綜合多特征的高分辨率極化SAR圖像分割

劉修國(guó),陳 奇,陳啟浩,徐 喬

(中國(guó)地質(zhì)大學(xué)(武漢)信息工程學(xué)院,湖北武漢430074)

綜合多特征的高分辨率極化SAR圖像分割

劉修國(guó),陳 奇,陳啟浩,徐 喬

(中國(guó)地質(zhì)大學(xué)(武漢)信息工程學(xué)院,湖北武漢430074)

針對(duì)高空間分辨率全極化數(shù)據(jù)的特點(diǎn),基于分形網(wǎng)絡(luò)演化分割算法框架,本文提出了一種綜合K分布統(tǒng)計(jì)特征、Pauli分解特征和空間形狀特征的高分辨率全極化SAR圖像分割方法。該方法采用對(duì)數(shù)似然函數(shù)定義K分布統(tǒng)計(jì)特征異質(zhì)度,對(duì)Pauli分解特征加權(quán)定義極化分解特征異質(zhì)度。在此基礎(chǔ)上,綜合統(tǒng)計(jì)、極化分解和形狀特征構(gòu)建對(duì)象相似性準(zhǔn)則,建立高分辨率全極化SAR圖像多特征綜合分割流程。通過模擬數(shù)據(jù)和ESAR全極化數(shù)據(jù)實(shí)驗(yàn)并與其他分割方法比較,驗(yàn)證了本文分割方法的有效性。

極化合成孔徑雷達(dá);分割;高分辨率;K分布;分形網(wǎng)絡(luò)演化算法

0 引 言

分割是合成孔徑雷達(dá)(synthetic aperture radar,SAR)圖像分析的一個(gè)重要且持續(xù)發(fā)展的手段,準(zhǔn)確的分割對(duì)后續(xù)地物分類和地表參數(shù)提取具有重要意義。高分辨率全極化SAR圖像的空間紋理信息豐富,而且相干斑噪聲使得地物邊界模糊,利用單一的特征難以準(zhǔn)確分析和提取信息。多特征綜合分割是解決該問題的有效方法之一,目前相關(guān)的研究主要考慮統(tǒng)計(jì)特征和空間信息等的利用。

____綜合利用統(tǒng)計(jì)特征方面,多視極化SAR協(xié)方差矩陣或相干矩陣一般采用Wishart建模,基于Wishart分布推導(dǎo)出的最大似然距離[1]、似然比檢驗(yàn)距離[2]、修正的Wishart距離[3]等已廣泛應(yīng)用到全極化SAR圖像的分割和分類中。然而,隨著空間分辨率的提高,Wishart分布模型難以描述紋理豐富的非均質(zhì)地表?；诔朔e模型的K分布[4]由于具有很好的物理意義,能有效對(duì)非均質(zhì)區(qū)建模。已有學(xué)者將其應(yīng)用于全極化SAR圖像的分割和分類并證明了其優(yōu)勢(shì)。文獻(xiàn)[5]根據(jù)最大似然估計(jì)推導(dǎo)出對(duì)象間的K分布相似性準(zhǔn)則并利用凝聚的層次聚類法對(duì)極化SAR圖像進(jìn)行分割;文獻(xiàn)[6]利用K分布對(duì)協(xié)方差矩陣建模,并采用有限混合模型進(jìn)行聚類。

綜合利用空間信息方面,馬爾可夫隨機(jī)場(chǎng)由于可以較好地描述鄰域信息,已被用于全極化SAR圖像分割[7[10]。一些學(xué)者將其引入到全極化SAR圖像分割,分別將形狀特征與H/α/A分解特征[11]、Freeman分解特征[12]、Pauli分解特征[13]、針對(duì)建筑目標(biāo)的多個(gè)極化特征[14]綜合進(jìn)行分割。這類方法取得了不錯(cuò)的分割效果,但主要是利用目標(biāo)分解特征和功率進(jìn)行分割,而沒有考慮高分辨率全極化SAR協(xié)方差矩陣或相干矩陣特有的統(tǒng)計(jì)特性進(jìn)行分割。

本文針對(duì)高空間分辨率全極化SAR圖像空間形狀和紋理信息豐富的特點(diǎn),考慮到對(duì)圖像的相干斑統(tǒng)計(jì)、極化目標(biāo)分解參數(shù)和空間形狀等多方面特征的充分利用,在分形網(wǎng)絡(luò)演化分割理論的基礎(chǔ)上,提出一種綜合多特征的高分辨率全極化SAR圖像分割方法。該方法基于相干矩陣的K分布假設(shè)構(gòu)建統(tǒng)計(jì)特征相似性準(zhǔn)則,利用相干矩陣的Pauli分解構(gòu)建極化分解特征相似性準(zhǔn)則,然后建立全極化SAR圖像多特征綜合分割流程,并通過模擬數(shù)據(jù)和高分辨率ESAR全極化數(shù)據(jù)驗(yàn)證了本文方法的有效性。

1 高分辨率全極化數(shù)據(jù)K分布

高空間分辨率全極化數(shù)據(jù)中目標(biāo)的紋理細(xì)節(jié)豐富,分辨單元內(nèi)的子散射子的數(shù)目較少,不再滿足高斯模型假設(shè),特別是在非均質(zhì)的城區(qū)和林地,更適宜采用非高斯的乘積模型進(jìn)行建模。

1.1 多視極化數(shù)據(jù)K分布模型

在滿足互易定理的情況下,單站全極化SAR的散射矩陣經(jīng)Pauli基矢量化后可得:

式中,T表示轉(zhuǎn)置。為了減少相干斑的影響,需要進(jìn)行多視處理。多視相干矩陣定義為

式中,〈·〉表示取平均;l為視數(shù);H表示共軛轉(zhuǎn)置。

乘積模型將散射矢量表示為一個(gè)隨機(jī)變量的平方根和一個(gè)散射矢量的乘積:

式中,g是均值為1的標(biāo)量,用來描述地表紋理,反映了真實(shí)的雷達(dá)后向散射功率的空間變化;k'為完全發(fā)育的相干斑分量,服從多維復(fù)高斯分布。

由于紋理比相干斑在更廣范圍內(nèi)具有更高的空間相關(guān)性,因此在視數(shù)較小時(shí)可以假設(shè)紋理變量與i無關(guān),將式(3)代入式(2)中得:式中,多視矩陣T'服從復(fù)Wishart分布。

當(dāng)g服從伽馬分布時(shí),則多視相干矩陣T服從K分布[15]:

式中,Σ=E[kkH],表示相干矩陣的數(shù)學(xué)期望;Γ(·)為Γ-函數(shù);tr(·)和|·|分別表示矩陣的跡和行列式;Kv(·)為第二類修正的貝塞爾函數(shù);α為形狀參數(shù)。當(dāng)l=1時(shí)即為單視極化數(shù)據(jù)K分布;當(dāng)α→∞時(shí),T趨于Wishart分布。

K分布能有效對(duì)均質(zhì)區(qū)和非均質(zhì)區(qū)建模,已逐步應(yīng)用于極化SAR圖像的分割和分類中。

1.2 K分布模型參數(shù)估計(jì)

模型中參數(shù)的估計(jì)直接關(guān)系到分布模型擬合的效果。Σ為相干矩陣的期望值,其估計(jì)值^Σ可以由樣本的平均值來估算:

由于實(shí)際數(shù)據(jù)之間存在著空間相關(guān)性,式(5)中的視數(shù)l應(yīng)由等效視數(shù)代替,即參與多視平均時(shí)等效的獨(dú)立樣本個(gè)數(shù),一般比名義上進(jìn)行多視平均的視數(shù)要小。對(duì)于極化SAR數(shù)據(jù)的等效視數(shù)l和形狀參數(shù)α的估算方法目前有兩類,一類是對(duì)3個(gè)極化通道分別估算后取平均值;另一類是直接利用相干矩陣或協(xié)方差矩陣進(jìn)行估算[16]。后者利用了更多的極化信息,估算的效果更好。

本文極化SAR數(shù)據(jù)的等效視數(shù)的估算采用文獻(xiàn)[16]提出的矩陣對(duì)數(shù)累積量方法來估算,單站情況下,其估算式為

極化數(shù)據(jù)K分布的形狀參數(shù)α的估算也可以采用文獻(xiàn)[16]提出的矩陣對(duì)數(shù)累積量來估算,但該方法較復(fù)雜,計(jì)算量巨大;由于在后續(xù)的分割過程中需要反復(fù)的估算合并對(duì)象的形狀參數(shù),因此本文選擇文獻(xiàn)[17]提出的估算方法。該方法也是直接利用相干矩陣或協(xié)方差矩陣進(jìn)行估算且計(jì)算更為簡(jiǎn)單。單站情況下,估計(jì)值^α的估計(jì)式如下:

式中,var(·)表示求樣本的方差。

2 綜合多特征的全極化圖像分割

FNEA分割的基本思想為:利用分形迭代過程,按照相似性最大的合并準(zhǔn)則,從像素開始合并滿足條件的兩相鄰對(duì)象。對(duì)象是由特征相似、空間聚集的像素所構(gòu)成的像素集合。理想的分割結(jié)果要求對(duì)象被合并到與之最相似的鄰近對(duì)象中,這滿足對(duì)象異質(zhì)度均值最小的分割結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)。

因此,合并前后異質(zhì)度的變化是對(duì)象相似性描述的一個(gè)重要指標(biāo)。設(shè)對(duì)象的異質(zhì)度為h,對(duì)象內(nèi)像素個(gè)數(shù)為n,則兩個(gè)相鄰對(duì)象的相似性可由異質(zhì)度的變化Δh描述:

式中,下標(biāo)1,2和m分別代表合并前相鄰的對(duì)象1、對(duì)象2和合并后的新對(duì)象m,下同。顯然Δh越小,則相鄰兩對(duì)象的相似性越高。

現(xiàn)有的分形網(wǎng)絡(luò)演化分割通過特征標(biāo)準(zhǔn)差和形狀參數(shù)構(gòu)建異質(zhì)度量測(cè)準(zhǔn)則,沒有考慮極化SAR協(xié)方差或相干矩陣特有的統(tǒng)計(jì)特征,解決綜合統(tǒng)計(jì)、極化分解和空間形狀等多特征分割的關(guān)鍵在于如何構(gòu)建新的綜合多特征的對(duì)象相似度測(cè)量準(zhǔn)則。

2.1 綜合相似性準(zhǔn)則

FNEA分割過程中關(guān)鍵步驟是對(duì)象間相似性的計(jì)算。高分辨率全極化SAR數(shù)據(jù)具有豐富的紋理信息、極化物理散射特征和空間特征,對(duì)象間的相似性包括統(tǒng)計(jì)特性、極化分解特征和空間形狀特征等多方面。

2.1.1 統(tǒng)計(jì)相似性準(zhǔn)則

FNEA分割過程中對(duì)象光譜特征異質(zhì)度是通過將對(duì)象中各個(gè)特征波段的標(biāo)準(zhǔn)差加權(quán)求和來得到的,該方法并沒有考慮數(shù)據(jù)的統(tǒng)計(jì)分布模型,且忽略了各個(gè)波段數(shù)據(jù)的相關(guān)性,因而不能完全利用極化SAR協(xié)方差矩陣或相干矩陣信息。為了有效的利用矩陣各方面的信息,有必要以矩陣為基本的處理單元,并考慮目標(biāo)的統(tǒng)計(jì)分布模型來定義對(duì)象間的統(tǒng)計(jì)相似性準(zhǔn)則。

本文采用文獻(xiàn)[5]提出的最大對(duì)數(shù)似然函數(shù)來計(jì)算對(duì)象的統(tǒng)計(jì)相似性。對(duì)象S的統(tǒng)計(jì)特性異質(zhì)度hstt可以用該對(duì)象中像素的最大對(duì)數(shù)似然函數(shù)來計(jì)算

FNEA分割過程中,每次融合兩個(gè)相鄰對(duì)象產(chǎn)生新的對(duì)象都會(huì)使對(duì)數(shù)似然函數(shù)值下降。將合并前后對(duì)數(shù)似然函數(shù)值下降最少的相鄰兩對(duì)象進(jìn)行合并。因此,不同于式(9),統(tǒng)計(jì)相似性準(zhǔn)則可以表示為

式中,統(tǒng)計(jì)異質(zhì)度h為對(duì)象的最大對(duì)數(shù)似然函數(shù),該值的計(jì)算需要事先給定對(duì)象的概率密度函數(shù),并且其參數(shù)由對(duì)象中像素按照式(6)～式(8)進(jìn)行估算。

由式(5)和式(10),可得對(duì)象S的K分布統(tǒng)計(jì)特征異質(zhì)度:

式中,ns為對(duì)象S內(nèi)的像素?cái)?shù)目。將式(12)代入式(11)中,可求得相鄰兩對(duì)象間統(tǒng)計(jì)相似性準(zhǔn)則Δhstt。

2.1.2 極化分解特征相似性描述

目標(biāo)分解參數(shù)是描述極化SAR圖像地物目標(biāo)的一類重要特征?？紤]到Pauli分解RGB合成圖作為極化SAR圖像的標(biāo)準(zhǔn)顯示方式,且分解后的3個(gè)分量功率對(duì)應(yīng)于相干矩陣對(duì)角線上的元素,不需要額外的分解算法,同時(shí)Pauli分解3個(gè)分量分別代表奇次散射、偶次散射和傾斜45°的二面角散射,也具有明顯的物理意義。因此本文利用Pauli分解后的特征計(jì)算極化分解特征異質(zhì)度。由于不同傳感器極化數(shù)據(jù)的極化分解功率特征存在一定差異,統(tǒng)一將Pauli分解的三分量拉伸到[0,255]范圍。

采用經(jīng)典的各功率特征標(biāo)準(zhǔn)差加權(quán)來計(jì)算極化分解功率異質(zhì)度,各功率權(quán)重相等,代入式(9)中,則極化SAR圖像對(duì)象間極化分解特征的相似性準(zhǔn)則Δhdec為

式中,σ1c,σ2c,σmc分別為第c個(gè)極化分解功率特征上合并前兩對(duì)象及合并后對(duì)象內(nèi)像素特征值的標(biāo)準(zhǔn)差。

2.1.3 形狀相似性準(zhǔn)則

形狀相似性采用兩對(duì)象合并前后形狀特征空間內(nèi)異質(zhì)度的變化來描述,從緊致度和光滑度兩種景觀生態(tài)測(cè)度來定義。緊致度hcmpct表征對(duì)象的緊湊程度,可描述為對(duì)象邊界周長(zhǎng)p與對(duì)象內(nèi)像素?cái)?shù)n的均方根之間的比率;光滑度hsmooth表征對(duì)象邊界的光滑程度,用對(duì)象邊界周長(zhǎng)p與最小外包矩形周長(zhǎng)b間的比率來描述。設(shè)緊致度的權(quán)重為wcmpct,wcmpct∈[0,1]。由式(9)可建立對(duì)象間形狀相似性準(zhǔn)則Δhshape:

2.1.4 綜合的相似性準(zhǔn)則

在統(tǒng)計(jì)、極化分解和形狀特征組成的多維特征空間內(nèi),兩相鄰對(duì)象的綜合相似性可以由3種相似性的加權(quán)和來計(jì)算。由于統(tǒng)計(jì)和極化分解特征相似性都是描述目標(biāo)對(duì)象內(nèi)在的相似性,形狀相似性是描述對(duì)象外在形狀特性。因此,先對(duì)統(tǒng)計(jì)和極化分解特征相似性加權(quán)后再與形狀相似性加權(quán)。

根據(jù)式(11)～式(14),設(shè)形狀相似性的權(quán)重為wshape, wshape∈[0,1],極化分解特征相似性的權(quán)重為wdec,wdec∈[0,1],則任意相鄰兩對(duì)象間的綜合相似性準(zhǔn)則Δhtol為

顯然,Δhtol越小表明對(duì)象間的相似性越大。

2.2 多特征綜合FNEA分割流程

由式(15),根據(jù)相似性最大的合并準(zhǔn)則從初始分割對(duì)象開始迭代合并滿足條件的相鄰對(duì)象,直到?jīng)]有對(duì)象合并為止即可實(shí)現(xiàn)綜合統(tǒng)計(jì)分布、空間形狀和極化分解特征的極化SAR圖像分割。每次迭代合并過程中都遍歷每個(gè)對(duì)象,計(jì)算相鄰兩對(duì)象間的綜合相似性Δhtol,并通過閾值ρ比較判斷是否合并生成新的對(duì)象。閾值ρ是尺度s的函數(shù),可以控制分割結(jié)果對(duì)象的大小和總數(shù)目。分割流程如圖1所示,主要步驟如下:

步驟1 設(shè)置分割參數(shù),包括尺度s、形狀和統(tǒng)計(jì)特征和極化分解特征權(quán)重;

步驟2 預(yù)分割生成初始對(duì)象;

步驟3 遍歷所有對(duì)象,對(duì)每個(gè)對(duì)象,按式(15)計(jì)算其與周圍相鄰對(duì)象間的相似性,取其最小值Δhmintol并判斷是否達(dá)到閾值ρ,若小于ρ則合并兩個(gè)對(duì)象生成新的對(duì)象;

步驟4 迭代步驟3直到相鄰兩次迭代沒有對(duì)象合并為止;

步驟5 生成對(duì)象多邊形,分割完成。

分割過程中對(duì)多特征的綜合利用,面臨以下幾個(gè)問題:①統(tǒng)計(jì)相似性的計(jì)算需要足夠的樣本(即對(duì)象內(nèi)的像素)進(jìn)行參數(shù)估計(jì),因而需考慮合適的初始分割;②如何平衡考慮各類特征權(quán)重。

圖1 綜合K分布、形狀和極化分解特征的分割流程

2.2.1 初始分割

統(tǒng)計(jì)特征的利用需要先確定K分布模型參數(shù)估計(jì)的最小樣本數(shù)目,樣本數(shù)過少會(huì)導(dǎo)致參數(shù)估計(jì)不穩(wěn)定,影響統(tǒng)計(jì)異質(zhì)度的計(jì)算。為此,采用網(wǎng)格劃分進(jìn)行初始分割,將圖像劃分為n×n的方格,每個(gè)方格作為一個(gè)初始對(duì)象。為了確定合適的樣本數(shù)以準(zhǔn)確估計(jì)初始對(duì)象的K分布參數(shù),采用大小為320×320像素的模擬K分布全極化數(shù)據(jù),計(jì)算不同網(wǎng)格大小情況下對(duì)象中像素?cái)?shù)與歸一化K分布相似性準(zhǔn)則Δhstt/n的關(guān)系,見圖2?？梢钥闯?隨著樣本數(shù)的增加歸一化相似性逐漸減少,當(dāng)對(duì)象的樣本數(shù)較少時(shí)波動(dòng)較大。較合理的樣本數(shù)在16～64之間,考慮到網(wǎng)格過大會(huì)導(dǎo)致地物邊界鋸齒狀更明顯,初始分割時(shí)采用4×4的網(wǎng)格劃分。2.2.2 權(quán)重與尺度設(shè)置

由式(15)可知,K分布統(tǒng)計(jì)特征相似性、Pauli分解特征相似性和形狀特征相似性的權(quán)重設(shè)置會(huì)直接影響到對(duì)象間相似度的計(jì)算,同樣也會(huì)影響最終的分割結(jié)果。

圖2 歸一化平均統(tǒng)計(jì)相似性與對(duì)象像素個(gè)數(shù)的關(guān)系

為了找到特征權(quán)重調(diào)整的參考依據(jù),使用德國(guó)Bayern南部Oberpfaffenhofen地區(qū)L波段機(jī)載ESAR全極化SAR數(shù)據(jù),對(duì)分割過程中的每一層迭代合并結(jié)果對(duì)象,分別計(jì)算該層對(duì)象的統(tǒng)計(jì)、Pauli分解和形狀特征的平均異質(zhì)度,如圖3所示。

圖3 分割過程中每層對(duì)象的各特征平均異質(zhì)度

圖3中Pauli分解特征異質(zhì)度約為K分布統(tǒng)計(jì)異質(zhì)度的10多倍,為了保證分割過程中較平衡地考慮Pauli分解功率和統(tǒng)計(jì)分布特征,可以據(jù)此將Pauli分解特征權(quán)重設(shè)為0.1左右。為了突出對(duì)象內(nèi)在的異質(zhì)性,一般形狀特征權(quán)重設(shè)置為0.2左右,其中緊致度約為0.3。

分割的尺度s也會(huì)一定程度影響分割結(jié)果,一般較小的尺度會(huì)導(dǎo)致分割結(jié)果瑣碎,而較大的尺度會(huì)導(dǎo)致欠分割。由式(15)可知,綜合相似性由參與分割的各類特征的相似性所決定,對(duì)于不同分割特征的權(quán)重組合,綜合相似性的大小會(huì)有所不同,因此合適的分割尺度s并不是一個(gè)確定值,而應(yīng)根據(jù)實(shí)際分割情況選擇。

3 實(shí)驗(yàn)與分析

3.1 模擬全極化數(shù)據(jù)分割

實(shí)驗(yàn)?zāi)M極化數(shù)據(jù)大小為320像素×320像素,包含滿足K分布的4類樣本數(shù)據(jù),樣本的形狀參數(shù)α和相干矩陣T從德國(guó)Oberpfaffenhofen地區(qū)L波段ESAR全極化數(shù)據(jù)中選擇道路、農(nóng)田、植被和城區(qū)樣本估算得到。模擬極化SAR數(shù)據(jù)Pauli RGB合成圖如圖4所示。圖4中右圖的紅綠藍(lán)黑色區(qū)分別代表城區(qū)、植被、農(nóng)田和道路。

圖4 模擬數(shù)據(jù)Puali RGB圖及目標(biāo)分布示意圖

考慮到模擬數(shù)據(jù)較規(guī)整,為了突出不同統(tǒng)計(jì)和極化分解特征的特點(diǎn)以便比較,均不利用形狀特征,開展如下實(shí)驗(yàn):圖5(a)利用Freeman分解三分量分割,文獻(xiàn)[12]采用了該組特征;圖5(b)利用Cloud分解的熵H、極化角α、各向異性A以及總功率Span分割,文獻(xiàn)[11]即采用該組特征;圖5(c)利用Pauli分解三分量分割,文獻(xiàn)[13]采用了該組特征;圖5(d)利用Wishart統(tǒng)計(jì)特征分割;圖5(e)利用K統(tǒng)計(jì)特征分割;圖5(f)本文提出的綜合K統(tǒng)計(jì)和Pauli分解特征的分割,其中極化分解特征權(quán)重為0.1。初始分割均采用4×4網(wǎng)格劃分,分割結(jié)果如圖5所示。

圖5 模擬極化數(shù)據(jù)分割結(jié)果

由圖5可以看出:①利用極化分解特征的方法(a)、(b)和(c)中,(c)的分割結(jié)果最好。方法(a)對(duì)均質(zhì)的道路和農(nóng)田邊界劃分較好,但對(duì)植被中非均質(zhì)的城區(qū)分割效果不理想;方法(b)對(duì)道路與植被、農(nóng)田的邊界劃分不準(zhǔn)確,對(duì)城區(qū)的分割比方法(a)相對(duì)要好;方法(c)對(duì)各地物的邊界劃分都較準(zhǔn)確,但在被植被包圍的城區(qū)因受噪聲影響分割結(jié)果存在小的偏差。②利用統(tǒng)計(jì)特征的方法(d)和(e)中,(e)的分割結(jié)果較好。方法(d)對(duì)均質(zhì)區(qū)分割效果較好,但對(duì)非均質(zhì)的植被和城區(qū)邊界劃分不理想;方法(e)對(duì)各地物的邊界劃分均很準(zhǔn)確,只是對(duì)均質(zhì)的道路和農(nóng)田出現(xiàn)過分割現(xiàn)象,原因是均質(zhì)區(qū)的K分布形狀參數(shù)估算值波動(dòng)較大。③本文提出的方法(f)分割效果最好,在均質(zhì)區(qū)避免了K分布特征的過分割現(xiàn)象且對(duì)非均質(zhì)的城區(qū)和植被分割也很準(zhǔn)確。

3.2 ESAR高分辨率全極化數(shù)據(jù)分割

為了進(jìn)一步驗(yàn)證本文方法對(duì)真實(shí)數(shù)據(jù)的有效性,實(shí)驗(yàn)采用德國(guó)Oberpfaffenhofen地區(qū)L波段機(jī)載ESAR全極化SAR數(shù)據(jù),距離向1視、方位向2視處理后,分辨率為2 m× 2 m,圖像大小800像素×800像素。實(shí)驗(yàn)區(qū)主要包含農(nóng)田、林地、城區(qū)建筑物、機(jī)場(chǎng)跑道和草坪等,實(shí)驗(yàn)區(qū)Pauli RGB合成圖及參考光學(xué)圖像如圖6所示。

圖6 ESAR全極化數(shù)據(jù)Pauli RGB圖及參考光學(xué)圖像

在第3.1節(jié)基礎(chǔ)上增加利用空間形狀特征,分別采用以下不同方法進(jìn)行多尺度分割實(shí)驗(yàn):①采用Wishart分布統(tǒng)計(jì)和形狀特征的分割;②采用K分布統(tǒng)計(jì)和形狀特征的分割;③增加極化分解特征,采用Wishart分布統(tǒng)計(jì)、形狀和Pauli特征的分割;④采用K分布統(tǒng)計(jì)、形狀和Pauli特征的分割。其中,形狀參數(shù)為0.2,緊致度為0.3,Pauli特征權(quán)重為0.1。參照同時(shí)期的光學(xué)圖像選取地表覆蓋樣本,采用重疊度方法[18]統(tǒng)計(jì)分割結(jié)果精度,同時(shí)綜合考慮結(jié)果對(duì)象數(shù)目,在確保分割精度情況下對(duì)象數(shù)目越少越好。采用不同特征、分割尺度的結(jié)果精度評(píng)價(jià)見表1。

表1 分割特征、尺度及結(jié)果精度評(píng)價(jià)

為了直觀地比較采用不同統(tǒng)計(jì)特征的分割效果,從結(jié)果精度和對(duì)象數(shù)目?jī)煞矫孢M(jìn)行比較,圖7給出了不同方法的分割精度與對(duì)象數(shù)目的關(guān)系。

圖7 分割精度與對(duì)象數(shù)目的關(guān)系

由表1和圖7可見,隨著尺度增大,分割結(jié)果對(duì)象數(shù)目逐漸減少,同時(shí)分割精度也逐漸降低。原因是對(duì)象越少在地類邊界處越容易產(chǎn)生欠分割,從而降低精度。比較方法①和方法②的分割結(jié)果,在相近的結(jié)果對(duì)象數(shù)目的情況下,利用K分布分割的尺度要比Wishart分布分割的尺度小,說明K分布的平均相似性要小于Wishart分布的平均相似性;另外,方法①尺度為20時(shí),分割精度超過85%且對(duì)象數(shù)控制在400左右;方法②尺度為15時(shí)較合適,分割精度超過86%且對(duì)象數(shù)相對(duì)更少。增加Pauli分解特征后,在相同結(jié)果對(duì)象數(shù)目情況下,綜合3種特征后的分割結(jié)果精度更高。在相同的結(jié)果對(duì)象數(shù)目的情況下,利用K分布分割的結(jié)果精度要好于利用Wishart分布分割的結(jié)果;達(dá)到相同的分割精度,利用K分布統(tǒng)計(jì)特征分割的結(jié)果對(duì)象數(shù)更少。綜合結(jié)果精度和對(duì)象數(shù)目考慮,方法④分割效果最好。

方法①尺度為20和方法②尺度為15的分割結(jié)果如圖8所示?？梢钥闯?方法②對(duì)非均質(zhì)的林地和城區(qū)分割的結(jié)果對(duì)象數(shù)比方法①更少,邊界劃分也更合理。另一方面,在幾處均質(zhì)農(nóng)田區(qū),方法②分割相對(duì)零碎,與模擬數(shù)據(jù)實(shí)驗(yàn)方法(e)吻合。

增加Pauli分解特征后,在尺度參數(shù)為30時(shí),方法③和方法④的分割結(jié)果如圖9所示。同樣可以看出,利用K分布的分割在非均質(zhì)的林地和城區(qū)結(jié)果對(duì)象數(shù)要比利用Wishart分布分割的更少,邊界劃分也更合理。比較圖8和圖9發(fā)現(xiàn),增加Pauli分解特征后,方法④對(duì)林地的邊緣及內(nèi)部的劃分更準(zhǔn)確,對(duì)城區(qū)建筑物的內(nèi)部細(xì)節(jié)劃分更精細(xì),表明增加的Pauli分解特征提升了對(duì)局部細(xì)節(jié)特征的描述。同時(shí),對(duì)均質(zhì)的農(nóng)田和機(jī)場(chǎng)跑道劃分更加完整,表明增加Pauli分解特征后能有效避免只利用K分布統(tǒng)計(jì)特征的過分割現(xiàn)象。

最后,與eCognition軟件中分割方法進(jìn)行對(duì)比。在對(duì)相干矩陣分割前,進(jìn)行4×4的棋盤預(yù)分割以抑制噪聲。分割的尺度參數(shù)為55,形狀參數(shù)為0.2,緊致度為0.3,結(jié)果如圖10所示?？梢钥闯?在林地和城區(qū)中存在明顯的過分割現(xiàn)象。主要原因在于高分辨率全極化SAR圖像中非均質(zhì)的林地和城區(qū)滿足K分布,而eCognition軟件中分割算法主要針對(duì)滿足高斯分布的高分辨率光學(xué)圖像來設(shè)計(jì)的,其對(duì)象的光譜相似性是通過標(biāo)準(zhǔn)差的變化來計(jì)算。由于在林地、城區(qū)等區(qū)域地表存在明顯的紋理變化,標(biāo)準(zhǔn)差變化比均質(zhì)的農(nóng)田、道路等大很多,因而出現(xiàn)嚴(yán)重的過分割現(xiàn)象。而本文方法采用更適合的K分布統(tǒng)計(jì)模型,能更好地利用高分辨率極化SAR圖像中地物目標(biāo)相干矩陣的統(tǒng)計(jì)特性,分割效果更好。

圖8 綜合統(tǒng)計(jì)和形狀分割結(jié)果

圖9 綜合統(tǒng)計(jì)、形狀和Pauli分解特征分割結(jié)果

圖10 eCognition軟件分割結(jié)果

4 結(jié) 論

本文提出的一種綜合多特征的高分辨率全極化SAR圖像分形網(wǎng)絡(luò)演化分割方法,通過定義K分布統(tǒng)計(jì)特征、Pauli分解特征的相似性準(zhǔn)則,能綜合高分辨率極化SAR圖像的統(tǒng)計(jì)、極化分解和空間形狀3類特征進(jìn)行分割。實(shí)驗(yàn)結(jié)果證明了本文提出的充分利用3方面特征分割方法的有效性,在高分辨率極化SAR圖像中的林地和城區(qū)等異質(zhì)區(qū)K準(zhǔn)則比Wishart準(zhǔn)則劃分更合理,Pauli分解特征在均質(zhì)的農(nóng)田區(qū)分割以及圖像局部細(xì)節(jié)上更有優(yōu)勢(shì)。對(duì)于均質(zhì)區(qū)的分割,Wishart分布特征較K分布特征要好,因此,利用將兩者結(jié)合的自適應(yīng)統(tǒng)計(jì)特征的分割將是后續(xù)工作的一個(gè)重點(diǎn)。

[1]Lee JS,Grunes M R,Kwok R.Classification of multi-look polarimetric SAR imagery based on complex Wishart distribution[J].International Journal of Remote Sensing,1994,15(11):2299-2311.

[2]Conradsen K,Nielsen A A,Schou J,et al.A test statistic in the complex wishart distribution and its application to change detection in polarimetric SAR data[J].IEEE Trans.on Geoscience and Remote Sensing,2003,41(1):4 19.

[3]Kersten P R,Lee JS,Ainsworth T L.Unsupervised classification of polarimetric synthetic aperture radar images using fuzzy clustering and EM clustering[J].IEEE Trans.on Geoscience and Remote Sensing,2005,43(3):519-527.

[4]Lee JS,Schuler D L,Lang R H,et al.K-distribution for multilook processed polarimetric SAR imagery[C]∥Proc.of the Geoscience and Remote Sensing Symposium,1994:2179 2181.

[5]Beaulieu J M,Touzi R.Segmentation of textured polarimetric SAR scenes by likelihood approximation[J].IEEE Trans.on Geoscience and Remote Sensing,2004,42(10):2063-2072.

[6]Doulgeris A P,Anfinsen S N,Eltoft T.Classification with a non-Gaussian model for POLSAR data[J].IEEE Trans.on Geoscience and Remote Sensing,2008,46(10):2999-3009.

[7]Wu Y H,Ji K F,Li Y,et al.Segmentation of multi-look fully polarimetric SAR images based on wishart distribution and MRF[J]. Acta Electronica Sinica,2007,35(12):2302-2306.(吳永輝,計(jì)科峰,李禹,等.基于Wishart分布和MRF的多視全極化SAR圖像分割[J].電子學(xué)報(bào),2007,35(12):2302-2306.)

[8]Zhang T,Hu F M,Yang R L.Detail-preserving segmentation of polarimetric synthetic aperture radar data[J].Systems Engineering and Electronics,2009,31(10):2372-2375.(張濤,胡風(fēng)明,楊汝良.極化SAR數(shù)據(jù)的細(xì)節(jié)保持分割[J].系統(tǒng)工程與電子技術(shù), 2009,31(10):2372-2375.)

[9]Akbari V,Doulgeris A P,Moser G,et al.A textural-contextual model for unsupervised segmentation of multipolarization synthetic aperture radar images[J].IEEE Trans.on Geoscience and Remote Sensing,2013,51(4):2442-2453.

[10]Hay G J,Blaschke T,Marceau D J,et al.A comparison of three image-object methods for the multiscale analysis of landscape structure[J].ISPRS Journal of Photogrammetry and Remote Sensing,2003,57(5/6):327-345.

[11]Benz U,Pottier E.Object based analysis of polarimetric SAR data in alpha-entropy-anisotropy decomposition using fuzzy classification by ecognition[C]∥Proc.of the Geoscience and Remote Sensing Symposium,2001:1427-1429.

[12]Gao H,Yang K,Jia Y.Segmentation of polarimetric SAR image using object-oriented strategy[C]∥Proc.of the Remote Sensing,2nd International Conference on Environment and Transportation Engineering,2012:1-5.

[13]Qi Z X,Anthony G Y,Li X,et al.A novel algorithm for land use and land cover classification using radarsat-2 polarimetric SAR data[J].Remote Sensing of Environment.2012,118 (2012):21-39.

[14]Huang X D,Liu X G,Chen Q H,et al.An integrated multicharacteristics buildings segmentation model of POLSAR images[J].Geomatics and Information Science of Wuhan University,2013,38(4):450-454.(黃曉東,劉修國(guó),陳啟浩,等.一種綜合多特征的全極化SAR建筑物分割模型[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2013,38(4):450-454.)

[15]Lee J S,Pottier E.Polarimetric radar imaging from basics to application[M].U.S.:Taylor&Francis Group,2009.

[16]Anfinsen S N,Eltoft T.Application of the matrix-variate mellin transform to analysis of polarimetric radar images[J].IEEE Trans.on Geoscience and Remote Sensing,2011,49(6):2281-2295.

[17]Doulgeris A P,Anfinsen S N,Eltoft T.Classification with a non-gaussian model for POLSAR data[J].IEEE Trans.on Geoscience and Remote Sensing,2008,46(10):2999-3009.

[18]M?ller M,Lymburner L,Volk M.The comparison index:a tool for assessing the accuracy of image segmentation[J].International Journal of Applied Earth Observation and Geoinformation,2007,9(3):311- 321.

陳啟浩(1982-),通信作者,男,講師,博士,主要研究方向?yàn)闃O化SAR圖像處理與信息提取。

E-mail:cugcqh@163.com

徐 喬(1991-),男,碩士研究生,主要研究方向?yàn)闃O化SAR信息提取。

E-mail:xu_qiao_cug@126.com

Integrated multi-feature segmentation method for high resolution polarimetric SAR images

LIU Xiu-guo,CHEN Qi,CHEN Qi-hao,XU Qiao
(School of Information Engineering,China University of Geosciences,Wuhan 430074,China)

This paper proposed a novel segmentation method which integrates statistical distribution,geometric shape features and polarimetric decomposition features for high resolution polarimetric synthetic aperture radar(SAR)data.This method is based on the fractal network evolution algorithm(FNEA)that integrates K distribution statistics and Pauli decomposition features.Specifically,statistical heterogeneity of objects is defined by the maximum log likelihood function based on K distribution.Polarimetric decomposition heterogeneity of objects is calculated through the weighted sum of standard deviation of Pauli decomposition features.A total heterogeneity of objects is defined by the weighted sum of statistical heterogeneity,polarimetric decomposition heterogeneity and shape heterogeneity.Then,the multi-feature segmentation procedure for high resolution polarimetric SAR data is constructed.The effectiveness of the integrated multi-feature segmentation we develope is demonstrated by simulated data and L band E-SAR polarimetric data.

polarimetric synthetic aperture radar(SAR);segmentation;high resolution;K distribution; fractal network evolution algorithm

TN 957.52

A

10.3969/j.issn.1001-506X.2015.03.12

劉修國(guó)(1969-),男,教授,博士,主要研究方向?yàn)檫b感圖像信息提取與3S集成方向的研究。

E-mail:liuxg318@163.com

陳 奇(1989-),男,碩士研究生,主要研究方向?yàn)闃O化SAR信息提取。

E-mail:chenqi106@foxmail.com

網(wǎng)址:www.sys-ele.com

1001-506X(2015)03-0553-07

2014- 04-01;

2014- 07-08;網(wǎng)絡(luò)優(yōu)先出版日期:2014- 10-17。

網(wǎng)絡(luò)優(yōu)先出版地址:http:∥w ww.cnki.net/kcms/detail/11.2422.TN.20141017.1611.012.html

國(guó)家自然科學(xué)基金(41301477,41471355);中國(guó)博士后科學(xué)基金(2012M521497);武漢市學(xué)科帶頭人計(jì)劃項(xiàng)目(201271130443)資助課題