基于極化特征和紋理特征的PolSAR影像建筑物提取方法*

馬肖肖，程 博，劉岳明，崔師愛，梁琛彬

(1 中國科學院遙感與數(shù)字地球研究所， 北京 100094； 2 中國科學院大學, 北京 100049； 3 中國科學院地理科學與資源研究所， 北京 100101)

城市建筑物高精度提取對于測繪地理信息、地理國情監(jiān)測、土地利用調(diào)查以及智慧城市、數(shù)字城市的建設(shè)等領(lǐng)域有著重要的意義。相比于傳統(tǒng)的合成孔徑雷達(SAR)影像的獲取方式，極化合成孔徑雷達(PolSAR)可以更加完整地記錄目標的后向散射信息，完全表征特定觀測頻率和姿態(tài)下目標的極化散射特性[1]，對于建筑物的解譯能力更強[2]。隨著PolSAR影像數(shù)據(jù)的極化濾波、目標分解、信息提取等不斷的發(fā)展與完善，利用PolSAR影像提取建筑物已經(jīng)成為遙感領(lǐng)域的熱點研究內(nèi)容[3]。

由于建筑物的結(jié)構(gòu)、組成成分以及復雜背景等因素的影響，單類的目標散射機理或者某些極化特征并不能很好地描述其散射特性，不同的特征提取方法對其提取效果有較大差異，而且各特征區(qū)分建筑物和非建筑物的能力以及建筑物提取的最佳特征組合仍未得到充分的分析和驗證。本文選擇覆蓋蘇州市的Radarsat2影像，通過極化非相干分解方法提取出偶次散射等19種極化特征，并基于灰度共生矩陣提取出常規(guī)的8種紋理特征，詳細分析建筑物、植被和水體這3類典型地物的極化特征，然后基于以上各個特征及特征組合，結(jié)合主成分分析法(PCA)和支持向量機法(SVM)[18]進行建筑物的提取，定量分析提取精度，以期為城市建筑提取提供一種更加便捷可靠的方法。

1 實驗數(shù)據(jù)概況

研究區(qū)位于江蘇省蘇州市，城市化程度較高。實驗數(shù)據(jù)為Radarsat-2 全極化的SLC衛(wèi)星產(chǎn)品，成像時間為2017年7月17日，采用四極化精細(fine quad polarization)成像模式，空間分辨率為6.17 m，景中心經(jīng)緯度分別是北緯31.3°、東經(jīng)120.6°，影像實地覆蓋范圍大小為25 km×25 km，數(shù)據(jù)大小為5 760像素×3 788像素。實驗區(qū)范圍如圖1所示，覆蓋蘇州市姑蘇區(qū)、相城區(qū)、吳中區(qū)等區(qū)域，地物類型豐富，包括水體、植被以及建筑物等，中心區(qū)域城市建筑物較為集中，四周則較為分散。

圖1 實驗區(qū)Radarsat-2影像(2017年7月17日)Fig.1 Radarsat-2 image of study area

2 原理與方法

通過極化非相干分解方法提取極化特征，同時提取基于GLCM的紋理特征，對比分析建筑物、植被、水體等3類典型地物的極化和紋理特征，然后進行特征和特征組合的選取和構(gòu)建，結(jié)合SVM分類器提取實驗區(qū)中的建筑物，最后通過PCA特征融合對建筑物提取算法進行改進?；跇O化特征的POLSAR影像的建筑物提取方法流程圖2所示。

2.1 數(shù)據(jù)預處理

為了去除SAR影像的相干斑噪聲，需要對圖像進行濾波。本文選用通用的增強型Lee濾波方法[19]進行相干斑抑制，它是一種基于邊緣檢測的自適應濾波算法，通過重新定義中心像素的鄰域來提高準確性，在降噪的同時也有一定的邊緣和紋理保持能力，濾波窗口大小選為5像素×5像素。

2.2 極化特征提取

極化協(xié)方差矩陣C和相干矩陣T是在極化散射矩陣S的基礎(chǔ)上進行二階統(tǒng)計得到的，包含雷達測量得到的全部極化信息，分別提取兩種矩陣的上三角元素作為提取過程中建筑物的特征；極化目標非相干分解方法是將協(xié)方差矩陣或相干矩陣分為幾種散射機理的加權(quán)和，加權(quán)系數(shù)代表對應的散射機理的強弱，分別用改進的Cloude分解方法、自適應三分量分解和Yamaguchi分解等3種極化分解方法進行極化特征的提取。以上極化特征提取方法及提取的19種極化特征如表1所示。

圖2 PolSAR影像建筑物提取方法流程圖Fig.2 Flow chart of PolSAR building extraction method

表1 極化特征提取方法及描述Table 1 Method and description of polarization feature extraction

2.3 紋理特征提取

紋理特征是建筑物提取中的又一重要特征，它反映影像的空間分布。目前主要采用灰度共生矩陣(GLCM)統(tǒng)計SAR圖像的紋理特征，包括均值、方差、均質(zhì)性、對比度、相異性、熵、角二階矩和相關(guān)性等。其原理是統(tǒng)計一定窗口內(nèi)滿足某一方向上同一距離的像素對的概率，生成共生矩陣，并在此基礎(chǔ)上進行二次統(tǒng)計，最后生成紋理特征，如表2所示。生成的紋理特征受窗口大小的影響，窗口過大，紋理特征過于模糊，造成邊緣損失；窗口太小，提取的紋理特征均質(zhì)性差，不能很好的反映目標的紋理特征。經(jīng)實驗，本文數(shù)據(jù)提取紋理特征最適用的窗口大小為5像素×5像素。

表2 基于灰度共生矩陣的紋理特征參數(shù)Table 2 Texture feature parameters based on GLCM

2.4 主成分分析(PCA)

主成分分析[20](principal component analysis，PCA)，是通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)變量的一種統(tǒng)計方法，轉(zhuǎn)換后的這組變量就是主成分?；谥鞒煞址治龅奶卣魅诤霞词菍⑻卣骷械乃刑卣鳂?gòu)成一組變量，然后進行主成分變換，在保證數(shù)據(jù)信息丟失最少的原則下，用低維變量代替原來的高維變量，從而達到提取主要特征、降低特征間信息冗余的目的。此外，經(jīng)過PCA特征融合后，原始特征集的維數(shù)得到降低，進而提高目標提取算法的效率。該方法的主要流程如下：

1)對原始數(shù)據(jù)X進行標準化處理并計算樣本的相關(guān)系數(shù)矩陣R，其中R的大小為p×p。

(1)

2)計算相關(guān)系數(shù)矩陣R的特征值和特征向量：

特征值

λ1,λ2,…,λP，

(2)

特征向量

αi=(α11,α12,…,α1p),i=1,2,…,p.

(3)

3)選擇重要的主成分，由主成分分析可以得到P個主成分，從第一主成分至第P個主成分包含的信息量是遞減的。實際使用中則會根據(jù)情況選擇K個主成分。

4)最后計算得到主成分，形式如下

fij=αj1xi1+αj2xi2+…+αjpxip

(i=1,…,n;j=1,…,k).

(4)

2.5 支持向量機(SVM)算法

支持向量機(support vector machine,SVM)是建立在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上的一種機器學習算法，其原理根據(jù)有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，以期獲得最好的推廣能力。SVM算法的引入對于高維特征集的建筑物的識別和提取有著重要意義。

2.6 精度評價指標

為了更加精確地表征建筑物的提取效果，本文采用精度(Ac)、虛警率(FA)和漏警率(MA)等3個指標進行精度評價，其定義如下：

(5)

(6)

(7)

式中：TP和FP分別為建筑物被正判和錯判的像元數(shù)；TN和FN分別代表非建筑物被正判和錯判的像元數(shù)。Ac反映所有被正判的像元比例，MA和FA分別表示建筑物和非建筑物被錯判的像元比例。

3 實驗結(jié)果與分析

本文提取實驗區(qū)Radarsat-2全極化數(shù)據(jù)的19種極化特征以及8種紋理特征，利用SVM算法(線性核函數(shù))進行建筑物的提取。同時分別選取10 000個水體、植被和建筑物的樣本點，作為精度評價的基準；并利用這些樣本點生成特征散點圖，更加直觀地表征某一特征對建筑物和非建筑物的可分性。此外，本文分別選取200個建筑物和非建筑物樣本點作為SVM算法的訓練集，并將其他未分類點作為測試集。

3.1 基于極化特征的建筑物提取結(jié)果

3.1.1 基于極化協(xié)方差矩陣/相干矩陣建筑物提取結(jié)果

分別提取極化協(xié)方差矩陣和相干矩陣的主對角線元素等6種極化特征，各特征中建筑物、植被和水體的表征以及基于各特征的建筑物提取結(jié)果如圖3、圖4和表3所示。圖4中白色部分為提取的建筑物區(qū)域。極化特征T22、C11和C33能很好地區(qū)分建筑物和水體，但建筑物和植被之間有一些混淆，造成較高的漏警率，基于以上特征的建筑物提取精度分別是86.2%、86.2%和80%；基于T11的建筑物提取精度為64.4%，該特征能夠在一定程度上區(qū)分出植被，但誤提大部分的水體，導致較高的漏警率和虛警率；在特征T33和C22中3類地物之間存在嚴重的混淆現(xiàn)象，僅能區(qū)分部分具有強后向散射強度的建筑物，因此存在較高的漏警率，建筑物提取精度均為68.5%。

圖3 極化協(xié)方差矩陣/相干矩陣—3類典型地物極化特征圖Fig.3 Polarization covariance/coherent matrix：polarization signatures of typical ground objects

不同的極化特征組合對建筑物的提取效果不同。表3分別列出建筑物提取效果最佳和最差的幾種特征組合。其中，基于所有的6種極化特征的建筑物提取精度為86.0%；建筑物的提取精度最高為87.8%(T22、T33、C11、C22)，最低為69.2%(T11、C22)。此外，基于T11、T33、C22和C33間的特征組合精度均在79%以下，而基于其他特征組合的提取精度均大于83%。雖然T22、C11和C33各自的提取精度較高，但特征組合后的提取效果并未得到改善，T22的虛警率較低，有利于降低提取結(jié)果的虛警率。

上圖為整景影像，下圖為區(qū)域放大圖.圖4 極化協(xié)方差矩陣/相干矩陣—建筑物提取結(jié)果Fig.4 Polarization covariance/coherent matrix：building extraction results

表3 極化協(xié)方差矩陣/相干矩陣—建筑物提取結(jié)果精度Table 3 Polarization covariance/coherent matrix：the accuracy of building extraction

3.1.2 基于改進的Cloude分解的建筑物提取結(jié)果

圖5 改進的Cloude分解—建筑物提取結(jié)果及極化特征圖Fig.5 Building extraction results and polarization signatures of typical ground objects based on advanced Cloude decomposition

表4 改進的Cloude分解—建筑物提取結(jié)果精度Table 4 Advanced Cloude decomposition：the accuracy of building extraction

3.1.3 基于自適應三分量分解的建筑物提取結(jié)果

基于自適應三分量分解得到三種極化特征，偶次散射特征、奇次散射特征以及體散射特征。建筑物、植被和水體3類典型地物的極化特征如圖6所示?；跇O化特征的建筑物提取精度如表5所示。其中偶次散射特征幾乎可以將建筑物與植被、水體完全區(qū)分，基于該特征的建筑物提取精度也最高，可以清晰地提取出建筑物的輪廓和形狀；對于奇次散射特征，建筑物與植被混合程度較大，虛警率和漏警率均在46%以上；而體散射特征僅能提取出后向散射系數(shù)較高的建筑物，散射系數(shù)較低的建筑物與植被完全混淆，因此漏警率很高，但是虛警率較低。

偶次散射特征與其他特征組合后，建筑物的提取效果反而略有降低，而奇次散射和體散射特征組合后的提取精度僅為67.9%，因此自適應三分量分解中，偶次散射特征對于提取建筑物發(fā)揮的作用最大。

表5 基于自適應三分量分解的建筑物提取精度Table 5 Building extraction precision based on adaptive three-component decomposition

3.1.4 基于Yamaguchi分解的建筑物提取結(jié)果

由Ymaguchi分解得到4個極化特征，基于各個極化特征的建筑物提取結(jié)果以及3類典型地物的極化特征圖如圖7所示。其中偶次散射特征可以很好地區(qū)分出建筑物，但依然存在漏提現(xiàn)象；奇次散射特征中建筑物和植被有部分混合，提取出建筑物的同時也提取出大量的植被，因此虛警率和漏警率較高，都在40%以上；而體散射和螺旋散射則僅能識別后向散射系數(shù)較高的建筑物，因此導致較高的漏警率。

如表6所示，在基于不同特征組合的建筑物提取結(jié)果中，偶次散射特征其他特征組合后的提取效果較好；基于除偶次散射特征之外的其他特征組合的建筑物提取精度僅為71%左右。因此，Yamaguchi分解中，偶次散射特征對于建筑物提取發(fā)揮的作用最大。

圖6 自適應三分量分解—建筑物提取結(jié)果及極化特征圖Fig.6 Building extraction results and polarization signatures of typical ground objects based on adaptive three-component decomposition

圖7 Yamaguchi分解—建筑物提取結(jié)果及極化特征圖Fig.7 Building extraction results and polarization signatures of typical ground objects based on Yamaguchi decomposition

表6 基于Yamaguchi分解的建筑物提取結(jié)果Table 6 Building extraction precision based on Yamaguchi decomposition

3.2 紋理特征提取結(jié)果

基于常規(guī)的8種紋理特征的建筑物提取結(jié)果表7所示。其中，基于均值的建筑物提取精度最高；其次是方差、對比度和相異性，但在提取建筑物的同時也誤提部分植被，因此漏警率和虛警率都較高；對于其他4種紋理特征，建筑物提取效果很差，均質(zhì)性誤提大量的植被，虛警率為51.8%，熵和角二階矩僅能提取出后向散射系數(shù)極強的建筑物，這兩種特征的漏警率都超過90%，虛警率都在70%以上；而基于相關(guān)性的提取精度雖然低于熵和角二階矩，但是其漏警率和虛警率都低于二者。

基于多個紋理特征的建筑物提取精度最高可達87.3%(均值、方差、熵、相關(guān)性)，其次是87.29%(均值、方差、相關(guān)性)，87.17%(均值、方差、均質(zhì)性、角二階矩、相關(guān)性)。基于所有8種紋理特征的建筑物提取精度為87.14%。雖然基于單個紋理特征的提取精度可能高，但通過合適的特征組合可以得到較為理想的提取效果。

表7 基于紋理特征的建筑物提取結(jié)果Table 7 Building extraction results based on texture features

3.3 基于特征融合和SVM算法的建筑物提取

以上基于單個特征以及特征組合的建筑物提取算法均是在SVM算法基礎(chǔ)上進行的，當同時基于多個特征進行分類時，計算復雜度高且效率較低。因此本文首先將提取的極化特征和紋理特征利用PCA算法進行特征降維，并取第一主成分主成分和第二主成分作為新的特征，最后利用SVM算法對PCA變換后的特征進行建筑物提取。其中，PCA特征融合對整體提取算法效率的影響見圖8。可見，PCA特征融合在很大程度上縮短了算法的運行時間，且特征數(shù)越多，其效果越明顯。

本文將提取到的所有極化特征和紋理特征進行排列組合，基于各特征及特征組合的建筑物提取結(jié)果如圖9和表8、表9所示。在特征提取方法上，如表8所示，自適應三分量分解和Yamaguchi分解對建筑物的提取效果最好，原因是偶次散射分量表征著建筑物間常發(fā)生的二面角散射，Yamaguchi分解中螺旋散射分量的加入減少了建筑物與植被間的混合，提取精度較高；基于改進的Cloude分解和極化協(xié)方差矩陣相干矩陣的建筑物提取結(jié)果中，前者誤提了部分植被，后者漏提了部分建筑物；基于紋理特征的提取效果均不如前4種方法。

圖8 PCA特征融合對建筑物提取算法運行時間的影響Fig.8 Influence of PCA feature fusion on the algorithm

對于單一特征，如圖9所示，當該特征無法區(qū)分建筑物和非建筑，即基于該特征的建筑物提取的虛警率、漏警率都很高，那么該特征組合后則不利于建筑物的提取，如基于灰度共生矩陣的角二階矩(ASM)；當該特征可以區(qū)分某一類典型地物，即虛警率或漏警率較低，或者提取精度較高，那么該特征經(jīng)組合后可能會改善提取效果，例如偶次散射、均值等。

對于特征組合，表9中前3種為提取效果最好的特征組合，表10列出分別基于1～27種特征組合中的建筑物提取效果最佳的組合，其中，5種或6種特征融合后建筑物的提取精度最高，虛警率和漏警率都較低。隨著特征數(shù)的增加，建筑物提取效果反而略有下降，而當特征數(shù)增加到27時，提取效果最差，其主要原因可能是有些特征中建筑物和非建筑物混淆嚴重，擾亂算法的判別過程，例如特征ASM；有些特征則會造成過多的冗余，從而造成精度的下降，例如基于矩陣的極化特征和基于目標分解的極化特征間相關(guān)性較大。此外，極化特征與紋理特征組合后，建筑物提取精度得到明顯提高，輪廓和邊界也更加清晰，而且虛警率和漏警率都有所下降，其中偶次散射分量和均值對于建筑物提取的作用較大。

圖9 基于各特征的建筑物提取效果Fig.9 Building extration accuracy based on each feature

表8 基于特征提取方法的建筑物提取結(jié)果Table 8 Building extraction results based on feature extraction methods

表9 基于極化特征和紋理特征的建筑物提取結(jié)果Table 9 Building extraction results based on polarization features and texture features

表10 基于特征組合的建筑提取精度Table 10 Building extraction accuracy based on feature combination %

注：1.Y4Fd, 2.Y4Fd+Y4Fs, 3. A3Fd+Y4Fd+Y4Fs, 4. A3Fd+Y4Fd+Y4Fs+H, 5.A3Fd+Y4Fd+Mean+Hom+Con, 6. e2+A3Fd+Y4Fd+Y4Fs+Y4Fh+Mean,7.H+A3Fd+Y4Fd+Y4Fs+Var+Hom,8.H+A3Fd+Y4Fd+Y4Fs+Var+Hom+Dis,9.H+A3Fd+Y4Fd+Y4Fs+Var+Hom+Dis+Ent,10.H+A3Fd+Y4Fd+Y4Fs+Var+Hom+Dis+Ent+ASM,11.H+A3Fd+Y4Fd+Y4Fs+Var+Hom+Dis+Ent+ASM+Cor,12.H+A3Fd+Y4Fd+Y4Fs+Y4Fh+Var+Hom+Dis+Ent+ASM+Cor,13.H+A3Fd+Y4Fd+Y4Fs+Y4Fh+Var+Hom+Con+Dis+Ent+ASM+Cor,14.T33+H+A3Fd+Y4Fd+Y4Fs+Y4Fh+Var+Hom+Con+Dis+Ent+ASM+Cor,15.T33+H+A+A3Fd+Y4Fd+Y4Fs+Y4Fh+Var+Hom+Con+Dis+Ent+ASM+Cor,16.T33+e1+H+A+A3Fd+Y4Fd+Y4Fs+Y4Fh+Var+Hom+Con+Dis+Ent+ASM+Cor,17.All-T11-T22-C11-C22-C33-e2-A3Fv-Y4Fv-Mean,18.All-T11-T22-C11-C22-C33-e2-Y4Fv-Mean,19.All-T11-T22-C11-C22-e2-Y4Fv-Mean,20.All-T22-C11-C22-e2-Y4Fv-Mean,21.All-T22-C11-C22-e2-Mean, 22. All-T22-C11-C22-Mean,23. All-C11-C22-Mean,24.All-e1-A3Fs-Y4Fh,25.All-A3Fs-Y4Fh,26. All-Y4Fh, 27. All。

此外，結(jié)合PCA特征融合和SVM的建筑物提取算法在保證提取精度的同時，大大提高整景影像的提取效率，主要原因是主成分分析(PCA)可以選擇最有用的特征，從而降低維度，減少特征間的冗余。

4 討論和分析

本文分別采用多種極化非相干分解方法進行特征的提取，并結(jié)合紋理特征提取影像中的建筑物，通過特征組合及PCA特征融合后發(fā)現(xiàn)，基于Yamaguchi分解的偶次散射、基于自適應三分量分解的偶次散射、基于改進Cloude分解的λ2、以及基于灰度共生矩陣的均值、方差等對建筑物的識別能力較強，同時也可以提高特征組合的提取精度；而基于Yamaguchi分解的螺旋散射、基于自適應三分量分解的奇次散射以及基于灰度共生矩陣的角二階矩等特征的加入會降低特征組合的提取效果。

由文中的特征散點圖和基于各特征組合的建筑物提取結(jié)果可以看出，大多數(shù)特征中后向散射系數(shù)較低的建筑物和植被較易發(fā)生混淆，如體散射、螺旋散射、λ1等，這是建筑物提取結(jié)果中漏警率大多都較高的原因，同時也一直是PolSAR影像建筑物提取的難點所在。此時利用兩類地物紋理特征的不同，與合適的紋理特征結(jié)合，如均值、方差等，會在一定程度上降低后向散射系數(shù)較低的建筑與植被間的混淆程度，增加分類的可靠性。

利用一些極化特征和紋理特征可以進行水體提取和低后向散射系數(shù)的植被(如農(nóng)田等)提取，例如偶次散射和體散射特征中，水體像元的值基本為零，特征T22中低散射系數(shù)的植被可以與建筑物相互區(qū)分。

隨著PolSAR技術(shù)的不斷發(fā)展，極化特征提取方法的研究和改進層出不窮，對于建筑物提取方面以及其他地物目標提取和分類方面存在著巨大的潛力，同時機器學習、特征融合等算法的快速發(fā)展也為建筑物等地物目標提供了更加精確、快速的提取和分類方法。

5 結(jié)語

1)特征及特征的選擇對于建筑物的提取至關(guān)重要，總體來說，基于極化特征的提取精度很大程度上高于基于紋理特征的建筑物提取精度，主要原因是紋理特征僅能表現(xiàn)地物的空間分布特點，極化特征更能充分地利用極化信息描述地物的后向散射特性，從而更好地區(qū)分建筑物和非建筑物，而極化特征和紋理特征的結(jié)合可以提高建筑物的識別能力。

2)偶次散射特征對建筑物提取發(fā)揮著重要作用，主要原因是偶次散射更能描述建筑物的散射機理，其取值受其他散射分量的影響，同時在該特征中低后向散射系數(shù)的建筑物和植被之間較易發(fā)生混淆；此外，一些極化特征可用于其他類別地物的識別和提取，而且極化特征和紋理特征在地物的提取和分類上存在著巨大潛力，后續(xù)的工作應當針對以上問題再進行更深入的研究。