利用改進三分量分解與Wishart分類的極化SAR圖像建筑提取方法

劉修國，姜　萍，陳啟浩，陳　奇

中國地質(zhì)大學(武漢)信息工程學院，湖北 武漢 430074

Buildings Extraction from Polarimetric SAR Image Using Improved Three-component Decomposition and Wishart Classification

LIU Xiuguo,JIANG Ping,CHEN Qihao,CHEN Qi

College of Information Engineering, China University of Geosciences, Wuhan 430074, China

Foundation support： The National Natural Science Foundation of China (Nos. 41301477; 41471355); China Postdoctoral Science Foundation(No. 2012M521497)；Program of Wuhan Subject Chief Scientist (No. 201271130443)

利用改進三分量分解與Wishart分類的極化SAR圖像建筑提取方法

劉修國，姜萍，陳啟浩，陳奇

中國地質(zhì)大學(武漢)信息工程學院，湖北 武漢 430074

BuildingsExtractionfromPolarimetricSARImageUsingImprovedThree-componentDecompositionandWishartClassification

LIUXiuguo,JIANGPing,CHENQihao,CHENQi

CollegeofInformationEngineering,ChinaUniversityofGeosciences,Wuhan430074,China

Foundationsupport：TheNationalNaturalScienceFoundationofChina(Nos. 41301477; 41471355);ChinaPostdoctoralScienceFoundation(No. 2012M521497)；ProgramofWuhanSubjectChiefScientist(No. 201271130443)

摘要：本文針對基于Freeman分解的建筑提取方法存在的問題，提出采用圓極化相關(guān)系數(shù)實現(xiàn)選擇性去取向，同時引入廣義體散射模型，構(gòu)建了面向建筑提取的改進三分量分解模型，以準確分析地物的散射特性。在此基礎(chǔ)上，發(fā)展了一種綜合利用改進三分量分解與Wishart迭代分類算法的極化SAR圖像建筑提取方法。使用E-SAR全極化數(shù)據(jù)的試驗結(jié)果表明，本文方法能夠有效減少建筑與植被的誤分，并提高建筑信息提取的準確性。

關(guān)鍵詞：極化SAR；建筑提??；三分量分解；選擇性去取向；體散射模型

1引言

合成孔徑雷達以其全天時、全天候及穿透探測能力等特點，在目標檢測、測繪制圖等方面應(yīng)用廣泛[1-2]，其中，極化SAR圖像能全面揭示地物目標的散射機制，在地物分類中表現(xiàn)出明顯優(yōu)勢[3-4]。文獻[5—6]利用極化SAR圖像散射特性和統(tǒng)計特性進行分類，能夠提供識別地物類型的信息，但未充分利用地物的細節(jié)信息和散射機制。將物理散射特性與統(tǒng)計特性相結(jié)合，文獻[7]提出結(jié)合H/α平面和Wishart分類器的非監(jiān)督分類算法，提高了細節(jié)信息保持能力；文獻[8]提出了一種將Freeman三分量分解與Wishart最大似然分類相結(jié)合的極化SAR圖像非監(jiān)督分類方法，該方法在保留細節(jié)信息的同時還能有效保持各分類目標散射特征的一致性，更便于理解地物的物理散射機制[9]。

Freeman-Wishart非監(jiān)督分類方法的精細地物類別劃分能力，使其在城區(qū)建筑提取方面具有較大潛力。基于此類方法的建筑提取精度，很大程度取決于三分量分解對地物散射機制分析的準確性。通常建筑的排列方向與雷達方位向不平行，會產(chǎn)生較高的交叉極化散射分量，致使建筑易被誤分為植被[10]。針對該問題，現(xiàn)有研究主要通過極化方位角補償予以解決，如文獻[11]在Freeman分解之前增加反射非對稱補償，改正偏移建筑的主導散射機制；文獻[12]對極化方位角補償后的相干矩陣進行模型分解，能提高建筑區(qū)域的偶次散射；文獻[9]在極化方位角補償?shù)幕A(chǔ)上，考慮建筑具有較高相干性的特點，引入最優(yōu)極化相干系數(shù)，進一步提高了建筑與植被分類效果。除此之外，對Freeman分解的體散射模型予以改進或引入新的散射分量，也能為分類提供更為準確的散射特征，如文獻[13]通過在體散射模型中引入平均取向角和隨機度，以描述不同植被類型的散射結(jié)構(gòu)；文獻[14]在Freeman分解中引入螺旋體散射分量，對建筑多次散射的特點進行描述。

去取向是減弱體散射分量、解決建筑被誤分為植被的最有效途徑[9-11]，但對整景圖像的去取向會不合理地削弱植被區(qū)體散射功率并增加其表面散射、偶次散射功率，導致部分植被誤分為建筑。同時，F(xiàn)reeman分解的體散射模型難以充分描述復(fù)雜的植被類型，導致體散射過度估計，也會降低建筑提取的準確性。而文獻[15]考慮林地中HH和VV分量之間的高度敏感性提出的廣義體散射模型，能夠提高對多種植被類型的描述能力。本文根據(jù)建筑與植被后向散射特性及反射對稱特性的差異，在Freeman分解基礎(chǔ)上引入圓極化相關(guān)系數(shù)和廣義體散射模型，構(gòu)建面向建筑提取的改進三分量分解模型，并利用迭代的Wishart分類算法對分解結(jié)果進行分類，實現(xiàn)建筑信息的更準確提取。

2基于Freeman分解的建筑提取問題分析

2.1Freeman分解

Freeman和Durden于1998年提出了一種基于反射對稱假設(shè)的三分量分解方法。該方法將協(xié)方差矩陣化為體散射、偶次散射和表面散射三種散射機制的貢獻

〈C3〉=fsCs+fdCd+fvCv

(1)

式中，〈·〉表示多視平均；fs、fd和fv分別表示各種成分的權(quán)值系數(shù)；Cs、Cd和Cv分別表示表面散射、偶次散射和體散射協(xié)方差矩陣。各散射機制對應(yīng)功率如下

(2)

對于城區(qū)，建筑墻面-地面所形成的典型二面角結(jié)構(gòu)表現(xiàn)為偶次散射特性，使得偶次散射功率Pd成為城區(qū)建筑信息提取的典型特征參數(shù)。

2.2建筑誤分問題分析

當建筑排列方向與雷達方位向平行時，其散射矩陣滿足反射對稱性，且對應(yīng)于標準的二面角散射，此時散射矩陣可表示為[9]

(3)

當建筑排列方向與雷達方位向不平行時，其反射對稱性遭到破壞，散射矩陣S將發(fā)生如式(4)所示的旋轉(zhuǎn)變化

(4)

式中，θ表示偏移量；Sθ為旋轉(zhuǎn)后的散射矩陣。

由式(4)知，旋轉(zhuǎn)后矩陣同極化分量減少，交叉極化分量HV急劇增加，當θ=45°時取得極大值。由于HV分量是體散射的主要來源，因此建筑走向與雷達方位向不平行將導致其體散射過度估計，與植被表現(xiàn)出相似的散射特性，引起建筑與植被的誤分。

另外，F(xiàn)reeman分解中的原始體散射模型，并不能滿足林地HH分量與VV分量之間的比值變化[15]，所能適用的林地類型有限，易使城區(qū)及復(fù)雜林地的表面散射或偶次散射出現(xiàn)不合理的負功率值，限制了建筑識別和提取的準確性。

3面向建筑提取的三分量分解

引入圓極化相關(guān)系數(shù)對去取向作用對象進行限制，實現(xiàn)選擇性去取向，減弱建筑區(qū)的體散射分量；采用廣義體散射模型替換原體散射模型，增強模型對冠層同極化分量間的敏感性；綜合選擇性去取向與廣義體散射模型，構(gòu)建面向建筑提取的三分量分解方法，提高建筑與植被散射特性的準確性。

3.1選擇性去取向

去取向理論的提出，旨在減小隨機波動的取向?qū)ι⑸涞挠绊?。通過旋轉(zhuǎn)目標向量，將極化方位角偏移引起的交叉極化分量最小化，削弱體散射過度估計，恢復(fù)建筑真實散射機制?；趨f(xié)方差矩陣的去取向處理[17]如式(5)所示

(5)

取向角θ估計詳見文獻[18]。

但試驗發(fā)現(xiàn)，去取向后的Freeman分解結(jié)果中，植被的散射特性出現(xiàn)異常：體散射功率的主導性被削弱，而與之實際散射特性不符的表面散射、偶次散射功率值卻相對增加。經(jīng)分析確定該問題是由于去取向作用于植被引起的。對此，引入圓極化相關(guān)系數(shù)ρRRLL作為判別指數(shù)，提出選擇性去取向處理方法，在去取向前明確劃分反射對稱、反射非對稱區(qū)域，有針對性地僅對具有取向角的建筑所在的反射非對稱區(qū)進行取向角補償。

圓極化相關(guān)系數(shù)ρRRLL同時包含同極化與交叉極化信息，能夠有效地描述反射非對稱目標，有利于對地物的極化散射機制的理解。結(jié)合線極化基與圓極化基之間的相互關(guān)系得ρRRLL[19]如下

(6)

式中，*代表共軛，Re(·)、Im(·)分別表示取復(fù)數(shù)實部、虛部。

圖1　圓極化相關(guān)系數(shù)閾值選取散點圖　Fig.1　Scatter for choosing the circular polarization correlation coefficient threshold

3.2體散射改進

廣義體散射模型[15]充分考慮林地中HH和VV分量之間的高度敏感性，增強了體散射模型對不同植被類型的適應(yīng)能力，能夠彌補Freeman分解中體散射模型的不足，進一步確保城區(qū)植被散射特性表征的正確性，極大程度地降低其分解結(jié)果對建筑提取的干擾。其協(xié)方差矩陣Cv-g如式(7)所示

(7)

將Cv-g代入Freeman分解模型，并保持原表面散射及偶次散射模型不變，求解得新體散射功率為

(8)

4綜合改進三分量分解與Wishart分類的建筑提取

基于散射機制的分類能保持地物物理含義，但缺乏細節(jié)信息，在建筑信息提取方面存在局限。受建筑結(jié)構(gòu)差異的影響，直接利用極化目標分解結(jié)果提取建筑信息主要面臨以下困難：①不同地物類型表現(xiàn)為相同散射機制，如建筑墻面與平坦地表、道路、水面等同表現(xiàn)為表面散射，墻面-地面結(jié)構(gòu)、樹干-地面結(jié)構(gòu)均表現(xiàn)為偶次散射等；②同種地物類型表現(xiàn)出不同的散射機制，如建筑墻面與地面形成二面角結(jié)構(gòu)呈偶次散射，而墻面及屋頂則為表面散射等。

文獻[8]基于最大似然判別準則(ML)提出的Freeman-Wishart非監(jiān)督分類方法，同時對目標散射機制與統(tǒng)計先驗知識加以利用，能夠提高分類能力。本文綜合利用改進三分量分解與Wishart分類算法，并考慮極化SAR圖像建筑主要散射機制，通過以下兩方面處理實現(xiàn)建筑提?。?/p>

(1) 充分利用統(tǒng)計特性解決“同散射機制異物”問題。在Wishart分類過程中，限制各像素所屬散射類型，在各類內(nèi)進行初始類別細分、類間距計算與類別合并、聚類中心與像素類別迭代更新，以保持散射類型的純凈性，獲得具有自適應(yīng)性的分類結(jié)果，同時實現(xiàn)同種散射類型內(nèi)不同地物類別的分離。

(2) 結(jié)合建筑本身的散射機制解決“同物異散射機制”問題。根據(jù)建筑在極化SAR圖像中的主要散射特性(見圖2)與經(jīng)驗知識，確定分類結(jié)果中與建筑散射特性相對應(yīng)的類別，將選定類別整合疊加，以盡可能顧及建筑的多種散射特性，完成建筑的準確提取。

圖2　建筑散射機制分析Fig.2　Analysis of building scattering mechanism

利用改進三分量分解與Wishart分類的建筑提取流程如圖3所示。

圖3　本文建筑提取流程圖Fig.3　Flow chart of the proposed building extraction algorithm

5試驗及結(jié)果分析

5.1改進分解方法試驗及分析

本文采用德國Oberpfaffenhofen地區(qū)1999年7月的機載L波段全極化E-SAR數(shù)據(jù)進行試驗，影像大小為1500像素×1500像素，空間分辨率為3m×3m，方位向與距離向均采用9×9大小窗口進行多視平均處理去噪。試驗區(qū)主要包括建筑、林地、機場跑道、草坪、農(nóng)田等地物類型。參考光學影像及Pauli合成圖如圖4所示。

為說明去取向?qū)χ脖粎^(qū)的影響并證明本文分解模型對建筑表征的有效性，進行如下試驗：①Freeman分解；②引入去取向處理的Freeman分解；③本文面向建筑提取的三分量分解。3種分解結(jié)果RGB合成圖如圖5所示，其中，紅綠藍分別表示偶次散射、體散射及表面散射功率，圖5(a)中白色矩形框所示為建筑區(qū)。

由圖5(a)可見，原始Freeman分解后影像整體呈現(xiàn)綠色，說明體散射分量在結(jié)果中占據(jù)主導地位，而建筑與植被表現(xiàn)為相同顏色，證實建筑體散射功率被過度估計，與植被產(chǎn)生誤分。如圖5(b)所示，引入去取向操作的Freeman三分量分解中，建筑大部分表現(xiàn)為黃色，少量為紅色，說明去取向使得建筑偶次散射分量大幅度提高而體散射分量被減弱。但圖中植被區(qū)同樣顯示為黃色而非體散射對應(yīng)的綠色，與實際不符。而由圖5(c)可見，本文面向建筑提取的三分量分解結(jié)果中，建筑區(qū)普遍表現(xiàn)為黃色和紅色，植被區(qū)表現(xiàn)為亮綠色，表明該方法能夠提高建筑偶次散射分量，同時保持植被體散射分量強主導性。為了對上述現(xiàn)象及分析進行驗證，提取圖5(a)中白色短線1、2所示的植被、具有取向角的建筑的功率剖面，如圖6、圖7所示。其中，后者樣本選取在建筑邊緣以突出建筑的偶次散射特性。

圖4　Oberpfaffenhofen地區(qū)參考光學影像和Pauli合成圖Fig.4　Optical and Pauli images of Oberpfaffenhofen

對于植被，由圖6(a)可見，在單一引入去取向的分解方法2中，其偶次、表面散射功率值大幅度增強，體散射功率強度大大減弱，主導性被破壞。而圖6(b)所示的本文分解方法，并未減弱植被體散射強度，能夠很好地保留植被體散射類型主導性，避免其對建筑信息提取造成干擾。

對于具有取向角的建筑，由圖7(a)可見，F(xiàn)reeman三分量分解方法存在明顯體散射過度估計現(xiàn)象。與圖7(b)、7(c)對比可知，方法2與本文方法對該類建筑的作用效果基本一致，即偶次散射強度得到較大程度提高，體散射強度被降低。圖7(c)與圖7(b)最大區(qū)別在于52號、53號等樣本點的體散射功率未受到明顯抑制，原因是三分量分解的窗口平均處理，使得少量建筑樣本受邊緣植被影響而未作去取向處理。

圖5　三分量分解結(jié)果RGB合成圖Fig.5　Results of three-component decomposition

圖6　植被區(qū)功率剖面圖Fig.6　Power profiles of forest

圖7　具有取向角的建筑功率剖面圖Fig.7　Power profiles of buildings with polarization orientation

5.2建筑信息提取

根據(jù)試驗區(qū)所含地物類別數(shù)及像素總數(shù)，確定本文方法中Wishart分類的初始劃分類別數(shù)為20，期望聚類數(shù)為5，提取建筑信息。為驗證方法的有效性，采用相同參數(shù)實現(xiàn)基于Freeman-Wishart非監(jiān)督分類方法的建筑信息提取，與本文方法進行對比，其結(jié)果如圖8所示。

圖8　建筑提取結(jié)果Fig.8　Results of building extraction

由圖8可見，較之傳統(tǒng)Freeman-Wishart方法，本文方法在整體上有效抑制了植被錯分為建筑的情況，建筑提取的結(jié)果更加連續(xù)完整。為了驗證本文方法對植被錯分為建筑的抑制能力，在圖8(a)中選取白色實線矩形區(qū)的林地樣本，統(tǒng)計該樣本區(qū)內(nèi)被誤分為建筑的像素比例，發(fā)現(xiàn)此誤分率由傳統(tǒng)Freeman-Wishart方法中的15.34%降低至9.65%，證明改進的三分量分解有效保留了植被體散射的主導性，明顯減少了植被誤分為建筑的情況。為驗證本文方法對具有取向角的建筑的識別能力，對試驗區(qū)選取出的26處建筑的識別情況進行統(tǒng)計，結(jié)果顯示，本文方法共識別出22處，明顯優(yōu)于傳統(tǒng)Freeman-Wishart方法的12處，說明通過選擇性去取向來恢復(fù)反射非對稱區(qū)域的散射機制，能有效提高對建筑的識別能力。

為進一步證明本文方法的性能，取圖8(a)中虛線框A、B所示的兩類建筑區(qū)，進行提取結(jié)果對比分析，如圖9所示。同時結(jié)合試驗區(qū)土地利用資料，完成提取結(jié)果精度評價，結(jié)果見表1。

圖9　建筑提取結(jié)果局部對比Fig.9　Extraction results comparison of local building area

Freeman-Wishart方法/(%)本文方法/(%)提升效果/(%)A71.4280.789.36B77.8181.343.53

由表1及圖9可見，對于規(guī)則緊密型建筑區(qū)A，F(xiàn)reeman-Wishart方法提取結(jié)果過于零碎，建筑缺乏整體性，且錯誤地引入了部分植被；本文方法植被誤分較少，建筑信息更完整、邊界吻合程度更高，同時，對Freeman-Wishart方法無法準確識別的具有取向角的建筑(如A中白色圓圈部分)，本文方法則能清晰地表現(xiàn)其邊緣輪廓信息。對于建筑-植被混合型建筑區(qū)B，居民地周邊的植被在Freeman-Wishart中被大量誤分為建筑，本文方法中此誤分現(xiàn)象明顯減少，建筑信息提取純度更高。以上對比說明，選擇性去取向與廣義體散射模型的引入，減少了植被與建筑的誤分，有效提高了建筑提取的準確性。試驗還發(fā)現(xiàn)，對于大型平頂結(jié)構(gòu)的建筑(如A中白色矩形內(nèi))，本文方法雖然提取的建筑輪廓更完整，但仍然存在傳統(tǒng)Freeman-Wishart方法中難以提取大面積頂部信息的問題，原因在于這種屋頂?shù)纳⑸錂C制和統(tǒng)計特性均與道路、機場跑道等地物類別相近。

6結(jié)論

本文針對基于Freeman分解的建筑提取方法所存在的問題，發(fā)展了一種綜合利用改進三分量分解和Wishart分類的極化SAR圖像建筑提取方法。其中，提出的基于圓極化相關(guān)系數(shù)的選擇性去取向，能根據(jù)目標反射對稱特性的差異更準確地區(qū)分建筑和植被。在此基礎(chǔ)上引入廣義體散射模型建立的改進三分量分解模型，能有效抑制體散射過度估計并減少植被對建筑提取的干擾。利用E-SAR數(shù)據(jù)的試驗結(jié)果表明，該方法能顧及地物的散射機制和統(tǒng)計特性，減少了植被與建筑的誤分并有效提取建筑信息，對一般建筑區(qū)的提取精度可達80%。大型平頂建筑屋頂?shù)臏蚀_提取需結(jié)合建筑的幾何結(jié)構(gòu)特征，是下一步擬開展的研究工作。

參考文獻：

[1]HUANG Guoman, ZHANG Jixian, ZHAO Zheng, et al. Research on Airborne SAR Interferometry Mapping System[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(3): 277-279.(黃國滿, 張繼賢, 趙爭, 等. 機載干涉SAR測繪制圖應(yīng)用系統(tǒng)研究[J]. 測繪學報, 2008, 37(3): 277-279.)

[2]HU Fengming, FAN Xuehua, YANG Ruliang, et al. Study of Target Dectection of SAR Image Using Directional Roughness Feature[J]. Acta Geodaetica et Cartographica Sinica 2009, 38(3): 229-235. (胡風明, 范學花, 楊汝良, 等. 利用方位向粗糙度特征對SAR圖像目標檢測的研究[J]. 測繪學報, 2009, 38(3): 229-235.)

[3]LANG Fengkai, YANG Jie, ZHAO Lingli, et al. Polarimetric SAR Data Classification with Freeman Entropy and Anisotropy Analysis[J]. Acta Geodaetica et Cartographica Sinica 2012, 41(4): 556-562. (郎豐鎧, 楊杰, 趙伶俐, 等. 基于Freeman散射熵和各向異性度的極化SAR影像分類算法[J]. 測繪學報, 2012, 41(4): 556-562.)

[4]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 Observations and Remote Sensing, 2012, 5(3): 848-856.

[5]CLOUDE S R, POTTIER E. An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

[6]YUEH H A, SWARTZ A A, KONG J A, et al. Bayes Classification of Terrain Cover Using Normalized Polarimetric Data[J]. Journal of Geophysical Research, 1988, 93(B12): 15261-15267.

[7]LEE J S, GRUNES M R, AINSWORTH T L, et al. Unsupervised Classification Using Polarimetric Decomposition and the Complex Wishart Classifier[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2249-2258.

[8]LEE J S, GRUNES M R, POTTIER E, et al. Unsupervised Terrain Classification Preserving Polarimetric Scattering Characteristics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4): 722-731.

[9]YANG Jie, ZHAO Lingli, SHI Lei, et al. Interpretation of Oblique Buildings Based on Optimal Polarimetric Coherence Coefficient[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(4): 577-583. (楊杰, 趙伶俐, 史磊, 等. 基于最優(yōu)極化相干系數(shù)的傾斜建筑解譯研究[J]. 測繪學報, 2012, 41(4): 577-583.)

[10]LEE J S, THOMAS L. The Effect of Orientation Angle Compensation on Coherency Matrix and Polarimetric Target Decomposition[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 49(1): 53-64.

[11]WANG P, LI Y, HONG W, et al. An Analysis about the Effect of Reflection Asymmetry Compensation on the Freeman-Durden/Wishart Classification[C]∥Proceedings of 2011 3rd International Asia-Pacific Conference on Synthetic Aperture Radar. Soul: IEEE, 2011: 1-4.

[12]SINGH G, YAMAGUCHI Y, PARK S E. General Four-component Scattering Power Decomposition with Unitary Transformation of Coherency Matrix[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(5): 3014-3022.

[13]ARII M, VANZYL J J, KIM Y. Adaptive Model-based Decomposition of Polarimetric SAR Covariance Matrices[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(3): 1104-1113.

[14]SHAN Z, ZHANG H, WANG C, et al. Four-component Model-based Decomposition of Polarimetric SAR Data for Special Ground Objects[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 9(5): 989-993.

[15]ANTROPOV O, RAUSTE Y, HAME T. Volume Scattering Modeling in PolSAR Decompositions: Study of ALOS PALSAR Data over Boreal Forest[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3838-3848.

[16]FREEMAN A, DURDEN S L. A Three-component Scattering Model for Polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973.

[17]LEE J S, SSCHULER D L, AINSWORTH T L. Polarimetric SAR Data Compensation for Terrain Azimuth Slope Variation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2153-2163.

[18]LEE J S, SCHULER D L, AINSWORTH T L, et al. On the Estimation of Radar Polarization Orientation Shifts Induced by Terrain Slopes[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(1): 30-41.

[19]YAMAMOTO Y, YAMAGUCHI Y, YAMADA H, et al. Classification of Terrain Using the Correlation Coefficient in the Circular Polarization Basis for X-band POLSAR Data[C]∥Proceedings of 2007 International Symposium of Antenna Propagation. Niigata: IEICE, 2007: 768-771.

[20]LIU Xiuguo, HUANG Xiaodong, CHEN Qihao, et al. Three-component Model-based Decomposition Integrating De-orientation and Generalized Volume Scattering Model[J]. Journal of Electronics & Information Technology, 2012, 34(10): 2451-2457. (劉修國, 黃曉東, 陳啟浩, 等. 綜合去取向和廣義體散射的三分量極化目標分解模型[J]. 電子與信息學報, 2012, 34(10): 2451-2457.)

[21]KAJIMOTO M, SUSAKI J. Urban-area Extraction from Polarimetric SAR Images Using Polarization Orientation Angle[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(2): 337-341.

(責任編輯：叢樹平)

修回日期： 2014-06-18

First author： LIU Xiuguo (1969—), male, PhD, professor, majors in remote sensing image information extraction and integration of 3S.

E-mail： liuxg318@163.com

E-mail： cugcqh@163.com

中圖分類號：P234

文獻標識碼：A

文章編號：1001-1595(2015)02-0206-08

基金項目：國家自然科學基金(41301477; 41471355)；中國博士后科學基金(2012M521497)；武漢市學科帶頭人計劃(201271130443)

收稿日期：2013-12-09

第一作者簡介：劉修國(1969—)，男，博士，教授，研究方向為遙感圖像信息提取與3S集成。

通信作者：陳啟浩

Corresponding author：CHEN Qihao

Abstract：To address the misclassification issue on buildings extraction based on Freeman decomposition method, a novel improved three-component decomposition model is proposed in this paper. By combining the selective de-orientation derived from the circular polarization correlation coefficient method with the generalized volume scattering model, it can accurately characterize the scattering characteristics of surface features. On this basis, the complex Wishart iterative classification is introduced to develop a new method of buildings extraction. An E-SAR L band polarimetric SAR image was used to verify the effectiveness of this modified algorithm. The experiment result shows it could perform better in distinguishing between oblique buildings and forest, and consequently improve the accuracy of buildings extraction.

Key words：polarimetric SAR; buildings extraction; three-component decomposition; selective de-orientation; volume scattering model

引文格式：LIUXiuguo,JIANGPing,CHENQihao,etal.BuildingsExtractionfromPolarimetricSARImageUsingImprovedThree-componentDecompositionandWishartClassification[J].ActaGeodaeticaetCartographicaSinica,2015,44(2):206-213.(劉修國，姜萍，陳啟浩，等. 利用改進三分量分解與Wishart分類的極化SAR圖像建筑提取方法[J].測繪學報，2015,44(2)：206-213.)DOI:10.11947/j.AGCS.2015.20130535