基于Sentinel--1A雷達(dá)數(shù)據(jù)和Sentinel--2A多光譜數(shù)據(jù)特征融合的地物分類

鄭煜，陳圣波，陳彥冰，李安臻

吉林大學(xué) 地球探測(cè)科學(xué)與技術(shù)學(xué)院，長(zhǎng)春 130026

0 引言

地物分類一般被視為遙感目標(biāo)解譯的初始階段和關(guān)鍵環(huán)節(jié)。光學(xué)遙感影像具有分辨率高、覆蓋范圍廣和成本低等優(yōu)點(diǎn)[1--2]，傳統(tǒng)利用遙感影像進(jìn)行地物分類多基于光學(xué)影像[3--4]。但在實(shí)際運(yùn)用中，光學(xué)影像易受多云、多雨和多霧等不良天氣的影響，不可避免地在地物分類中造成數(shù)據(jù)信息的缺失，增加分類難度。合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)影像具有全天時(shí)、全天候、高分辨率和多極化方式等特點(diǎn)[5--8],彌補(bǔ)了光學(xué)影像易受不良天氣影響的弊端，兩種數(shù)據(jù)具有互補(bǔ)性，在土地利用、地形測(cè)繪、農(nóng)作物分類、洪澇災(zāi)害監(jiān)測(cè)、森林和濕地監(jiān)測(cè)以及城市監(jiān)測(cè)等實(shí)際應(yīng)用中具有重要意義[9--14]。

目前，在結(jié)合SAR與光學(xué)影像進(jìn)行地物分類的研究中，更側(cè)重于通過(guò)不同的數(shù)據(jù)融合算法和多時(shí)相數(shù)據(jù)達(dá)到提高地物分類精度的目的[15--19]。Pei et al.[15]提出了一種基于全極化SAR影像、極化相干矩陣特征、光學(xué)遙感影像光譜和紋理的多種特征融合和多分類器集成的遙感影像分類新方法，利用主被動(dòng)遙感數(shù)據(jù)在不同地表景觀類型提取上的潛力，有效地提取土地覆蓋信息。Liu et al.[16]針對(duì)不同融合算法差異，對(duì)主成分分析(PCA)、Gram--Schmidt(GS)、Brovey和小波變換4種融合算法進(jìn)行比較，基于面向?qū)ο蠹夹g(shù)對(duì)旱地作物進(jìn)行分類，結(jié)果表明融合后分類精度均有所提高，其中，GS和Brovey融合優(yōu)于另外2種融合算法。張海龍等[17]利用改進(jìn)的Synthetic Variable Ratio(SVR)算法融合Radarsat SAR與Landsat TM影像，采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行監(jiān)督分類，提高地物分類精度。王宇航等[18]基于Gram--Schmidt(GS)融合算法，對(duì)Quickbird影像和Radarsat--2全極化SAR影像進(jìn)行融合，識(shí)別地表覆蓋及森林類型,提高了總體分類精度。Blaes et al.[19]將光學(xué)影像和3～5幅SAR影像進(jìn)行組合，用于作物識(shí)別，成功提高了作物分類精度。Steinhausen et al.[20]通過(guò)1幅Sentinel--2影像和8幅Sentinel--1影像進(jìn)行組合，改善了多云季風(fēng)地區(qū)的土地利用和土地覆蓋分類精度。

然而，直接通過(guò)不同的融合算法和采用不同時(shí)相影像進(jìn)行融合分類時(shí)，數(shù)據(jù)量較大，易產(chǎn)生數(shù)據(jù)冗余。筆者以Sentinel--1A雷達(dá)數(shù)據(jù)和Sentinel--2A多光譜數(shù)據(jù)作為數(shù)據(jù)源，通過(guò)分析提取有效特征信息，進(jìn)行特征融合，以長(zhǎng)春市凈月開(kāi)發(fā)區(qū)部分地塊為研究區(qū)，分別對(duì)無(wú)云和有云覆蓋條件下的地物進(jìn)行分類，以探究雷達(dá)和光學(xué)影像特征融合對(duì)于地物分類的優(yōu)勢(shì)。

1 研究區(qū)域與數(shù)據(jù)預(yù)處理

研究區(qū)位于吉林省長(zhǎng)春市凈月開(kāi)發(fā)區(qū)，經(jīng)緯度范圍為43°48′～43°50′N,125°27′～125°30′E，研究區(qū)面積為10 km2。該區(qū)域包括有林地、耕地、水域和建筑區(qū)等多種地物類型，且各種地物所占比例相當(dāng)。

選取2019年7月24日的Sentinel--1A(簡(jiǎn)稱S1)SAR數(shù)據(jù)和2019年7月28日的Sentinel--2A(簡(jiǎn)稱S2)多光譜數(shù)據(jù)(無(wú)云)進(jìn)行特征融合分類分析；選取2019年9月22日的S1 SAR數(shù)據(jù)和2019年9月26日的S2多光譜數(shù)據(jù)(有云)分析受不良天氣影響時(shí)，特征融合的分類優(yōu)勢(shì)。

S1衛(wèi)星是哥白尼全球監(jiān)測(cè)計(jì)劃的第一顆環(huán)境衛(wèi)星，于2014年4月3日發(fā)射。本文采用IW GRD地距多視影像，寬幅為250 km，地面分辨率為5 m×20 m。利用歐空局的ESA_SNAP軟件對(duì)S1數(shù)據(jù)進(jìn)行輻射定標(biāo)、多視、濾波和地形校正等預(yù)處理，并重采樣為分辨率10 m×10 m的影像，采用投影參數(shù)為 UTM (zone50)/WGS84。

S2衛(wèi)星是“全球環(huán)境與安全監(jiān)測(cè)”計(jì)劃的第2顆衛(wèi)星，于2015年6月23日發(fā)射。本文選取S2影像的藍(lán)、綠、紅、近紅外波段數(shù)據(jù),利用歐空局的Sen2cor插件對(duì)S2影像進(jìn)行輻射定標(biāo)和大氣校正等預(yù)處理，采用投影參數(shù)為 UTM (zone50)/WGS84。

基于同時(shí)期Google Earth高分辨率影像，并結(jié)合實(shí)地考察，選取20個(gè)具有明顯標(biāo)志的建筑物拐點(diǎn)、道路交叉口和河流拐點(diǎn)等作為地面控制點(diǎn)，并確保在圖幅中均勻分布。在S1和S2數(shù)據(jù)預(yù)處理的基礎(chǔ)上，利用地面控制點(diǎn)進(jìn)行精確配準(zhǔn)處理，配準(zhǔn)誤差控制在0.5個(gè)像元內(nèi)。裁剪出研究區(qū)域范圍，裁剪后的研究區(qū)S1和S2數(shù)據(jù)如圖1所示。

a.7月24日S1數(shù)據(jù)；b.7月28日S2數(shù)據(jù)；c.9月22日S1數(shù)據(jù)；d.9月26日S2數(shù)據(jù)。圖1 研究區(qū)S1和S2數(shù)據(jù)Fig.1 S1 and S2 data of study area

2 研究方法

基于S2多光譜數(shù)據(jù)，提取有效光譜特征信息，融合S1 SAR數(shù)據(jù)紋理特征信息，分別采用3種分類方法對(duì)融合前后影像進(jìn)行地物分類，并評(píng)價(jià)分類精度。

2.1 特征提取與圖像融合

采用主成分分析法(Principal Component Analysis,PCA)，對(duì)S2數(shù)據(jù)進(jìn)行光譜特征提取，結(jié)果顯示前2個(gè)波段集中了原始影像98%以上的信息，完全可以代表原始影像的光譜信息(圖2a)，因此選取前2個(gè)波段作為S2影像的光譜特征數(shù)據(jù)?；诨叶裙采仃?GLCM)算法提取S1影像的紋理特征信息(圖2b)。

對(duì)S2光譜特征信息和S1紋理特征信息基于Gram--Schmidt(GS)進(jìn)行特征層的圖像融合(圖2c)。GS融合方法可以對(duì)參與融合的各波段進(jìn)行最佳匹配，不受波段限制，較好地保留空間紋理特征信息和光譜特征信息。

a.S1數(shù)據(jù)紋理特征提取；b.S2數(shù)據(jù)光譜特征提取；c.S1和S2數(shù)據(jù)特征融合。圖2 S1和S2數(shù)據(jù)特征提取和特征融合Fig.2 S1 and S2 data characteristics extraction and fusion

2.2 分類方法與精度評(píng)價(jià)

基于最小距離(Minimum Distance，MD)、最大似然(Maximum Likelihood，ML)、支持向量機(jī)(Support Vector Machine,SVM)3種分類方法分別對(duì)單一的S2(無(wú)云)影像和基于S2(無(wú)云)與同時(shí)期S1特征融合后影像進(jìn)行地物分類，并采用混淆矩陣算法計(jì)算融合前后3種分類方法的總體分類精度和Kappa系數(shù)，評(píng)價(jià)最優(yōu)算法，并采用最優(yōu)分類方法，對(duì)單一的S2(有云)影像和基于S2(有云)與同時(shí)期S1特征融合后影像進(jìn)行地物分類，探究在光學(xué)影像受不良天氣影響時(shí)，融合SAR影像對(duì)地物分類的識(shí)別能力。整體技術(shù)路線如圖3所示。

圖3 研究方法技術(shù)路線Fig.3 Research methods and technical flowchart

3 結(jié)果與分析

3.1 無(wú)云影像分類結(jié)果與精度評(píng)價(jià)

根據(jù)研究區(qū)土地利用特點(diǎn)，將研究區(qū)分為4個(gè)類別，分別為水域、林地、耕地和建筑區(qū)。以同時(shí)期Google Earth高分辨率影像為參考進(jìn)行樣本的選擇，在S2(無(wú)云)數(shù)據(jù)中計(jì)算Jeffreys--Matusita距離和感興趣區(qū)域每個(gè)組合的Transformed Divergence。這兩個(gè)參數(shù)的大小決定了訓(xùn)練樣本選擇的合理性，確保各個(gè)地物之間的可分離性均>1.9。利用3種不同分類方法(MD、ML、SVM)分別對(duì)單一的S2(無(wú)云)影像和融合后影像進(jìn)行分類，檢驗(yàn)融合前后影像識(shí)別地物的能力，找出最優(yōu)的分類方法。分類結(jié)果如圖4、5所示，可以看出，3種分類方法中，特征融合后影像的分類效果較融合前均有明顯改善。

通過(guò)混淆矩陣算法，計(jì)算融合前后影像分類的總體分類精度和Kappa系數(shù)(表1)。從表1中可以看出，采用MD、ML、SVM 3種分類方法分別對(duì)融合前后影像進(jìn)行分類時(shí)，SVM分類方法精度最高，融合前后分類精度分別為89.83%和97.94%；ML分類方法精度次之，融合前后分類精度分別為89.74%和97.59%；MD分類方法精度較差，融合前后分類精度分別為81.98%和88.91%。

表1 實(shí)驗(yàn)數(shù)據(jù)特征融合前后精度比較

比較融合前后的分類精度，3種分類方法中，S1和S2(無(wú)云)特征融合后影像的總體分類精度和kappa系數(shù)均高于單一的S2影像，其中，SVM分類精度較融合前提高了8.11%；ML分類精度較融合前提高了7.85%；MD分類精度較融合前提高了6.93%。

由此可知，融合雷達(dá)影像和光學(xué)影像進(jìn)行地物分類時(shí)有較大優(yōu)勢(shì)，且選擇合適的分類方法對(duì)獲得高精度的分類結(jié)果具有重要意義，本文SVM分類方法在分別對(duì)融合前后影像進(jìn)行分類和融合后分類精度提高程度上均優(yōu)于另外2種分類方法。

3.2 有云影像分類結(jié)果與精度評(píng)價(jià)

根據(jù)以上分類方法和步驟，使用S2(有云)影像結(jié)合同時(shí)期的S1影像，采用分類精度最優(yōu)的SVM分類方法對(duì)地物進(jìn)行分類，探究在光學(xué)影像質(zhì)量較差時(shí)，融合SAR影像能否提高分類精度。如圖6所示，分別為使用單一S2(有云)影像對(duì)研究區(qū)進(jìn)行分類結(jié)果和輔助S1影像進(jìn)行特征融合后的分類結(jié)果，表2為融合前后分類精度。由表2可知，融合后總體分類精度提高了12.5%，Kappa系數(shù)提高0.171 1，較融合前有明顯提高，其中，建筑區(qū)和水域的分類精度提高較大，建筑區(qū)識(shí)別精度提高了20.04%，水域識(shí)別精度更是達(dá)到了100%。由此可見(jiàn)，在S2影像受不良天氣影響時(shí)，如有云層覆蓋情況下，輔助S1影像進(jìn)行特征融合后分類精度有明顯提高，尤其對(duì)建筑區(qū)和水域的識(shí)別。

a.MD分類結(jié)果；b. ML分類結(jié)果；c. SVM分類結(jié)果。圖4 基于S2(無(wú)云)影像的分類結(jié)果Fig.4 Classification results based on S2 (cloudless) images

a.MD分類結(jié)果；b. ML分類結(jié)果；c. SVM分類結(jié)果。圖5 基于S1和S2(無(wú)云)影像特征融合的分類結(jié)果Fig.5 Classification results based on S1 and S2 (cloudless) image characteristics fusion

a.S1和S2有云融合影像；b.S2(有云)影像分類結(jié)果；c. S1和S2(有云)融合影像分類結(jié)果。圖6 特征融合影像和特征融合前后SVM分類結(jié)果Fig.6 Characteristics fusion image and SVM classification results before and after characteristics fusion

表2 驗(yàn)證數(shù)據(jù)特征融合前后精度比較

4 結(jié)論

(1)采用3種不同分類方法(MD、ML、SVM)對(duì)地物進(jìn)行分類時(shí)，SVM分類方法分類精度最高，ML分類方法次之，MD分類方法精度最低。

(2)基于S1雷達(dá)數(shù)據(jù)和S2多光譜數(shù)據(jù)進(jìn)行特征融合后的影像，采用以上3種分類方法進(jìn)行地物分類的分類精度，較單一的S2多光譜影像均有明顯提高。

(3)在光學(xué)影像受不良天氣影響時(shí)，如有云的情況下，融合雷達(dá)影像，對(duì)分類精度有較大提高，尤其是在建筑區(qū)和水域的分類中有較大優(yōu)勢(shì)。