全极化SAR数据土地覆盖分类精度分析

杨靖，苏彩霞，曹永锋

(贵州师范大学数学与计算机科学学院，贵阳 550000)

全极化SAR数据土地覆盖分类精度分析

杨靖，苏彩霞，曹永锋

(贵州师范大学数学与计算机科学学院，贵阳 550000)

鉴于全极化SAR数据进行土地覆盖分类时不同特征组合会对分类结果带来巨大的影响，该文以美国国家土地覆盖数据为参考分析全极化SAR数据不同特征组合的土地覆盖分类精度。文中以分类精度为准则选取适用的分类方法，对比分析了不同分解组合和波段组合对分类结果的影响，同时给出同一时期成像的TM数据分类结果做比较。结果表明，SAR数据通过有效的分解组合能提高总体分类精度。同时，SAR数据不同分解特征之间有信息冗余和信息互补的关系，波段组合分类时需考虑其对分类结果的影响。波段组合分类得到了最高的总体分类精度71.6%和Kappa系数0.6，表明全极化SAR数据土地覆盖分类，尤其对于一些如“有林湿地”等待定类别，可以达到很好的分类质量。

全极化SAR；土地覆盖分类；目标分解；精度分析；特征组合

0 引 言

合成孔径雷达(Synthetic Aperture Radar，SAR)作为遥感技术的重要组成部分，因其高分辨率、全天候、全天时和大面积的数据获取能力已经成为光学遥感的有益补充，有时甚至是数据获取的唯一手段。全极化SAR数据包含目标更完备的物理信息和结构信息，为土地覆盖分类提供了新的技术方法[1]。目前，Lee 等[2-5]对比分析了全极化和多极化SAR数据的土地覆盖分类精度，Varshat等人[6]分析了多极化、多频率SAR数据对土地覆盖分类精度的影响，Rusanova等人[7]评估了极化SAR数据的土地覆盖分类潜力，都得到了全极化SAR数据会有更高的土地覆盖分类精度的结论。系统研究和分析全极化SAR数据的土地覆盖分类性能因此具有重要意义。

NLCD (National Land Cover Database) 数据是美国建立的基于Landsat5 TM遥感数据的国家土地覆盖数据集，其具有标准数据的作用。2010年Atwood等人[8]就利用NLCD数据分析了全极化SAR数据土地覆盖分类精度，其总体分类精度为73%，但所选取的检验样本总量为165个像元，样本量明显不足。2012年Atwood等人[9]利用NLCD数据分析了辐射校正对全极化SAR数据土地覆盖分类精度的影响，其样本量充足，但总体分类精度为54%，分类精度不高。以上都不能充分地说明全极化SAR数据的土地覆盖分类性能。本文以全极化ALOS PalSAR数据的9种分解特征(共计28个特征波段)为分类特征数据，以NLCD2006数据作为真实的地物类别标准数据，从中提取训练样本区和检验样本区进行土地覆盖分类精度分析。首先以分类总体精度为准则选取适用的分类方法，然后进行不同的分解组合分类和波段组合分类，分析不同分解组合和不同波段组合对分类结果的影响。同时，本文也给出了2景同时期成像的光学TM数据分类结果作为对比。结果表明全极化SAR数据土地覆盖分类(尤其在特定地物类别上)可以达到很好的分类质量。

1 数据处理

1.1 数据源

本文采用的数据如表1所示，数据区域为美国北卡罗来纳州的华盛顿县，经纬度为76.2°E～76.5°E，35.5°N～36.2°N。

表1 数据源

其中NLCD2006数据分类系统是由Anderson土地利用/土地覆盖分类系统二级类别派生的20类土地覆盖分类系统[10]，如表2所示。

表2 NLCD2006土地覆盖分类系统

该数据每隔5年更新1次，本文利用的是2006版数据对研究区土地覆盖分类做精度分析。全极化SAR数据采用的是ALOS Palsar传感器的L波段全极化数据。光学数据采用的是与SAR数据成像时间接近的2景Landsat 5 TM数据。

1.2 数据预处理

SAR数据预处理是SAR数据用于土地覆盖分类关键的一步，本文数据预处理流程如下：

①SAR数据滤波。对SAR数据进行精制lee滤波，滤波窗口选择为5×5[11]。

②SAR数据特征提取。对SAR数据进行各种不同的目标分解，包括Pauli分解(3维)、Krogager分解(3维)[12]、Huynen分解(3维)、Freeman分解(3维)、Yamaguchi分解(4维)[13]、Could分解(3维)、VanZyl分解(3维)、Barnes分解(3维)、Holm分解(3维)等共计9种分解28个波段。

③波段联合。在ENVI软件中使用Layer stacking工具把28个波段组合成为一个特征数据集代替原始的全极化SAR数据作为分类数据。

④特征数据与NLCD2006数据配准。在ENVI软件中进行采用2次多项式进行图像配准，配准精度高于0.5个像元。本文的配准精度为0.4个像元。

2 分类方法

2.1 分类特征选择

特征是分类的基础，特征选择在分类中有着极其重要的作用。通常情况下，特征选择包括特征选择的策略和特征评价的准则两点。本文以总体分类精度作为特征的评价准则，采用冯琦介绍的启发式特征收索策略[14]中的序列前向选择方法进行特征选择。具体过程是：先将特征集合设为一个空集，同时把所有特征按照单个特征总体分类精度从高到低排序；接着按照特征序列每次向特征集合中添加1个特征，如果新加入的特征使特征集合的总体分类精度降低，则去掉新加入的特征；当特征集合达到要求(总体分类精度大于90%或者没有可加入的特征)时所得到的特征集合作为最优特征组合。该算法的计算量相对较小，但是没有充分考虑特征之间的互补性。

2.2 分类类别确定和样本区制作

本文利用NLCD2006数据作为真实地物类别数据提取制作训练样本区和检验样本区，土地覆盖分类系统则采用与NLCD2006数据一致的分类系统，如表2所示。具体的制作过程如下：首先，对研究区NLCD2006数据进行类别统计和类别所占面积统计(表3)。面积统计比例大于2%的类别选定为分类类别。其中包含了7个类别，分别是11、21、42、52、82、90、95。7个类别面积统计总占比96.89%，其余类别所占面积都太少，不进行监督分类。

表3 研究区域各类别面积统计

然后，利用ARCGIS软件对NLCD2006数据按类别属性提取出研究区各个类别的矢量图，然后把各个类别矢量区分为两个部分：①训练样本区是在7大类别的矢量图层中进行缩小矢量区域制得；②检验样本区是除去训练样本区的剩余区域。这样就保证检验样本量比较充足且训练样本比较纯净。

2.3 分类器选择

在进行土地覆盖分类研究中，不仅分类特征数据会影响分类的结果，而一个好的、适合的分类方法更会影响最终的分类结果。本文以每种分解特征分类的总体分类精度为准则，在常用的监督分类方法包含最大似然法(Maximum Likelihood，ML)、神经网络(Neural Networks，NNs)、支持向量机(Support Vector Machine，SVM)中选取一种适合本文全极化数据特征的分类方法进行分类和分类精度分析。

3 结果分析

本文以全极化SAR数据的9种分解特征(共计28个波段)为分类数据，以NLCD2006数据提取制作的样本区为训练样本区和检验样本区进行土地覆盖分类精度分析。首先以分解特征分类总体精度为准则选取适用的分类方法，然后进行不同的分解组合分类和波段组合分类，分析不同分解组合和不同波段组合对分类结果的影响。本文在进行分解组合的时候，把每一种分解当成一种特征，进行波段组合的时候，把每一个波段数据当成一种特征。为表述方便，图表中分别以B、C、F、Ho、Hu、K、P、Y、V代表Barnes分解、Could分解、Freeman分解、Holm分解、Huyene分解、Krogager分解、Pauli分解、Yamaguchi分解、VanZyl分解，以TM06、TM08分别代表Landsat5 TM 2006年和2008年成像的两景数据。

3.1 不同分类方法分类

基于同一样本区的全极化SAR数据的9种分解特征在3种分类方法下的分类结果如图1所示。由图1可以看出同一种分解特征在不同的分类方法下分类精度差别很大。SVM与ML分类结果对比，对于本文SAR数据的9种分解特征，每种分解特征SVM分类精度都比ML分类精度高。SVM与NNs分类结果对比，除了在huyene分解特征上NNs分类精度比SVM分类精度略高，其余的8种分解特征都是SVM分类精度比NNs分类精度高。整体而言SVM比NNs表现出更稳定、更好的分类精度。综上，3种分类方法中SVM更适合用于对本文SAR数据的9种分解特征进行分类，本文后续实验都采用SVM分类方法。

图1 3种分类方法分类结果

3.2 不同目标分解组合分类

图1中基于SVM分类，单个分解分类总体分类精度最高为Krogager分解，达到了67.52%，其次是Yamaguchi分解，总体分类精度为63.47%。由此可以得出Krogager分解和Yamaguchi分解对于本文分类都是比较重要的。TM06和TM08数据SVM分类的总体分类精度分别为77.50%和78.97%。表4为根据序列前向选择法选择下分解组合分类结果，其中最好的分类结果为Krogager、Yamaguchi、Freeman和Could分解组合分类，总体分类精度为71.3%，与同时期成像的TM图像分类结果仅相差了6.2%和7.67%。

表4 目标分解组合分类结果

由表4可以看出单独分类较好的分解特征加入到分解组合中不一定会提高分类精度，甚至可能降低总体分类精度。例如单独分类较好的VanZyl分解特征在加入到K、Y分解组合和K、Y、F、C分解组合分类中都降低了分类总体精度。

由表4还可以看出Could分解特征加入到K、Y组合中明显地提高了分解组合分类的总体分类精度，总体分类精度提高了2.67%，贡献较大(加入使总体分类精度至少提高0.5%)。但Cloud分解特征单独用于分类总体分类精度并不高，总体分类精度为52.5%，说明针对本文数据，Could分解特征能与其他分解特征起到信息互补的作用来提高总体分类的精度。

3.3 不同波段组合分类

目标分解是把一个随机媒质散射问题的各种矩阵表现形式(散射矩阵、Mueller矩阵 、协方差矩阵、相干矩阵等)描述为独立分量之和，并把每一种成分与相应的物理机制联系起来[15]。本文28个波段(由9种不同分解方法得来)的物理含义或散射类型如表5所示。

表5 28个波段的物理含义/散射类型

图2 28个波段SVM分类结果

图2给出了28个波段单独分类的总体分类精度。由图2可以看出单波段分类最佳的是k_kd波段，总体精度为63.5%。以下分别对图2中的28波段依次编号为0到27，利用序列前向选择法进行波段组合分类。表6是波段组合分类结果的一部分(波段加入造成总体分类精度降低部分未列出)。由序列前向选择法方法得出最佳波段组合为(15、22、1、17、2、16、25、6、8、21、19、20、7、26、11)，分类总体精度71.35%，Kappa系数0.595。

表6 波段组合分类结果

各个波段都有自己的物理含义，进行波段组合分类时必然会存在相同物理含义波段之间信息的冗余和不同物理含义波段之间信息的互补关系。波段之间的信息冗余和信息互补都会对最终波段组合分类结果带来影响。对比分析最佳波段组合分类与波段15、波段22组合分类的结果，波段15、波段22组合在加入13个波段进行组合后包含表5中的散射类型由2种变成9种，分类总体精度由65.31%提高到71.35%，这说明不同物理含义的特征之间存在互补，它们同时存在于特征组合中会对分类性能产生大的提升。分析最佳波段组合可知波段组合中有许多相同物理含义的波段存在，本文把加入到波段组合中明显提高分类精度的波段取出作为一个波段组合，该组合是15、22、17、16、6、8、7(即：K_kd、Y_Hlx、K_ks、K_kh、C_a、C_h、C_e)。这7个波段分别对应于表5中的7种不同散射类型，测试这7个波段组合的分类精度，总体分类精度为71.14%，Kappa系数为0.593，与最佳波段组合分类精度仅相差了0.21%，这说明具有相同物理含义的特征之间存在冗余，它们同时存在于特征组合中不会对分类性能产生大的提升。

图3 分类结果对比

图像分类后通常都会对图像进行分类后处理，分类后处理包含对分类中大量的小图斑进行合并等。最佳波段组合分类聚类处理后的结果如图3所示，处理后的总体分类精度为71.6%，Kappa系数为0.6。

3.4 分类结果总结

总结以上分类结果，各种分类特征分类结果对比如表7所示。由表7可以看出SAR数据最佳分类结果和TM数据分类结果总体分类精度相差6～7个百分点。由于本文的评价基准NLCD本身是基于TM数据的分类结果，因此可以相信，在真实的分类精度上SAR数据和TM数据之间的差别会小于7%。表7各类别分类正确率中可以看出全极化SAR数据在有些类别上比TM数据分类更好，如：有林湿地。这是由于SAR图像成像机制决定了SAR系统对地物表面粗糙度比较敏感。SAR数据不同分解之间通过有效的分解组合能提高分类精度，分解进行组合时需要到考虑分解信息的互补作用。在波段组合分类过程中，不同的波段加入都会对某些类别的识别造成影响。如最佳波段组合分类与K_kd波段分类对比，开阔水域的分类正确率在加入波段进行组合分类时降低了18.7%，耕地的分类正确率提升了44.53%，这种情况下就需要给定相应的准则来选取波段组合。由于进行分类特征选择时未使用穷举法，所以本文选取的分解组合和波段组合不一定是最好的一个组合，但已经足以说明SAR数据的土地覆盖分类能力。

表7 不同特征数据分类结果

4 结束语

本文分析了全极化数据不同分解、不同分解组合、不同波段、不同波段组合的土地覆盖分类精度。分析表明：①总体而言，全极化SAR数据土地覆盖分类精度较高，Kappa系数最高达到0.6，分类质量达到很好层次[16]。②全极化SAR数据不同分解组合用于土地覆盖分类有助于提高分类精度。③全极化SAR数据不同分解特征之间有信息冗余和信息互补的关系，进行波段组合分类时应考虑这种关系对分类结果的影响。④SAR数据对分类系统中的某些类别比TM数据有更好的判别能力，未来可以结合SAR数据的这种特性与TM数据进行联合土地覆盖分类。

本文的不足和未来研究方向：①由于全极化SAR数据及对应地物分类参考数据获取困难，研究区内仅包含了有限土地覆盖类别，未来可以在包含类别更全面的数据上测试全极化SAR数据的土地覆盖分类精度。②不同分解特征之间有信息冗余和互补的关系，但没有研究如何利用这个关系来进行最优特征选择，这亦可作为未来一个研究方向。③没有考虑不同成像参数(如波段、分辨率、入射角度等)和地形对于分类精度的影响。

[1] 王超，张红，陈曦，等.全极化合成孔径雷达图像处理[M].北京：北京科学出版社，2008.

[2] TURKAR V，DEO R，HARIHARAN S，et al.Comparison of classification accuracy between fully polarimetric and dual-polarization SAR images[C]//Geoscience and Remote Sensing Symposium (IGARSS)，2011：440-443.

[3] AINSWORTH T L，KELLY J P，LEE J S.Classification comparisons between dual-pol，compact polarimetric and quad-pol SAR imagery[J].International Journal of Photogrammetry and Remote，2009，64(5)：464-471.

[4] LEE J S，GRUNES M R，POTTIER E.Quantitative comparison of classification capability：fully polarimetric versus dual and single-polarization SAR[J].IEEE Transactions on Geoscience and Remote Sensing，2001，39(11)：2343-2351.

[5] POTTIER E，LEE J S，FERRO-F L.Unsupervised classification of multifrequency and fully polarimetric SAR images based on the H/A/Alpha-Wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing，2001，39(11)：2332-2342.

[6] TURKAR V，DEO R，RAO Y S.Classification accuracy of multi-frequency and multi-Polarization SAR images for various land covers[J].Applied Earth Observations and Remote Sensing，2012，5(3)：936-941.

[7] RUSANOVA A，SMIRNOVA I.Evaluation of the potential of ALOS PALSAR polarimetric data for land-cover classification in the northern part of Timan-Pechorian petroleum province[C]//Geoscience and Remote Sensing Symposium (IGARSS)，2012：6291-6629.

[8] RIPKA B，ATWOOD D K.Accuracy assessment of polarimetric SAR land cover classification for boreal regions with moderate topography[C]//Synthetic Aperture Radar (EUSAR).European Conference on.VDE，2010：1-4.

[9] ATWOOD D K，SMALL D，GENS R.Improving PolSAR land cover classification with radiometric correction of the coherency matrix[J].IEEE Journal of Selected Topics in Applied Earth O，2012，4(3)：848-856.

[10] VOGELMANN J E，HOWARD S M，YANG L-m，et al.Completion of the 1990s national land cover data set for the conterminous united states from Landsat thematic mapper data and ancillary data sources[J].Photogrammetric Engineering and Remote Sensing，2001，67(6)：652-662.

[11] LEE J S，JEN-HUNG W，AINSWORTH T L，et al.Improved sigma filter for speckle filtering of SAR imagery[J].IEEE Transactions on Geoscience & Remote Sensing，2009，47(1)：202-213.

[12] KROGAGER E.New decompostion of the radar target scattering matrix[J].Electonics Letters，1990，26(18)：1525-1526.

[13] YAMAGUCHI Y，YAJIMA Y，YAMADA H.A four-component decomposition of POLSAR images based on the coherency matrix[J].IEEE Transactions on Geoscience and Remote Sensing，2006，3(3)：292-296.

[14] 冯琦.基于SVM的多时相极化SAR影像土地覆盖分类方法研究[D].北京：中国林业科学研究院，2012.

[15] CLOUDE S R，POTTIER E.A review of target decomposition theorems in radar polarimetry[J].IEEE Transactions on Geoscience and Remote Sensing，1996，34(2)：498-518.

[16] 朱述龙，朱宝山，王红卫.遥感图像处理与应用[M].北京：科学出版社，2006.

Accuracy Analysis of Fully Polarimetric SAR for Land Cover Classification

YANG Jing，SU Cai-xia，CAO Yong-feng

(SchoolofMathematicsandComputerScience，GuizhouNormalUniversity，Guiyang550000)

Because different features of the fully polarization SAR data combination get a different land cover classification result，this paper uses NLCD land cover classification results as a reference analyzing the fully polarization SAR data land cover classification accuracy.We select a suitable classification method with classification accuracy as a guideline，and then analysis the influence of different decomposition combination and band combination on the classification results.At the same time，classification results of the TM data imaging during the same period are given as a comparison.The results show that an effective decomposition combination can improve the overall classification accuracy and there is a information redundancy and complementary relationship between different decomposition characteristics of SAR data；we should consider its impact on the classification results when using band combination to classify land cover.Band combination classification has got the highest overall classification accuracy of 71.6% and Kappa coefficient of 0.6，which shows that the fully polarization SAR data，especially in class of woody wetlands，can achieve good classification quality.

fully polarization SAR；land cover classification；target decomposition；accuracy analysis；feature combination

2014-07-07

2014-09-05

国家自然科学基金(41161065、40901207)；贵州省科学技术厅、贵州师范大学联合科技基金资助项目(黔科合J字LKS[2013]28号)。

杨靖(1989—)，男，硕士研究生，主要从事遥感图像计算机处理与解译方面的研究。

E-mail：23117300@163.com

曹永锋(1976—)，男，教授，主要从事SAR图像处理与解译研究。

E-mail：yongfengcao.cyf@gmail.com

10.3969/j.issn.1000-3177.2015.05.014

TP75

A

1000-3177(2015)141-0088-06