殖塘、水浇地、水体等5种地物的训练样本，由于监督分类中样本的选择对最后的结果有一定的影响，因此，本文实验中采用同一组训练样本。然后利用SVM分类器对6组不同的特征组合进行分类，将研究区分为5类，结果如图5、表1所示。

图5 不同特征组合的分类结果

表1 分类精度

通过与多光谱影像和GoogleEarth影像比较进行目视判读，并采用生成随机点的方法计算每种组合下的分类精度。通过定性与定量的比较可以发现，前4种特征组合的分类结果中地物都比较零碎、边界模糊。比较图5 a与b，将各向异性参数A换成平均散射强度Lammda进行SVM分类时，水田与养殖塘的分类效果有所提高，用户精度分别由37.88%、82.38%提高到78.93%、93.08%，但水体和水浇地的分类精度却有所降低。当各向异性参数A与平均散射强度Lammda同时参与分类时，水体与水浇地的分类结果明显好于组合 2的分类结果，而养殖塘的分类结果与组合1的结果相比也有所提高。以上分析说明，各向异性参数A与平均散射强度Lammda包含彼此没有的信息，可以相互补充，将它们结合起来用于极化SAR图像的分类会提高地物的分类精度。通过比较图5c和d发现，加入了纹理信息后，养殖塘及水田的分类精度都有提高，说明纹理信息对于区分这2类地物类型起到了一定的作用。组合5是在组合4的基础上又加入了|T12|、|T13|、|T23|三个相干矩阵元素，该组合的分类结果中5种地物类型分类精度都有明显提高，零碎地块减少，地物边界也比较清晰，地物的细节均得以较好地保持，分类总体精度达到94.58%，Kappa系数为0.93，尤其对水体的分类，其分类精度达到96.22%。组合6在组合5的基础上又加入了T11、T22、T33三个矩阵元素，分类结果如图5f所示。可以看出，与图5e相比，分类效果并不如组合5，这一方面是因为Cloude-Pottier分解出的散射熵与平均散射角2个参数与T11、T22、T33息息相关，这3个矩阵元素的信息已经包含在了散射熵与平均散射角中，因此它们的加入并不会提高分类精度；另一方面，这也说明了并非参与分类的特征越多分类效果越好，当过多的特征参与到SVM分类中时，除了会增加计算量外，还会因为这些特征之间的相关性造成信息冗余，使得有些地物的细节损失及提取的地类边界模糊。

4 结 语

本文采用6组不同的特征组合方式，利用SVM分类方法对江苏沿海的全极化ALOS PALSAR影像进行分类，可以得到以下结论：

1）Cloud-Pottier方法分解出的各向异性度参数与平均散射度包含的信息互补，将二者结合起来可以提高分类精度；

2）纹理特征可以提高养殖塘和水田的分类精度；

3）相干矩阵元素|T12|、|T13|、|T23|可以提供Cloude-Pottier分解所不包含的信息，将这3个参数加入特征空间进行分类时，分类效果显著提高；

4）当过多的特征参数参与分类时，会造成信息冗余，计算量增大，分类的效果也会有所降低。

本文实验验证了极化SAR在滩涂分类中的有效性，下一步研究中将会考虑其他的极化分解算法及本文算法在其他波段频率数据上的适用性。

[1]Schmidt K S, Skidmore A K.Spectral Discrimination of Vegetation Types in a Coastal Wetland[J].Remote Sensing of Environment,2003,85(1): 92-108

[2]Cloude S R,Pottier E.An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(1):68-78

[3]Cao F,Wen H,Wu Y.An Unsupervised Segmentation with an Adaptive Number of Clusters Using the SPAN/H/α/A Space and the Complex Wishart Clustering for Fully Polarimetric SAR Data Analysis [J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(11):296-299

[4]Haralick R M,Shanmugam K,Dinstein I H.Textural Features for Image Classification[J].IEEE Transactions on Systems,Man and Cybernetics,1973,3(6):610-621

[5]徐佳,陈媛媛,黄其欢,等.综合灰度与纹理特征的高分辨率星载SAR图像建筑区提取方法研究[J].遥感技术与应用,2012(5):692-698

[6]Chapelle O,Haffner P,Vapnik V N.Support Vector Machines for Histogram-based Image Classification[J].IEEE Transactions on Neural Networks,1999,10(5):1 055-1 064

[7]Fukuda S,Hirosawa H.Polarimetric SAR Image Classification Using Support Vector Machines[J].IEEE Transactions on Electronics,2001,84(12):1 939-1 945

[8]Lardeux C.Support Vector Machine for Multifrequency SAR Polarimetric Data Classification[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(12):4 143-4 152

[9]巫兆聪,欧阳群东,李芳芳.顾及特征优化的全极化SAR图像SVM分类[J].测绘科学,2013(3):115-117

[10]孟云闪,余洁,刘利敏,等.LSSVM算法在极化SAR影像分类中的应用[J].地理空间信息,2012,10(3):43-45