基于Cloude目標(biāo)分解的極化InSAR地物分類方法

錢方明，樓良盛，劉　薇，張笑微，張　昊

1.西安測(cè)繪研究所，陜西 西安,710054；2.地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安,710054

?

基于Cloude目標(biāo)分解的極化InSAR地物分類方法

錢方明1,2，樓良盛1,2，劉薇1,2，張笑微1,2，張昊1,2

1.西安測(cè)繪研究所，陜西 西安,710054；2.地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安,710054

本文針對(duì)利用Pol-InSAR數(shù)據(jù)進(jìn)行地物分類的問題，提出了一種基于Cloude目標(biāo)分解的Pol-InSAR地物分類方法。該方法首先對(duì)Pol-InSAR數(shù)據(jù)進(jìn)行預(yù)處理，抑制噪聲影響，然后采用Cloude目標(biāo)分解結(jié)果和極化相干性信息確定初始類別，最后對(duì)初始類別利用Wishart分類器進(jìn)行聚類分析得到分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法在地物類型單一區(qū)域分類精度較高，在地物類型多樣區(qū)域分類精度相對(duì)較低。

極化干涉合成孔徑雷達(dá)；地物分類；Cloude目標(biāo)分解

1　引　言

地物分類是將圖像中的所有像元按其性質(zhì)分為若干個(gè)類別的技術(shù)過程，主要任務(wù)是提取地物要素信息(幾何和屬性信息)。通常，地物分類的實(shí)現(xiàn)途徑有基于光學(xué)(高光譜)數(shù)據(jù)的分類方法和基于極化SAR(Polarimetric SAR，Pol-SAR)數(shù)據(jù)的分類方法。高光譜遙感的波長(zhǎng)范圍比較寬，從可見光延伸到短波紅外，甚至到中紅外和熱紅外，光譜分辨率高，能夠獲取地物精細(xì)的光譜特征曲線，并可根據(jù)需要選擇或提取特定的波段來突出目標(biāo)特征，實(shí)現(xiàn)地物的定量分析與提取。其缺點(diǎn)是在數(shù)據(jù)獲取階段采用被動(dòng)式傳感器，受氣候、光照等條件的影響嚴(yán)重；此外，由于表面材質(zhì)相同的地物具有相同的光譜特性，容易混淆相同材質(zhì)的不同地物。極化干涉合成孔徑雷達(dá)(Polarimetric SAR Interferometry，Pol-InSAR)屬于主動(dòng)式微波傳感器，兼具極化和干涉測(cè)量特性，具備全天候、全天時(shí)數(shù)據(jù)獲取能力。它既具有Pol-SAR對(duì)地表散射體的細(xì)致結(jié)構(gòu)、指向、均衡性以及物質(zhì)組成敏感的特性，還具有對(duì)地物高度敏感的特性[1-3]。Pol-InSAR將相干性信息引入數(shù)據(jù)處理，能夠獲取地物類別、地貌形態(tài)、植被高度、建筑物高度等信息，提高了地物分類與解譯的精細(xì)度和準(zhǔn)確度，與其它分類手段相比具有顯著優(yōu)勢(shì)，能廣泛應(yīng)用于地理國(guó)情監(jiān)測(cè)、地形圖測(cè)制和更新以及各種專題圖制作[4]，還能用于土地資源普查、植被生長(zhǎng)監(jiān)測(cè)、農(nóng)作物估產(chǎn)、海面船只檢測(cè)等領(lǐng)域[5]。

目前，國(guó)內(nèi)外大多數(shù)基于極化數(shù)據(jù)(主要是Pol-SAR數(shù)據(jù))的地物分類研究主要集中在如何根據(jù)某些判據(jù)實(shí)現(xiàn)圖像中各類別的劃分以及影像最佳分類數(shù)目的確定，而對(duì)于各類別實(shí)際屬于什么地物，研究較少。本文基于Pol-InSAR數(shù)據(jù)首次系統(tǒng)研究了融合極化干涉相位、相干性譜、散射熵等信息進(jìn)行地物分類與解譯的理論與方法，設(shè)計(jì)了地物分類處理流程，研制了原型系統(tǒng)，提高了非監(jiān)督分類情況下地物分類與解譯的精細(xì)度(如可對(duì)植被中的樹種進(jìn)行解譯)和準(zhǔn)確度。

2　Pol-InSAR地物分類

Pol-InSAR與Pol-SAR相比，增加了空間觀測(cè)通道，能獲取較多的地物散射信息，引入了相干性信息，能提取地物高度；Pol-InSAR與單極化InSAR相比，優(yōu)勢(shì)在于可以獲取目標(biāo)的多極化散射信息，最大限度地將不同地物的散射特征以矢量的形式表現(xiàn)出來，揭示地物的散射差別，同時(shí)能通過極化最優(yōu)過程[2]得到地物的最大相干系數(shù)值。本文從目標(biāo)散射機(jī)理出發(fā)，通過相干性分析，提取符合分類條件的目標(biāo)特征，進(jìn)而實(shí)現(xiàn)目標(biāo)的分類與識(shí)別。Pol-InSAR地物分類主要包括極化濾波、確定初始類別和聚類分析等處理過程，如圖1所示。

圖1　Pol-InSAR地物分類技術(shù)流程

2.1極化濾波

Pol-InSAR數(shù)據(jù)由多幅Pol-SAR圖像組成，在影響圖像質(zhì)量的各種噪聲因素中，相干斑噪聲的影響比較大。相干斑噪聲使SAR圖像的輻射分辨率明顯變差，同時(shí)降低了圖像的空間分辨率，嚴(yán)重影響了圖像的可解譯性以及后續(xù)的各種應(yīng)用[5]。抑制相干斑噪聲的影響，一般采用多視處理[6]和濾波，考慮到多視處理會(huì)降低數(shù)據(jù)的分辨率，因此本文采用極化Lee濾波方法[5,7]進(jìn)行相干斑濾波。該方法以一種類似于多視處理的方式對(duì)極化協(xié)方差矩陣或極化相干矩陣中的所有元素進(jìn)行獨(dú)立濾波，這樣既避免了極化通道之間的串?dāng)_，又保持了極化通道之間的極化信息和統(tǒng)計(jì)相關(guān)性，并采用非方形邊緣窗口，以保持邊緣紋理和點(diǎn)目標(biāo)。

2.2確定初始類別

大量研究表明，Cloude目標(biāo)分解是一種有效提取極化信息的方法，該方法提取的極化信息能有效覆蓋整個(gè)散射機(jī)制范圍，并能給出散射機(jī)制的分布[8]。因此，本文在Cloude目標(biāo)分解基礎(chǔ)上，將相干性和相干系數(shù)譜作為附加約束條件來確定初始類別。

(1)Cloude目標(biāo)分解

基于相干矩陣的特征矢量分析，Cloude提出了能夠包含所有散射機(jī)理的分解定理。Cloude分解得到三個(gè)極化特征參數(shù)[5,8]：散射熵H、散射角α和反熵A。它們可以分別定義如下：

(1)

(2)

(3)

其中，αi表示第i種散射機(jī)制的類型，Pi表示第i種散射機(jī)制的發(fā)生概率，Pi可以進(jìn)一步定義如下：

(4)

其中，λi表示相干矩陣T的特征值。

以上三個(gè)特征參數(shù)的物理意義為：

①散射熵(0≤H≤1)表示散射單元的不確定性，從單一目標(biāo)相干散射(H=0)變化到完全非相干散射(H=1)。若H值很低，則認(rèn)為系統(tǒng)弱去極化(單一目標(biāo))，小特征值的特征向量可忽略；如果H值很高，則目標(biāo)的去極化效應(yīng)很強(qiáng)(時(shí)變目標(biāo)、分布目標(biāo))，此時(shí)不存在一個(gè)等效的單一散射體，需要考慮所有的特征值；H=1時(shí)，對(duì)應(yīng)回波為完全非極化波，極化信息為0。目標(biāo)散射實(shí)際上是一個(gè)隨機(jī)噪聲的過程。

②散射角α的值與散射過程的物理機(jī)制相互聯(lián)系，對(duì)應(yīng)著從奇次散射(或表面散射α=0°)到偶極子散射(或體散射α=45°)到偶次散射(或二面角散射α=90°)的變化，如圖2所示。

圖2　α角的散射機(jī)制解釋

③反熵A為散射熵H的一個(gè)補(bǔ)充參數(shù)，是描述三個(gè)特征值的大小關(guān)系的重要參數(shù)，用以解決散射熵一定時(shí)特征值之間關(guān)系的模糊，提高確定初始類別的準(zhǔn)確性。

(2)相干性

極化散射相干性可用下述相干系數(shù)進(jìn)行表征：

(5)

其中，ω1、ω2表示主、輔圖像的極化觀測(cè)方式；矩陣T11和T22是3×3極化復(fù)相干矩陣，分別用于描述各圖像的極化特性；矩陣Ω12是3×3非厄米特復(fù)相干矩陣，它包含了主、輔圖像散射矢量之間的極化和干涉相關(guān)性信息；H表示共軛轉(zhuǎn)置。目標(biāo)區(qū)域的相干性反映了分辨單元中各散射機(jī)理的散射特性和對(duì)應(yīng)的等效散射中心的穩(wěn)定性。根據(jù)相干系數(shù)值可以確定地物類別，如裸露地表的表面粗糙性質(zhì)(形成類似于微二面角和微三面角的散射機(jī)理)和鏡面散射使其具有較高的相干性；城市建筑區(qū)的人造地物大多呈現(xiàn)二面角和三面角等散射，保持了較高的相干性；水域主要是單次散射，因此，其相干性較低；植被區(qū)域存在體散射去相干，因此，具有較低的相干性。

(3)相干系數(shù)譜

通過極化相干最優(yōu)過程[2,9]，可以得到一組最優(yōu)相干系數(shù)γopt-1、γopt-2、γopt-3，其幅度相對(duì)差異可由下面兩個(gè)參數(shù)來描述：

(6)

其中，A1、A2為相干性譜(相對(duì))參數(shù)。在以體散射機(jī)理占主導(dǎo)的森林植被覆蓋區(qū)，屬于同一樹種且具有相同樹高和生物量的植被具有相同的相干性譜，不同樹高的植被的相干性譜分布存在一定的差異；不同樹種的植被，相干性譜一般也不同。因此，基于二維相干性譜A1、A2的分布情況可對(duì)以體散射機(jī)理為主的植被覆蓋區(qū)進(jìn)行初步的分類，如圖3所示。

圖3　體散射集相干性譜分布示意圖

2.3聚類分析

本文采用基于最大似然準(zhǔn)則監(jiān)督分類的Wishart分類器[5]，完成Pol-InSAR圖像的聚類分析。類初始集確定后，輸入M個(gè)初始聚類中心的信息，分別計(jì)算每一類所有Nm(m=1,2,…,M)個(gè)像素的平均協(xié)方差矩陣Cm，并以這M個(gè)平均協(xié)方差矩陣Cm(m=1,2,…,M)作為聚類中心進(jìn)行聚類分析，對(duì)所有圖像像素重新分類。在分類過程中，像元被分配給具有最短統(tǒng)計(jì)距離的聚類。按照這一準(zhǔn)則將所有像素重新分為M類后，計(jì)算每一類所有像素的平均協(xié)方差矩陣Cm，并以這M個(gè)平均協(xié)方差矩陣為新的聚類中心，繼續(xù)對(duì)所有圖像像素重新聚類。如此迭代若干次，得到較好的地物分類結(jié)果。圖4所示為Wishart分類器處理流程圖。

圖4　Wishart分類器處理流程

3　實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)用Pol-InSAR數(shù)據(jù)為ESAR系統(tǒng)獲取的德國(guó)Oberpfaffenhofen地區(qū)數(shù)據(jù)，該系統(tǒng)的波長(zhǎng)為23.5cm(L波段)，斜距分辨率為1.5m，方位向分辨率為0.89m。圖5為該地區(qū)的光學(xué)圖像，圖6為分類前利用相干矩陣生成的偽彩色圖，圖7為利用本文提出的Pol-InSAR地物分類算法處理的結(jié)果。

圖5　Oberpfaffenhofen地區(qū)光學(xué)圖像

圖6　偽彩色圖

圖7　Pol-InSAR地物分類結(jié)果

圖7中將場(chǎng)景內(nèi)的地物分成森林、建筑、農(nóng)田、裸地、道路(機(jī)場(chǎng)跑道)等5類，由于從光學(xué)圖像上無(wú)法獲取森林地區(qū)的樹種信息，因此未對(duì)森林地區(qū)進(jìn)行細(xì)分。由于光學(xué)圖像獲取時(shí)間與Pol-InSAR數(shù)據(jù)獲取時(shí)間不同，因此有些地物不能嚴(yán)格對(duì)應(yīng)。選取圖7中的5個(gè)典型區(qū)域(區(qū)域1為森林，區(qū)域2為居民地，區(qū)域3為農(nóng)田，區(qū)域4為裸地，區(qū)域5為跑道)，以光學(xué)影像上地物判讀結(jié)果為基礎(chǔ)，對(duì)分類結(jié)果進(jìn)行評(píng)估。將每個(gè)區(qū)域內(nèi)分類結(jié)果(不同地物像素個(gè)數(shù))填入表1，計(jì)算分類精度，其中居民地區(qū)域中統(tǒng)計(jì)的是建筑的分類精度。從表1可以看出：森林、農(nóng)田、裸地、跑道區(qū)域地物類型單一，分類精度較高；居民地區(qū)域地物類型多樣，分類精度較低。

表1Oberpfaffenhofen地區(qū)分類結(jié)果

分類結(jié)果(像素)區(qū)域(地物)森林建筑農(nóng)田裸地道路(跑道)總計(jì)分類精度區(qū)域1(森林)623385393174656195.00%區(qū)域2(居民地)16121885179519661132257(建筑)83.52%區(qū)域3(農(nóng)田)4180806333818198.77%區(qū)域4(裸地)00101019101020199.90%區(qū)域5(跑道)000010531053100%

4　結(jié)　論

本文提出了一種基于Cloude目標(biāo)分解的Pol-InSAR地物分類方法，該方法首先對(duì)Pol-InSAR數(shù)據(jù)進(jìn)行預(yù)處理，抑制噪聲影響，然后采用Cloude目標(biāo)分解和極化相干性信息確定初始類別，最后利用Wishart分類器進(jìn)行聚類分析得到分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法在地物類型單一區(qū)域分類精度較高，在地物類型多樣區(qū)域分類精度相對(duì)較低。目前，基于Pol-SAR數(shù)據(jù)的分類方法典型地物的平均分類精度在80%左右[10,11]，本文提出的方法與之相比精度有明顯提高。如何利用Pol-InSAR數(shù)據(jù)提高地物類型多樣區(qū)域的分類精度是今后研究的重點(diǎn)。

[1]周梅，王新鴻，唐伶俐等. 極化干涉合成孔徑雷達(dá)技術(shù)發(fā)展與應(yīng)用[J]. 科技導(dǎo)報(bào)，2008，26(21):90-93.

[2]吳一戎，洪文，王彥平. 極化干涉SAR的研究現(xiàn)狀與啟示[J]. 電子與信息學(xué)報(bào)，2007，25(5):1258-1262.

[3]樓良盛，劉志銘，錢方明. 全極化InSAR技術(shù)在測(cè)繪中應(yīng)用[J]. 測(cè)繪科學(xué)與工程，2012，32(4):65-70.

[4]馮伍法. 遙感圖像判繪[M]. 北京：科學(xué)出版社，2014.

[5]王超，張紅，陳曦等. 全極化合成孔徑雷達(dá)圖像處理[M]. 北京：科學(xué)出版社，2008.

[6]肖國(guó)超，朱彩英．雷達(dá)攝影測(cè)量[M]．北京: 地震出版社，2001.

[7]杜麗娜. 極化SAR/InSAR信號(hào)處理與應(yīng)用[D]. 西安：西安電子科技大學(xué)，2014.

[8]曹芳，洪文，吳一戎. 基于Cloude-Pottier目標(biāo)分解和聚合的層次聚類算法的全極化SAR數(shù)據(jù)的非監(jiān)督分類算法研究[J]. 電子學(xué)報(bào)，2008，36(3):543-546.

[9]易恒. 基于極化SAR數(shù)據(jù)的地表信息提取研究[D]. 長(zhǎng)沙：中南大學(xué)，2011.

[10]梁志鋒，凌飛龍，陳爾學(xué). 全極化SAR數(shù)據(jù)的最大后驗(yàn)概率分類[J]. 武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2013，38(6):648-651.

[11]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影像分類算法研究[J]. 測(cè)繪學(xué)報(bào)，2012，41(4):556-562.

Polarimetric InSAR Object Classification Method Based on Cloude Target Decomposition

Qian Fangming1,2，Lou Liangsheng1,2，Liu Wei1,2，Zhang Xiaowei1,2，Zhang Hao1,2

1. Xi’an Research Institute of Surveying and Mapping, Xi’an 710054, China 2. State Key Laboratory of Geo-information Engineering, Xi’an 710054, China

An object classification method based on Cloude target decomposition for polarimetric InSAR (Pol-InSAR) is proposed in this paper to resolve the classification problem using Pol-InSAR data. The classification principles and procedure are described and designed. Firstly, the Pol-InSAR data is pre-processed to reduce noise impact, and then the Cloude target decomposition result and polarimetric coherence information are used to confirm the initial classification result. At last, cluster analysis is conducted with Wishart classifier to obtain the final classification result. The experiment shows that the classification precision is higher in areas of single-type object and relative lower in areas of various objects.

polarimetric InSAR; object classification; Cloude target decomposition

2015-10-28。

錢方明(1981—)，男，工程師，主要從事InSAR數(shù)據(jù)處理與應(yīng)用研究。

P231

A