基于特征值和Singh分解的全极化Radarsat-2图像分类

曲永超，赵书河,3，庄喜阳，姜腾龙，张 宇

（1.南京大学 地理与海洋科学学院，江苏 南京 210023；2.江苏省地理信息技术重点实验室，江苏 南京210023；3.江苏省地理信息资源开发与利用协同创新中心，江苏 南京 210023；4.济南市环境监测中心站，山东 济南 250014；5.78125部队，四川 成都 610066）

基于特征值和Singh分解的全极化Radarsat-2图像分类

曲永超1,2，赵书河1,2,3，庄喜阳1,2，姜腾龙4，张 宇5

（1.南京大学 地理与海洋科学学院，江苏 南京 210023；2.江苏省地理信息技术重点实验室，江苏 南京210023；3.江苏省地理信息资源开发与利用协同创新中心，江苏 南京 210023；4.济南市环境监测中心站，山东 济南 250014；5.78125部队，四川 成都 610066）

基于模型的分解发展较快，但存在负功率、体散射过估计、未充分利用相干矩阵等问题，考虑到基于模型分解的优点，采用Singh分解提取极化信息，同时用散射角、极化熵和极化总功率进行补充，再利用SVM对山东禹城地区全极化Radarsat-2数据进行分类。为验证该方法的有效性，将其与H/α/A-Wishart和Yamaguchi-SVM两种分类方法进行比较。结果表明，该方法分类效果较好，总体精度分别提高了6.4%和3.48%。

全极化SAR图像分类；Singh分解；Cloude分解；极化总功率；SVM

非相干极化分解是全极化SAR图像分类的重要方法之一，近年来得到广泛应用[1-6]。非相干极化分解主要有基于特征值分解和基于模型分解两大类[7-13]。基于模型的分解得到几种确定的散射机制，但是这是一种理想化的处理，实际情况常常包含未知的散射机制。近年来，基于模型的分解有较多进展。2010年An[14]等提出一种采用去方位处理的分解，降低了负功率出现的概率，但是仅利用了相干矩阵中的6个元素；2012年Arii[15]等用极化方位补偿改进了自适应的体散射模型，能够应对植被和地形的影响，但是分解的结果不符合部分观测值；

2014年Chen[16]等利用了相干矩阵中的全部元素，但是为了实现自适应，计算复杂度非常高。本文采用Singh分解[17]，该方法不依赖反射对称假设，并且计算了相干矩阵中的全部参数，充分利用了极化信息[18]。

1 研究区与数据

研究区位于山东省西北部，覆盖禹城市大部，齐河县部分面积，平均海拔28 m。该市地形自西南向东北缓缓倾斜，属典型的冲积平原地质区。禹城地区属于暖温带半湿润季风气候区，光热资源丰富，雨热同期，利于农业生产，多年平均温度13.1℃，年降水量582 mm。其自然条件和农业生产模式在黄淮海平原具有一定代表性，主要土地覆盖类型为耕地、林地、水体和居民地等。辖区内种植的主要作物为冬小麦和玉米（两季轮作），冬小麦种植比例高达 90%。正常情况下，冬小麦播种期是 10 月上旬，收获期为次年 6 月中上旬。研究数据获取时间在6月中旬，正值冬小麦收割完毕。因此，耕地上主要是冬小麦的残茬。作物茬作为农田生态系统的重要组成部分，影响着农田生态系统中的营养物质、碳、水和能量的流动与循环[19-20]。

本文实验采用全极化Radarsat-2数据。Radarsat-2是一颗搭载C波段传感器的高分辨率商用雷达卫星，由加拿大太空署与MDA公司合作，于2007-12-14在哈萨克斯坦拜科努尔基地发射升空。极化方式为HH、VV、HV、VH四种，波段为C波段，分辨率为8 m，获取时间为2014-06-17。图1为研究区Pauli RGB合成图。

采用30 m分辨率DEM进行地理编码处理，DEM数据是由ASTER GDEM第一版本的数据进行加工得来，数据时间为2009年，数据类型为IMG，投影为UTM/WGS84。

图1 Pauli RGB合成图

2 研究方法

首先对Radarsat-2数据进行预处理，包括多视处理、图像滤波和地理编码3个步骤；然后对数据进行Singh分解，得到表面散射、二面角散射、体散射、螺旋体散射4种散射机制；随后进行Cloude分解以及矩阵元素计算，得到散射角、极化熵和极化总功率；最后利用SVM进行分类，得到分类结果。研究方法流程如图2所示。

图2 研究方法流程

2.1 数据预处理

首先对Radarsat-2数据进行多视处理，比例为5：2，使得该数据更适于分析分布式目标。然后对图像进行滤波，本文采用Lee Refined滤波器，尝试3×3、5×5、7×7的窗口，通过对比其结果发现3×3窗口能够除去部分噪声，并能够保持较为清晰的地物边界。最后，对图像进行地理编码，采用30 m分辨率DEM赋予图像投影和坐标系统，处理后的图像分辨率为15 m。

2.2 Singh分解

相干矩阵T可以表示为：

式中，†表示共轭转置； 〈.〉表示统计平均；kp为Pauli矢量，其表达式为：

酉变换之后极化信息得以完整保存，为了减少参数并保存完整极化信息，需要对T进行两次酉变换：

此时，T23被消除。

第1次酉变换：

酉旋转矩阵：

第2次酉变换：

酉旋转矩阵：

然后对式（6）进行四分量分解得到表面散射P、s偶次散射Pd、体散射Pv和螺旋体散射Pc。

式中，fs、fd、fv、fc为相关系数。

由此得到，

若体散射由定向二面角散射引起，则体散射模型为：

由此得到，

最终得到，

2.3 Cloude分解和极化总功率

首先，通过Cloude分解得到散射角α、极化熵H。α用于确定目标的散射机制；H用于表征目标散射机制的复杂度，H越大，则目标散射机制越复杂，反之亦然。然后通过矩阵元素计算得到极化总功率SPAN。

2.4 分类

选取α、H、Singh分解的4个分量以及SPAN作为分类特征；选取SVM作为分类器，核类型（kernel type）为径向基函数，Gamma值为0.143，惩罚系数为100；训练样本是依据Pauli RGB合成图和Google Earth图像选取的。

3 对比实验

分类结果如图3a、b所示。根据研究区土地覆盖的主要类型，分成耕地、林地、居民地、水体4类。研究区中，耕地和居民地占很大比例且分布很广，林地和水体所占比例较小。因为图像获取的时间正值冬小麦收割完毕，农田里主要是作物茬，其有一定高度，但只有茎秆没有枝叶，与低矮灌丛接近，又与裸地类似，所以耕地既有表面散射，也有体散射；林地的主要散射机制是体散射；居民地既有表面散射也有二面角散射，表面散射主要发生在建筑物顶部，二面角散射主要发生在建筑物立面与地面邻接之处；水体的主要散射机制是表面散射。

选择了H/α/A-Wishart、Yamaguchi-SVM两种常规方法进行对比，图3a和b、c相比，林地较少，比较符合研究区的实际情况；图3d和e、f相比，右侧边缘没有水体，而这两种方法都把其他地类错分成水体，其中H/α/A-Wishart错分现象更为严重。从混淆矩阵来看（如表1所示），本文方法耕地错分成林地、居民地错分成林地的比例分别是6.23%和9.14%；而H/ α/A-Wishart耕地错分成林地、居民地错分成林地的比例分别是12.52%和15.04%；Yamaguchi-SVM耕地错分成林地、居民地错分成林地的比例分别是7.01%和14.30%。本文方法林地错分成水体的比例是0.43%；H/α/A-Wishart耕地错分成水体和居民地错分成水体的比例分别是3.61%和1.55%；Yamaguchi-SVM耕地错分成水体的比例是2.21%。其他地类的错分情况，3 种方法没有显著区别。

图3 分类结果对比

H/α/A-Wishart是一种非监督分类方法，它将图像聚成16类，再对图像进行复Wishart迭代分类[21-22]。其分类结果很大程度上取决于初始聚类的准确性。与本文方法相比，该方法将耕地错分成林地、居民地错分成林地、耕地错分成水体、居民地错分成水体的比例分别高出6.29%、5.90%、3.61%和1.55%。其原因是，散射角和极化熵不直接与散射机制对应，造成对体散射和二面角散射的区分存在界限不清的问题。换言之，Cloude分解用散射角和极化熵表征各种散射机制，散射角表征散射机制的种类，通常认为一定范围的散射角属于表面散射、二面角散射或体散射。但是对于范围的界定具有一定的经验性和主观性。

表1 混淆矩阵和总体精度/%

Yamaguchi-SVM分类结果中，居民地错分成林地的比例比本文方法增加5.16%。因为Yamaguchi分解中的体散射模型假设体散射来自植被，实际上体散射也可以由定向二面角散射引起。而Singh分解有一定的自适应能力，所以这种错分相对较少。

4 结 语

本文针对两类非相干分解各自特点和近年来基于模型的分解研究进展，采用一种Singh-Cloude-SPAN-SVM分类方法。该方法在小样本的情况下，利用Singh分解获得表面散射、二面角散射、体散射和螺旋体散射，解决了目标散射机制的基本判定，同时加入Cloude分解得到的散射角和极化熵对未知散射机制进行描述，另外加入总功率对空间信息进行描述，最后利用SVM进行分类。结果表明该方法与H/α/A-Wishart、Yamaguchi-SVM分类方法相比，错分现象减少，总体精度分别提高了6.4%和3.48%，证明了该方法对于山东禹城地区全极化Radarsat-2数据有良好的分类效果。

[1] Lee J S,Pottier E.Polarimetric Radar Imaging from Basic to Application [M].NewYork∶CRC Press,2011

[2] Da Silva A D Q,Paradella W R,Freitas C C,et al.Evaluation of Digital Classification of Polarimetric SAR Data for Ironmineralized Laterites Mapping in the Amazon Region[J].Remote Sensing,2013,5(6)∶3 101-3 122

[3] Ullmann T,Lumsdon P,Poncet F V,et al.Application of Quadpolarimetric TerraSAR-X Data for Landcover Characterization in Tropical Regions∶a Case Study in South Kalimantan,Indonesia[C].Geoscience and Remote Sensing Symposium,2012

[4] 孙盛,田金文,温雯,等.基于四分量模型的极化SAR图像非监督分类[J].计算机工程与设计,2013,34(7)∶2 436-2 440

[5] Shastri B P,Mehta R L,Mohan S,et al.Assessment of SAR Polarimetric Decompositions for Land Cover Studies[J].Journal of Geomatics,2015,9(1)∶48

[6] XUE X,DI L,GUO L,et al.An Efficient Classification Method of Fully Polarimetric SAR Image Based on Polarimetric Features and Spatial Features[C].4th International Conference on Agro-Geoinformatics,Turkey,2015

[7] Lee J S,Ainsworth T L,WANG Y.Generalized Polarimetric Modelbased Decompositions Using Incoherent Scattering Models[J]. Geoscience and Remote Sensing,2014,52(5)∶2 474-2 491

[8] VanZyl J J,Kim Y.Synthetic Aperture Radar Polarimetry[M]. John Wiley & Sons,2011

[9] Cloude S R.An Entropy Based Classification Scheme for Polarimetric SAR Data[C].Geoscience and Remote Sensing Symposium,Quantitative Remote Sensing for Science and Applications' ,1995

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

[11] Freeman A,Durden S L.A Three-component Scattering Model for Polarimetric SAR Data[J].Geoscience and Remote Sensing,1998,36(3)∶963-973

[12] Yamaguchi Y,Moriyama T,Ishido M,et al.Four-component Scattering Model for Polarimetric SAR Image Decomposition[J]. Geoscience and Remote Sensing,2005,43(8)∶1 699-1 706

[13] Yamaguchi Y,Yajima Y,Yamada H.A Four-component Decomposition of PolSAR Images Based on the Coherency Matrix[J].Geoscience and Remote Sensing, 2006,3(3)∶292-296

[14] AN W,CUI Y,YANG J.Three-component Model-based Decomposition for Polarimetric SAR Data[J].Geoscience and Remote Sensing,2010,48(6)∶2 732-2 739

[15] Arii M,VanZyl J J,Kim Y.Improvement of Adaptivemodel Based Decomposition with Polarization Orientation Compensation[C].Geoscience and Remote Sensing Symposium,2012

[16] CHEN S W,WANG X S,XIAO S P,et al.General Polarimetric Model-based Decomposition for Coherency Matrix[J]. Geoscience and Remote Sensing,2014,52(3)∶1 843-1 855

[17] Singh G,Yamaguchi Y,Park S E.General Four-component Scattering Power Decomposition with Unitary Transformation of Coherency Matrix[J].Geoscience and Remote Sensing,2013, 51(5)∶3 014-3 022

[18] FANG C,WEN H,WU Y R.An Improved Cloude-Pottier Decomposition Using H/α/Span and Complex Wishart Classifier for Polarimetric SAR Classification[C].International Conference on Radar,2006

[19] Singh L,Singh J.Assessment of Crop Residue Potential for Power Generation Using Geographical Information System[J].Journal of Scientific & Industrial Research,2015,74∶34-37

[20] Medina J,Monreal C,Barea J M,et al.Crop Residue Stabilization and Application to Agricultural and Degraded Soils∶a Review[J]. Waste Management,2015(42)∶41-54

[21] Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised Classification Using Polarimetric Decomposition and the Complex Wishart Classifier[J].Geoscience and Remote Sensing,1999,37(5)∶2 249-2 258

[22] Pottier E.Unsupervised Classification Scheme and Topography Derivation of PolSAR Data Based on the H/α/A Polarimetric Decomposition Theorem[C]. 4th International Workshop Radar Polarimetry Proceedings,Nantes,1998

P237

B

1672-4623（2016）05-0060-04

10.3969/j.issn.1672-4623.2016.05.019

曲永超，硕士，主要从事全极化SAR图像处理和遥感图像分类方面的研究。

2016-01-06。

项目来源：国家重点基础研究发展计划资助项目（2010CB951503）；中国科学院战略性先导科技专项资助项目（XDA05050106）。