一种结合纹理特征的极化SAR图像分类方法★

黄鹏艳 范永良

(1.洛阳理工学院土木工程学院，河南洛阳 471000; 2.中航光电科技股份有限公司，河南洛阳 471000)

0 引言

合成孔径雷达(SAR)技术与系统已从单波段、单极化逐步发展到多波段、全极化［1］。全极化SAR(PolSAR)图像中蕴含的信息丰富，利用从图像中获取的特征向量对PolSAR图像进行分类逐渐成为研究热点，而最常见的方式是利用极化特征向量进行分类［2］。通过目标分解的方法对图像的散射数据提取参数构成极化特征向量［3］。此外，PolSAR图像中蕴含着丰富的纹理信息［4］，纹理特征是一种重要的视觉特征，可以表现地物目标在结构排列和地表粗糙度上的一些特点，极化特性相似的地物可通过不同的纹理特征得到进一步划分。对获取的极化SAR灰度图提取纹理特征参数构成纹理特征向量，与提取的极化特征向量相结合用于PolSAR图像分类。因此，本文研究加入纹理特征的PolSAR图像分类，给出了两种特征向量的提取和组合过程，并采用支持向量机(SVM)方法进行分类［5，6］。本文以湖北咸宁地区的PolSAR数据为例进行分类实验，对在不同特征向量下分类精度进行分析，以证明纹理特征与极化特征结合用于极化SAR图像分类可以提高PolSAR图像分类精度。

1 算法原理

地物的极化特征是基于目标散射属性的特征，能与目标的结构形状特征很好地联系，可通过目标分解［3］的方法得到用于Pol-SAR图像分类。极化特征是PolSAR图像分类最常使用的特征，但它也有一定的限制。极化信息是基于像素级别的描述，不能利用图像的统计知识信息，限制了相似的地表类别的区分能力，所以在反映图像的空间分布特征和细节表现上能力有限。纹理特征是一种视觉特征［4］，可以表现地物目标在结构排列和地表粗糙度等表面信息。从图像中提取纹理信息并将其与极化特征相结合用于图像分类中，使得图像中蕴含着的极化、纹理不同类型的参数综合发挥分类功能，提供区别多种地物类别的多方面分类信息，提高分类精度。

1.1 极化特征提取

极化目标分解是基于切合实际的物理约束解译目标的散射机制，不同的目标分解方法从不同角度对基础散射机制进行物理解释。Pauli分解是一种经典的相干极化目标分解方法，可得到|a|2，|b|2，|c|2特征参数，分别表示单次散射、二面角散射、不对称分量的散射能量。Krogager分解得到ks，kd，kh特征参数，分别表示球、二面角、螺旋体的散射能量。Cloude-Pottier分解［7］使用最广泛，可得到如下参数:极化散射参数珔α，珔β，珋δ，珔γ;各项异性度A提供了相对较弱的两个散射分量之间的大小关系;极化散射熵H描述各种不同散射类型在统计意义上的无序性;λ1，λ2，λ3表示各散射机制的权重。Yamaguchi分解得到 Ps，Pd，Pv，Pc四个参数分别对应表面散射、二次散射、体散射、螺旋体散射的功率，对人造目标有独特的识别能力。综合利用Pauli，Krogager，Cloude-Pottier，Yamaguchi四种目标分解方法得到的参数构成极化特征向量，如式(1)所示。

1.2 纹理特征提取

提取纹理特征值的方法有多种，本文采用灰度共生矩阵法［8］。纹理特征参数较多，其中，对比度反映图像局部灰度变化，水体和建筑物与周围地物灰度变化明显，对比度图像中表现为较亮区域;相异性表征纹理之间的差异性，能将地物的边缘信息提取出来;信息熵的大小表示图像纹理的复杂度，建筑物和水体的纹理较为简单，熵值较小，熵图像表现为较暗;协同性能识别局部的相似纹理信息;均值反映图像灰度的均匀性，水域、道路、建筑物区域的灰度较为均匀，在均值图像上表现为较高的亮度;一致性反映图像局部纹理的一致性，水域的纹理一致性最为突出。分别用 CON，DIS，ENT，HOM，MEA，UNI来表示以上六个纹理特征参数。将六个纹理特征参数组成纹理特征向量如式(2)所示。

1.3 基于极化和纹理特征向量的SVM分类

1)对PolSAR数据进行滤波处理以降低相干斑噪声的影响，同时保持图像的边缘信息和细节信息。

2)对滤波处理后的PolSAR数据进行多种极化目标分解，组成极化特征向量v。

3)提取纹理特征值，组成纹理特征向量vt。

4)极化特征向量与纹理特征向量进行组合，构成新的特征向量v+vt。

5)分别利用特征向量v和v+vt进行分类，并对比分类精度。

2 分类实验

2.1 实验数据

本文选用湖北咸宁地区在2013年4月12日采集的全极化数据进行实验，数据采集传感器为 Radarsat-2，为 C波段(37.5 mm～75 mm)成像的SLC数据，距离向分辨率为4.73 mm，方位向分辨率为4.96 mm。实验图像为HH，HV，VH，VV四个极化通道的灰度图，提取纹理参数需提供的总功率SPAN图像。为对比分析分类精度还提供同一研究区域的分辨率较高的光学影像图。四个极化通道灰度图像、总功率灰度图、光学影像图如图1所示。

图1 实验数据

在全极化SAR图像中，纯净的水体介电常数非常高，几乎不能被电磁波穿透，研究区域风浪一般较小，粗糙度小，平静的水面易发生镜面反射，图像上表现为较暗的区域。道路的特点为质地坚硬，表面平坦光滑，细长型，散射机制为镜面反射，标准高度差小，图像上表现为较暗区域。建筑物为强散射体，表现为偶次散射，图像上表现较亮。高矮不同的植被表现为体散射。裸地由于受到含水量和表面粗糙度的影响，散射过程较为复杂。本文中将试验区域的地物类别分为五类，即水域、道路、建筑、植被、裸地。

2.2 提取特征向量

在3×3窗口下采用极化LEE滤波对实验数据进行滤波去噪，之后进行极化目标分解，按照式(1)构成极化特征向量v。对总功率SPAN灰度图，按照式(2)构成纹理特征向量vt。极化特征向量v与纹理特征向量vt结合构成组合特征向量v+vt。

2.3 分类结果及对比分析

使用SVM分类方法，分别利用v和v+vt对实验数据进行分类，结果如图2所示。

图2 分类结果

与分辨率较高的光学影像进行对比可以看出，仅利用极化特征向量v的分类结果(见图2a))，五种地物类别区域虽大致得到划分，但区分度较差。加入纹理特征向量v+vt的分类效果(如图2b)所示)较好，地物区分明显，水域边缘、道路等细节信息清晰。对分类结果进行定量分析，计算混淆矩阵得到分类精度，利用v和v+vt的分类精度对比如图3所示。

极化特征向量v的分类精度为88.60%，加入纹理特征的特征向量v+vt的分类精度为95.87%，精度增长7.27%。对于道路，仅使用极化信息难以识别道路这种细长的地物，分类精度仅为72.92%，加入纹理特征参数后，道路的分类精度提高为90.97%;植被散射过程复杂，裸地与道路、建筑物具有相似的散射性，仅利用极化特征分类时植被和裸地的精度较低，分别为87.65%和89.36%，加入纹理特征向量后，植被和裸地的分类精度提高为96.61%和97.08%;水域和建筑物是强散射体，仅利用极化信息已经能将其很好地分类识别，纹理特征的加入使其分类精度小幅度提升。

图3 分类精度对比

3 结语

1)本文通过将纹理特征向量和极化特征向量相结合，进行PolSAR图像分类方法的研究，阐述了算法原理并进行了实验验证。实验结果表明，与仅利用极化特征向量相比，纹理特征向量的加入充分挖掘了隐藏在灰度图像上的信息，改善了散射特性类似的地物之间的区别能力，使得总分类精度提升了7.27%。

2)纹理特征的加入对各类地物的识别均有促进作用。水域和建筑物这种强散射体仅利用极化特征的分类精度已经很高，纹理特征的加入使得这两者的分类精度小幅提升，而对散射特性不明显的道路，植被，裸地，纹理特征的加入使得其分类精度显著增加。