基于Freeman分解和雷达植被指数的极化SAR图像分类

李成绕，贾诗超，薛东剑

（1.成都师范学院史地与旅游学院，成都 611130；2.成都理工大学地球科学学院，成都 610059）

合成孔径雷达具有全天时、全天候的特点，且由于波段较长，所以不受云量和降水的影响。对植被会依据不同的发射波长，而有不同的穿透深度，这些特点最终决定了合成孔径雷达在遥感领域的重要研究价值［1-3］。随着近几十年的快速发展，SAR已经成为热门研究领域，特别是极化SAR应用。极化SAR可以接受丰富的地物散射信息，基于这些散射信息可以获取地面信息。

极化SAR应用最主要的是先把这些地物信息进行分离，然后才可以应用在不同研究方向中，所以极化分解很重要，也是研究的重点之一。自1970年Huynen［4］首次提出分解理论之后，很多重要的分解理论被提出，如Cloude分解、Krogager分解、Ymaguchi分解和Freeman分解等［5-8］。这些分解可以分为两类，相干分解和非相干分解，本研究使用的Freeman分解属于非相干分解。相对于其他分解方法，Freeman分解更符合地物的散射机制，对地物散射特征描述地更加充分。Freeman分解将地物分为三类散射机制：体散射、面散射和二面角散射。如植被体中主要发生体散射，水面主要是面散射，而建筑物是以二面角散射为主。研究提取了雷达植被指数，以此提高植被的分类精度，综合这些参数进行SVM分类，并与Wishart监督分类比较，分类精度用Kappa系数表示，进一步证明该方法的良好性能。

1 预处理和特征提取

1.1 预处理

试验数据为NASA/JPL实验室获取AIRSAR数据［8，它是机载合成孔径雷达，数据位于美国的旧金山区域，该数据已经过多视处理，图像大小为767×833像素，如图1所示。经过多视处理后的图像更利于解读，也方便后面的分类处理。除了多视处理外，还需要对图像进行滤波处理，因为SAR图像受到相干斑噪声的影响很大。

图1 研究区原始图像

SAR成像系统是基于相干原理，所以在雷达回波信号中，相邻像素点的灰度值会由于相干性而产生一些随机的变化，并且这种随机变化是围绕着某一均值进行的，这样就在图像中产生了斑点噪声。对于相干斑噪声已经有很多滤波方法，如中值滤波、Lee滤波、Sigma滤波等。试验选择的是精致Lee滤波［9］，滤波窗口的大小为5×5，滤波后的图像如图2所示。

图2 精致Lee滤波后图像

1.2 特征提取

Freeman分解是1998年Freeman和Durden在van Zyl的研究基础上提出的一种三分量散射模型，它的主要思路是将极化协方差矩阵分解为3种主要的散射机理。体散射、面角散射和二面角散射的散射功率分别为Pv、Ps、Pd。

其中，fv，fs，fd分别为体散射、面角散射和二面角散射分量，如图3a、图3b、图3c所示。图3a中植被和城区都高亮显示，而海面则是黑色，说明分解的体散射可以很好地提取出植被和城区的信息。由图3b可以看出，主要提取的是海面，部分为城区。图3c的二面角散射主要表现在城区，因为城区的建筑会形成二面角的结构，有利于二面角散射，由此可以得出Freeman分解的二面角散射便于城区信息提取。综合来看，Freeman分解对地物的后向散射特征描述得很详细。

雷达植被指数表征散射随机性［10］可以用来描述植被的冠层特征。研究区植被覆盖较多，以此验证RVI的有效性。

式中，λ1、λ2、λ3分别为3个子相干矩阵的特征值。当RVI=4/3时，为细圆柱体，单调递减到0时，为粗圆柱体，如图3d所示，植被的散射信息熵很高，显示为红色，红色区域越大，说明植被的覆盖度越大。

图3 训练样本和分类结果

2 结果与分析

试验的所有操作都是在PolSARpro_4.2版本中操作，相应的软件可以在欧空局的官网下载。经过上面的滤波处理和特征提取后，获得了Freeman散射的三参数和RVI，除了主要的4个参数外，也提取相干矩阵T3的对角线参数（T11，T22，T33）和极化总功率Span参数。组合这些参数应用于SVM分类器中，就可以得到极化SAR的分类结果。将这些参数分为两组，（1）Pv、Ps、Pd、T11、T22、T33、Span、RVI；（2）第二种方法相对于（1）少了RVI，这样可以比较得出RVI对植被分类的有效作用。再进行Wishart监督分类，作为第三种方法，可以比较SVM分类和Wishart分类效果。且3种方法所选择的训练样本相同，图4为训练样本和分类结果。图4a选择的训练样本中红色为城区，共8 558个像素；绿色为植被，共9 452个像素；蓝色为海洋，共9 732个像素。比较图4的分类结果发现，图4b、图4c不同地物之间的界限很明显，而图4d中错分现象严重，如在图4d的右上方出现海洋被误分为城区，另外桥的两边出现海洋误分为植被，因此可以得到基于SVM的分类效果明显高于Wishart监督分类。但是组合1方法和组合2方法之间很难直观地看出RVI对分类的影响，所以需要相应的分类精度做定量分析。

图4 特征参数

从表1可以发现，Wishart监督分类Kappa系数低于组合1方法4.49个百分点，进一步证明基于SVM的分类效果更优越。观察组合1方法和组合2方法发现，Kappa系数相差不大，仅0.92个百分点，但是植被分类精度却相差1.93个百分点，城区之间的精度变化也不大，说明RVI在植被分类中的有效性。相对于城区和植被而言，海洋的分类精度一直很高，主要是因为研究区中的海洋面积较大，且边界明显，更有利于分类。从总体分类精度上来看，组合1方法的分类精度也是最好，相对另外两种方法分别高0.60、2.60个百分点。

表1 图像分类精度 （单位：%）

3 结论

试验通过Freeman分解得到3个散射机制，且提取雷达植被指数，将其组合在一起进行SVM分类，并与Wishart监督分类进行比较。结果表明，基于SVM分类器的分类结果明显高于Wishart监督分类结果；对组合1方法和组合2方法进行比较发现，在分类过程中加入RVI可以明显提高植被的分类精度，所以选用组合1方法对极化SAR分类效果具有一定的研究意义。