一种极化熵结合混合GEV模型的全极化SAR潮间带区域地物分类方法

折小强 仇晓兰 雷斌 张薇 卢晓军

引用本文:
Citation:

一种极化熵结合混合GEV模型的全极化SAR潮间带区域地物分类方法

    作者简介: 折小强(1989–),男,陕西绥德人,博士研究生,主要研究方向为极化SAR图像处理。E-mail: sxq@mail.ustc.edu.cn;仇晓兰(1982–),女,江苏苏州人,中国科学院电子学研究所副研究员,研究方向为SAR成像技术、双基地SAR技术。E-mail: xlqiu@mail.ie.ac.cn;雷 斌(1978–),男,研究员,研究方向为多传感器遥感信息处理系统体系架构设计、SAR信号并行处理、SAR图像处理与图像质量提升和SAR系统性能预估与优化等。E-mail: leibin@mail.ie.ac.cn;张 薇:女,民政部国家减灾中心。E-mail: zhangwei@ndrcc.gov.cn;卢晓军,江苏泰州人,北京理工大学博士后,中国国际工程咨询公司高级工程师,专业方向为智能控制、信号处理。E-mail: lu8new@163.com.
    通讯作者: 折小强   sxq@mail.ustc.edu.cn
  • 基金项目:

    国家自然科学基金(61331017),国家高分重大专项(30-Y20A12-9004-15/16)

  • 中图分类号: TN957.52

A Classification Method Based on Polarimetric Entropy and GEV Mixture Model for Intertidal Area of PolSAR Image

    Corresponding author:
  • Fund Project: The National Natural Science Foundation of China (61331017), The Key Standard Technologies of National High Resolution Special (30-Y20A12-9004-15/16)

    CLC number: TN957.52

  • 摘要: 该文提出了一种可用于全极化SAR的潮间带区域地物分类的方法。首先针对潮间带的特点对4种典型极化特征进行分析和筛选,得到一组最适合描述潮间带区域的多极化特征:极化熵(Polarimetric entropy)和反熵(Anisotropy)。然后基于对潮间带区域极化熵图像的散射特性分析和极值理论,利用广义极值分布(Generalized Extreme Value, GEV)描述其统计特性。在此基础上,提出了一种基于GEV混合模型的EM算法实现对潮间带地物分类的方法。最后,基于上海崇明东滩潮间带的Radarsat-2全极化数据进行了实验,实验结果证明了方法的有效性。
  • 图 1  潮间带的极化特征示例

    Figure 1.  Examples of multi-polarization features of intertidal area

    图 2  GEV分布的3种形态

    Figure 2.  Three types of the GEV distribution

    图 3  基于GEVMM的图像分类流程

    Figure 3.  Flowchart of GEVMM

    图 4  所选实验区域

    Figure 4.  The selected study area

    图 5  研究区域的极化特征

    Figure 5.  Multi-polarization features of the study area

    图 6  GEVMM及其各分量与Gamma分布和log-normal分布的对比:(a)–(e)分别为5个分量与Gamma分布,log-normal分布以及对应标记区域的直方图的对比,其中蓝色区域为归一化直方图,绿线是GEV拟合结果,黑线是Gamma拟合结果,红线是log-normal拟合结果,(f)给出了GEVMM及其各个分量与研究区域直方图的对比结果,其中蓝线为归一化直方图,红线为GEVMM,绿线为GEVMM的各个分量

    Figure 6.  Fitness comparison among GEV distribution and Gamma distribution and Log-normal distribution of each component in GEVMM: (a)–(e) represent the five components of the GEVMM and the fitting results by the Gamma distribution and log-normal distribution for the histograms, which are marked as blue, the green lines represent the GEV fitting results, the black lines represent the most fitted Gamma distribution and the red lines represent the most fitted log-normal distribution, (f) shows the five components of GEVMN as green lines and the respective histograms as blue lines, the red line represents the final model

    图 7  潮间带的地物分类实验结果

    Figure 7.  Classification results of the intertidal area

    表 1  各极化特征的Michelson类间对比度

    Table 1.  Michelson between-region contrast of different features

    极化特征 类间对比度
    Span 0.4092
    Entropy 0.7703
    Anisotropy 0.9959
    α 0.6757
    下载: 导出CSV

    表 2  GEV分布,Gamma分布和log-normal分布在每种类别中的拟合结果的AIC值

    Table 2.  The AIC values of the fitting results between the GEV distribution, the Gamma distribution and log-normal distribution

    AIC 1 2 3 4 5
    GEV 6.3988 4.0095 4.1105 4.7009 6.2093
    Gamma 11.3878 9.3573 7.6928 9.0210 8.3989
    log-normal 11.3878 9.3573 7.6928 9.0213 8.3997
    下载: 导出CSV
  • [1] Lee Hoonyol, Chae Heesam, and Cho Seong-Jun. Radar backscattering of intertidal mudflats observed by Radarsat-1 SAR images and ground-based scatterometer experiments[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(5): 1701–1711. doi: 10.1109/TGRS.2010.2084094
    [2] Li Xiaofeng, Li Chunyan, Xu Qing, et al.. Sea surface manifestation of along-tidal-channel underwater ridges imaged by SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(8): 2467–2477. doi: 10.1109/TGRS.2009.2014154
    [3] Won Eun-Sung, Ouchi Kazuo, and Yang Chan-Su. Extraction of underwater laver cultivation nets by SAR polarimetric entropy[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(2): 231–235. doi: 10.1109/LGRS.2012.2199077
    [4] Inglada J and Garello R. Underwater bottom topography estimation from SAR images by regulariziation of the inverse imaging mechanism[C]. IEEE 2000 International Geoscience and Remote Sensing Symposium, 2000, 5: 1848–1850.
    [5] Kim Ji-Eun, Park Sang-Eun, Kim Duk-Jin, et al.. Recent advances in POL(in)SAR remote sensing & stress-change monitoring of wetlands with applications to the Sunchon Bay Tidal Flats[C]. Synthetic Aperture Radar European Conference (EUSAR), Friedrichshafen, Germany, 2008: 1–3.
    [6] Park S E, Moon W M, and Kim D J. Estimation of surface roughness parameter in intertidal mudflat using airborne polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(4): 1022–1031.
    [7] Zhen Li, Heygster G, and Notholt J. Intertidal topographic maps and morphological changes in the German Wadden Sea between 1996–1999 and 2006–2009 from the Waterline method and SAR images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(8): 3210–3224.
    [8] Kim Duk-Jin, Park Sang-Eun, Lee Hyo-Sung, et al.. Investigation of multiple frequency polarimetric SAR signal backscattering from tidal flats[C]. International Geoscience and Remote Sensing Symposium, 2009: 896–899.
    [9] Sine Skrunes, Camilla Brekke, and Torbjorn Eltoft. Characterization of marine surface slicks by Radarsat-2 multi-polarization features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(9): 5302–5319. doi: 10.1109/TGRS.2013.2287916
    [10] Cloude S R and Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498–518. doi: 10.1109/36.485127
    [11] 邢艳肖, 张毅, 李宁, 等. 一种联合特征值信息的全极化SAR图像监督分类方法[J]. 雷达学报, 2016, 5(2): 217–227. doi: 10.12000/JR16019Xing Yanxiao, Zhang Yi, Li Ning, et al.. Polarimetric SAR image supervised classification method integrating eigenvalues[J]. Journal of Radars, 2016, 5(2): 217–227. doi: 10.12000/JR16019
    [12] 孙勋, 黄平平, 涂尚坦, 等. 利用多特征融合和集成学习的极化SAR图像分类[J]. 雷达学报, 2016, 5(6): 692–700. doi: 10.12000/JR15132Sun Xun, Huang Pingping, Tu Shangtan, et al.. Polarimetric SAR image classification using multiple-feature fusion and ensemble learning[J]. Journal of Radars, 2016, 5(6): 692–700. doi: 10.12000/JR15132
    [13] 邵璐熠, 洪文. 基于二维极化特征的POLSAR图像决策分类[J]. 雷达学报, 2016, 5(6): 681–691. doi: 10.12000/JR16002Shao Luyi and Hong Wen. Dicision tree classification of POLSAR image based on two-dimensional polarimetric features[J]. Journal of Radars, 2016, 5(6): 681–691. doi: 10.12000/JR16002
    [14] Fukuda S. Relating polarimetric SAR image texture to the scattering entropy[C]. IEEE International Geoscience and Remote Sensing Symposium, 2004: 2475–2478.
    [15] Cloude S R and Papathanassiou K P. Surface roughness and polarimetric entropy[C]. IEEE 1999 International Geoscience and Remote Sensing Symposium, 1999: 2443–2445.
    [16] Cloude S R and 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. doi: 10.1109/36.551935
    [17] Won E S and Ouchi K. A novel method to estimate underwater marine cultivation area by using SAR polarimetric entropy[C]. 2011 IEEE International Geoscience and Remote Sensing Symposium, 2011: 2097–2100.
    [18] 滑文强, 王爽, 侯彪. 基于半监督学习的SVM-Wishart极化SAR图像分类方法[J]. 雷达学报, 2015, 4(1): 93–98. doi: 10.12000/JR14138Hua Wen-qiang, Wang Shuang, and Hou Biao. Semi-supervised Learning for Classifcation of polarimetric SAR images based on SVM-Wishart[J]. Journal of Radars, 2015, 4(1): 93–98. doi: 10.12000/JR14138
    [19] Doulgeris A P, Akbari V, and Eltoft T. Automatic PolSAR segmentation with the u-distribution and Markov random fields[C]. The 9th European Conference on Synthetic Aperture Radar, 2012: 183–186.
    [20] Li Zhen, Heygester Georg, and Notholt J. The topography comparsion between the year 1999 and 2006 of German tidal flat wadden sea analyzing SAR images with waterline method[C]. 2013 IEEE International Geoscience and Remote Sensing Symposium, 2013: 2443–2446.
    [21] Li Zhen, Heygester G, and Notholt J. Topographic mapping of Wadden Sea with SAR images and waterlevel model data[C]. IEEE International Geoscience and Remote Sensing Symposium, 2012: 2645–2648.
    [22] Li Zhen, Heygester Georg, and Notholt J. Topographic mapping of Wadden Sea, with SAR images and waterlevel model data[C]. 2012 IEEE International Geoscience and Remote Sensing Symposium, 2012: 2645–2648.
    [23] Wal D V D, Herman P M J, and Dool W V D. Characterisation of surface roughness and sediment texture of intertidal flats using ERS SAR imagery[J]. Remote Sensing of Environment, 2005, 98(1): 96–109. doi: 10.1016/j.rse.2005.06.004
    [24] Geng X M, Li X M, Velotto D, et al.. Study of the polarimetric characteristics of mud flats in an intertidal zone using C-and X-band spaceborne SAR data[J]. Remote Sensing of Environment, 2016, 176: 56–68. doi: 10.1016/j.rse.2016.01.009
    [25] Ding Hao, Huang Yong, and Liu Ningbo. Modeling of sea spike events with generalized extreme value distribution[C]. 2015 European Radar Conference, 2015: 113–116.
    [26] 李恒超. 合成孔径雷达图像统计特性分析及滤波算法研究[D]. [博士论文], 中国科学院电子学研究所, 2007.Li Heng-chao. Research on statistical analysis and despeckling algorithm of synthetic aperture radar images[D]. [Ph.D. dissertation], Institute of Electronics, Chinese Academy of Sciences, 2007.
    [27] Embrechts P. Quantitative Risk Management[M]. Quantitative Risk Management, Princeton University Press, 2005: 67–73.
    [28] 熊太松. 基于统计混合模型的图像分割方法研究[D]. [博士论文], 电子科技大学, 2013.Xiong Taisong. The study of image segmentation based on statistical mixture models[D]. [Ph.D. dissertation], University of Electronic Science and Technology of China, 2013.
    [29] Prescott P and Walden A T. Maximum iikelihood estimation of the parameters of the generalized extreme-value distribution[J]. Biometrika, 1980, 67(3): 723–724. doi: 10.1093/biomet/67.3.723
    [30] Peli E. Contrast in complex images[J]. Journal of the Optical Society of America A, 1990, 7(10): 2032–2040. doi: 10.1364/JOSAA.7.002032
    [31] Sine Skrunes, Camilla Brekke, and Torbjorn Eltoft. Characterization of marine surface slicks by Radarsat-2 multipolarization features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(9): 5302–5319. doi: 10.1109/TGRS.2013.2287916
    [32] Akaike H. Information theory and an extension of the maximum likelihood principle[C]. 2nd International Symposium on Information Theory, Budapest, 1973: 267–281.
  • [1] 许成斌周伟丛瑜关键 . 基于峰值区域的高分辨率极化SAR舰船目标特征分析与鉴别. 雷达学报, 2015, 4(3): 367-373. doi: 10.12000/JR14093
    [2] 李洋林赟张晶晶郭小洋陈诗强洪文 . 多角度极化SAR图像中的非各向同性散射估计与消除方法研究. 雷达学报, 2015, 4(3): 254-264. doi: 10.12000/JR15020
    [3] 赵雨露张群英李超纪奕才方广有 . 视频合成孔径雷达振动误差分析及补偿方案研究. 雷达学报, 2015, 4(2): 230-239. doi: 10.12000/JR14153
    [4] 詹学丽王岩飞王超李和平 . 一种用于合成孔径雷达的数字去斜方法. 雷达学报, 2015, 4(4): 474-480. doi: 10.12000/JR14117
    [5] 王岩飞刘畅詹学丽韩松 . 无人机载合成孔径雷达系统技术与应用. 雷达学报, 2016, 5(4): 333-349. doi: 10.12000/JR16089
    [6] 李海英张珊珊李世强张华春 . 环境一号C 卫星合成孔径雷达相干性分析. 雷达学报, 2014, 3(3): 320-325. doi: 10.3724/SP.J.1300.2014.13060
    [7] 禹卫东杨汝良邓云凯赵凤军雷宏 . HJ-1-C 卫星合成孔径雷达载荷的设计与实现. 雷达学报, 2014, 3(3): 256-265. doi: 10.3724/SP.J.1300.2014.14020
    [8] 种劲松周晓中 . 合成孔径雷达图像海洋内波探测研究综述. 雷达学报, 2013, 2(4): 406-421. doi: 10.3724/SP.J.1300.2013.13012
    [9] 闫剑李洋尹嫱洪文 . 引入有取向二面角散射的Freeman-Durden 分解. 雷达学报, 2014, 3(5): 574-582. doi: 10.3724/SP.J.1300.2014.14057
    [10] 朱敏慧 . SAR 的海洋动力探测研究及应用浅析. 雷达学报, 2012, 1(4): 342-352. doi: 10.3724/SP.J.1300.2012.20088
    [11] 丁振宇谭维贤王彦平洪文吴一戎 . 基于波数域子孔径的机载三维SAR偏航角运动误差补偿. 雷达学报, 2015, 4(4): 467-473. doi: 10.12000/JR15016
    [12] 詹学丽王岩飞王超刘碧丹 . 一种基于脉冲压缩的机载条带SAR重叠子孔径实时成像算法. 雷达学报, 2015, 4(2): 199-208. doi: 10.12000/JR14126
    [13] 李学仕孙光才邵鹏吴玉峰邢孟道 . 基于数字阵列雷达的同时多模式SAR 成像体制研究. 雷达学报, 2014, 3(4): 480-489. doi: 10.3724/SP.J.1300.2014.13113
    [14] 杨震杨汝良 . HJ-1-C 卫星SAR 系统的内定标. 雷达学报, 2014, 3(3): 314-319. doi: 10.3724/SP.J.1300.2014.14028
    [15] 贾丽贾鑫许小剑何永华 . 机场场景SAR原始数据模拟. 雷达学报, 2014, 3(5): 565-573. doi: 10.3724/SP.J.1300.2014.14071
    [16] 周辉赵凤军禹卫东杨健 . 基于非理想运动误差补偿的SAR地面运动目标成像(英文). 雷达学报, 2015, 4(3): 265-275. doi: 10.12000/JR15024
    [17] 折小强仇晓兰韩冰雷斌 . 一种基于变换域的滑动聚束SAR 调频率估计方法. 雷达学报, 2014, 3(4): 419-427. doi: 10.3724/SP.J.1300.2014.14008
    [18] 胡克彬张晓玲师君韦顺军 . 基于图像强度最优的SAR高精度运动补偿方法. 雷达学报, 2015, 4(1): 60-69. doi: 10.12000/JR15007
    [19] 郭振宇林赟洪文 . 一种基于图像域相位误差估计的圆迹SAR聚焦算法. 雷达学报, 2015, 4(6): 681-688. doi: 10.12000/JR15046
    [20] 王肖洋高贵周石琳邹焕新 . 一种基于双通道DPCA 的SAR-GMTI 杂波抑制方法. 雷达学报, 2014, 3(2): 241-248. doi: 10.3724/SP.J.1300.2014.13121
  • 加载中
图(7)表(2)
计量
  • 文章访问数:  727
  • HTML浏览量:  171
  • PDF下载量:  639
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-12-20
  • 录用日期:  2017-02-17
  • 网络出版日期:  2017-04-18
  • 刊出日期:  2017-10-28

一种极化熵结合混合GEV模型的全极化SAR潮间带区域地物分类方法

    通讯作者: 折小强   sxq@mail.ustc.edu.cn
    作者简介: 折小强(1989–),男,陕西绥德人,博士研究生,主要研究方向为极化SAR图像处理。E-mail: sxq@mail.ustc.edu.cn;仇晓兰(1982–),女,江苏苏州人,中国科学院电子学研究所副研究员,研究方向为SAR成像技术、双基地SAR技术。E-mail: xlqiu@mail.ie.ac.cn;雷 斌(1978–),男,研究员,研究方向为多传感器遥感信息处理系统体系架构设计、SAR信号并行处理、SAR图像处理与图像质量提升和SAR系统性能预估与优化等。E-mail: leibin@mail.ie.ac.cn;张 薇:女,民政部国家减灾中心。E-mail: zhangwei@ndrcc.gov.cn;卢晓军,江苏泰州人,北京理工大学博士后,中国国际工程咨询公司高级工程师,专业方向为智能控制、信号处理。E-mail: lu8new@163.com
  • ①. 中国科学院空间信息与应用系统重点实验室   北京   100190
  • ②. 中国科学院电子学研究所   北京   100190
  • ③. 中国科学院大学   北京   100190
  • ④. 民政部卫星减灾应用中心   北京   100124
  • ⑤. 中国国际工程咨询公司   北京   100048
基金项目:  国家自然科学基金(61331017),国家高分重大专项(30-Y20A12-9004-15/16)

摘要: 该文提出了一种可用于全极化SAR的潮间带区域地物分类的方法。首先针对潮间带的特点对4种典型极化特征进行分析和筛选,得到一组最适合描述潮间带区域的多极化特征:极化熵(Polarimetric entropy)和反熵(Anisotropy)。然后基于对潮间带区域极化熵图像的散射特性分析和极值理论,利用广义极值分布(Generalized Extreme Value, GEV)描述其统计特性。在此基础上,提出了一种基于GEV混合模型的EM算法实现对潮间带地物分类的方法。最后,基于上海崇明东滩潮间带的Radarsat-2全极化数据进行了实验,实验结果证明了方法的有效性。

English Abstract

    • 潮间带区域是一种位于陆地与海洋之间的特殊海岸区域,在低潮时露出水面而在高潮时被水淹没[1],其构成了一个独特的湿地生态系统,提供了多种植被必需的生长环境,是水产养殖、海洋环境观测、海洋经济开发以及海岸防御的重点区域。为了更好地开发利用潮间带区域,利用遥感对潮间带进行观测和研究的工作已得到开展[25]。如何基于遥感图像自动准确地将潮间带区域与水域及其他陆地区域分开,并能够准确区分潮间带区域不同植被或养殖类型,是潮间带区域监测所关心的问题。合成孔径雷达(Synthetic Aperture Radar, SAR)尤其是全极化SAR,由于其全天时全天候工作的优势和分类能力强的特点,在该方面的应用得到了关注[68]

      针对极化SAR数据,通过特征值分解以及散射分析等手段,可以从中提取出大量的多极化特征来描述地物的散射信息[9,10]。这些特征为极化SAR数据的应用提供了新的视角。近年来,基于极化特征的研究有了突破性的进展,广泛地应用在地物分类、典型目标检测提取等领域[1113]。相比于其他特征,极化熵被证实可以更好地描述地物的极化相关的纹理信息(polarization-dependent variation of texture)[14]和表面粗糙度[15],并且有较好的目标识别能力[16]。因此,极化熵广泛地应用在地物分类、海岸带典型目标检测[3,17]等领域。比较典型的有Cloude和Pottier1997年提出的基于极化熵的地物分类框架[16]以及Eun-Sung等人利用极化熵基于GEV分布实现对水下养殖区域的检测等[3]

      另外,从对极化SAR数据的统计特性的分析出发,已有研究将有限混合模型(Finite Mixture Models, FMM)等理论引入到基于极化SAR地物分类应用中[18]。从传统的混合Wishart模型[18]到混合U分布模型[19],基于FMM的极化SAR地物分类方法在城区、农田以及海洋等区域达到较好的分类效果。

      在潮间带区域,其在退潮后露出水面的部分主要由淤泥滩、浅留水体以及水产养殖等部分组成,而上述部分的电磁散射强度与水面差别不大,因此在极化SAR图像中表现为类似的散射强度和散射机制,不易区分。现有针对极化SAR数据进行地物分类的算法在潮间带这种特殊的地物场景中并不能得到很好的分类结果。现有基于SAR数据对于潮间带区域也有较多的研究,主要针对有潮海域的地貌变动监控[7,2022]、土壤湿度分析[1,8]以及特定地物的散射特性分析[3,17,23,24]等。比较典型的有Li Zhen等人针对1999–2006年波罗的海海域的潮间带地貌演变研究[7,2022]以及Hoonyol Lee等人对于韩国南部海域潮间带的土壤湿度变化研究[1]等。

      本文针对潮间带的特点,基于极化特征和FMM提出了一种新的地物分类方法。首先,本文针对4种典型的极化特征进行分析和筛选,得到一组最适合描述潮间带区域的多极化特征:极化熵和反熵。在此基础上,基于对极化熵图像的统计特性分析和极值理论,本文优选GEV分布对潮间带区域的极化熵分布进行描述[20,25]。随后构建了一种基于GEV混合模型(GEV Mixture Model, GEVMM)在极化熵特征中对潮间带地物进行标记。最后结合反熵的信息实现潮间带地物分类。本文利用RadarSAT-2获取的上海崇明岛东滩区域数据进行实验验证。与经典多极化SAR分类方法结果及实地考察真值的对比结果表明,本文方法能够有效地将潮间带区域与水域进行区分,并对潮间带内部不同场景类型进行分类,效果优于Wishart-H/A/α等经典方法。

      本文的结构如下:第2节详细介绍本文提出的分类方法,第3节基于实测数据对方法进行验证,并对结果进行分析讨论,第4节总结全文。

    • 在全极化SAR模式中,SAR系统以水平极化和垂直极化两种模式的组合来发射和接收电磁波[26]。极化散射矩阵为:

      $${{S}}{\rm{ = }}\left[ {\begin{array}{*{20}{c}}{{S_{{\rm{HH}}}}}&{{S_{{\rm{HV}}}}}\\{{S_{{\rm{VH}}}}}&{{S_{{\rm{VV}}}}}\end{array}} \right]$$

      一般来说, ${S_{{\rm{HV}}}}{\rm{ = }}{S_{{\rm{VH}}}}$,因此Pauli散射矢量定义为:

      $${{k}} = \frac{1}{{\sqrt 2 }}{\left[ {\begin{array}{*{20}{c}}{{S_{{\rm{HH}}}} + {S_{{\rm{VV}}}}}&{{S_{{\rm{HH}}}} - {S_{{\rm{VV}}}}}&{2{S_{{\rm{HV}}}}}\end{array}} \right]^{\rm{T}}}$$

      其中,T表示转置。基于k可以得到极化相干矩阵T3

      $${{{T}}_3} = \frac{1}{L}\sum\limits_{n = 1}^L {{{k}}{{{k}}^{*{\rm{T}}}}} $$

      其中,L为视数,上标 $*$代表了复共轭。从极化散射矩阵S和极化相干矩阵T3中可以提取出来很多极化特征,其中4个最典型的多极化特征(Span, H, A, α)如下。

      极化总功率Span是一个典型的极化特征,其定义可以从极化散射矩阵S得到:

      $${\rm Span} = {\left| {{S_{{\rm{HH}}}}} \right|^2} + {\left| {{S_{{\rm{HV}}}}} \right|^2} + {\left| {{S_{{\rm{VH}}}}} \right|^2} + {\left| {{S_{{\rm{VV}}}}} \right|^2}$$

      Span影像为4个极化通道图像的功率之和,其中包含了各通道图像的信息。

      从极化相干矩阵T3中获取极化特征一般通过特征值分解,其中比较典型的为 $H/A/\alpha $分解。 $H/A/\alpha $已经在极化图像分类领域广泛使用,其定义为:

      $${{{T}}_3}{\rm{ = }}\sum\limits_{i = 1}^3 {{\lambda _i}{T_{3i}}} {\rm{ = }}\sum\limits_{i = 1}^3 {{\lambda _i}{{{u}}_i}{{{u}}_i}^{*{\rm T}}} $$

      其中, ${\lambda _i}$是T3矩阵的特征值,代表着第i个归一化分量 ${T_{3i}}$的比重,其概率可以用Pi来表示:

      $${P_i} = {{{\lambda _i}} \mathord{\left/ {\vphantom {{{\lambda _i}} {\sum\limits_{i = 1}^3 {{\lambda _i}} }}} \right.} {\sum\limits_{i = 1}^3 {{\lambda _i}} }}$$

      极化熵和反熵是 $H/A/\alpha $分解后得到的两个重要特征,可以通过对 ${\lambda _i}$进行计算得到:

      $$H{\rm{ = - }}\sum\limits_{i = 1}^3 {{P_i}\log {P_i}} $$
      $$\!\!\!\!\!\!\!\!\!\!\!\!\!\! A = \frac{{{\lambda _2} - {\lambda _3}}}{{{\lambda _2} + {\lambda _3}}}$$

      其中,H是极化熵,A是反熵,计算时特征值按照 ${\lambda _1} > {\lambda _2} > {\lambda _3}$来排序。其中极化熵H描述了散射的随机性,其取值范围为0到1。当极化熵值较低时,可以认为只有一种主导散射机制;当极化熵值较高时,此时表现出较为强烈的去极化特性,散射机制趋向随机;当极化熵接近于1时,散射机制接近于噪声。反熵A是对极化熵H的一个有效补充,是对第2个和第3个特征值的差异的描述,并且对极化熵值大于0.7的高熵区域有着较好的识别性能[26]。一般来说,潮间带的大多数区域对于反熵的响应较弱,只有部分高熵区域,例如露出水面的金属隔离网,才有较高的反熵值。

      另外一个重要的 $H/A/\alpha $分解特征是平均散射角,可以通过特征向量计算得到:

      $$\alpha {\rm{ = }}\sum\limits_{i = 1}^3 {{P_i}{{\cos }^{ - 1}}\left( {\left| {{u_i}\left( 1 \right)} \right|} \right)} $$

      其中,α为平均散射角,其值域范围为0° and 90°[26]

    • 在潮间带区域,退潮残留的水体、淤泥滩和水下农场等构成了复杂的地貌。残留水体和淤泥滩均有相对光滑的表面,且绝大部分的水下农场养殖区域可以被称为“浅层水域”,仅有少量的隔离网和部分植被的枝叶露出水面。因此,该区域在各个通道的雷达功率图像中均会表现出和海水相似的图像灰度值,如图1(a)所示。所以Span图虽然综合了全极化SAR的4个通道功率图像的幅度信息,但是这种简单的功率和并不能增强潮间带区域和海水的区分能力。

      图  1  潮间带的极化特征示例

      Figure 1.  Examples of multi-polarization features of intertidal area

      潮间带混杂的地物也导致了其散射机制的随机性变化较大,而极化熵H和反熵A均是对散射随机性的描述,因此这两个特征均有可能用来描述在潮间带区域。潮间带区域的极化熵和反熵示例分别如图1(b)图1(c)所示。可以看出,相比于Span,极化熵可以较好地区分海洋和潮间带区域,并且可以区分潮间带内部地物类型。而反熵则可以明显将高熵和低熵区域区分开来。因此对于潮间带区域,理论上来说极化熵是一种更普适的特征,而反熵更适合用来区分一些高熵区域。

      平均散射角α则是对潮间带区域的散射机制的直接描述。较为光滑的表面会产生较低的α值,随着α值的增大,散射机制依次从表面散射,体散射到二次散射过渡。简而言之,对于潮间带区域,平均散射角α可以认为是一种对表面粗糙度的衡量。淤泥滩和露出水面的水下植被与水面相比拥有不同粗糙度的表面,从而在α特征图中会有不同的表现,如图1(d)所示。但是,由于在潮汐作用下潮间带区域的地物表面相对平滑,其散射机制大多为不同程度的布拉格表面散射,因此这种粗糙度带来的差异性不足以用来对潮间带区域的地物分类。

      基于上述分析,本文优选极化熵H和反熵A来进行潮间带的分类,其中H为主要特征,A则作为补充。

    • 极化熵是一种对极化散射机制随机性的衡量。然而,对于中等分辨率(如Radarsat-2全极化模式分辨率为8 m)图像,一个像素点中可能包含多种地物,即有着较强的散射随机性,意味着比较高的极化熵值,当散射随机性很强时,极化熵值趋近于1,接近噪声水平。在潮间带中,虽然总体上来说其极化熵值不是很高,但是部分露出水面的植被以及金属隔离网区域有着较强的散射随机性会产生接近于1的极高熵值。这些高熵值在极化熵图像的统计直方图中导致一种long-tails现象。long-tails现象是风险预测或者灾害预警等极端事件研究中的重点,包括“左拖尾(厚尾)”和“右拖尾(薄尾)”[27]。对于这两种现象,传统的统计分布模型例如高斯分布模型或者Gamma分布模型难以给出好的拟合效果[25]。而常用的一些描述long-tails现象的模型,包括广义Gamma分布和k分布,均对“右拖尾”有较好的描述能力,但是不能很好地适应“左拖尾”。而且,k分布是基于乘性噪声模型提出,仅适用于均匀区域和弱纹理区域,对于极化熵图像不太适用[26]。极值理论方面的研究表明,GEV分布可以很好地描述有极端事件发生的随机过程。在近年来的研究中GEV分布已经被大量地用在SAR图像对特殊目标的分析中[3,20,25]。其中Eun-Sung的论文中对比了广义Gamma分布族中的Weibull分布和log-normal分布,证明了GEV分布能够更好地描述水下养殖等类似区域[3]。因此本文采用GEV来描述潮间带区域的极化熵图像。GEV分布是一族连续的极值概率分布,并且具有有限分布和稳定的特性。GEV分布的概率密度函数如式(10)所示:

      $$\begin{array}{l}{\rm{gev}}\left( {x,\mu ,\sigma ,\xi } \right) = \\\left\{ \begin{array}{l}\frac{{{{\rm e}^{ - {{\left( {\xi \frac{{x - \mu }}{\sigma } + 1} \right)}^{ - 1/\xi }}}}{{\left( {\xi \frac{{x - \mu }}{\sigma } + 1} \right)}^{ - 1 - 1/\xi }}}}{\sigma },\\\quad \xi \frac{{x - \mu }}{\sigma } + 1 > 0,\ \sigma > 0, \ \xi \ne 0\\\frac{{{{\rm e}^{ - \left( {\frac{{x - \mu }}{\sigma }} \right) - {{\rm e}^{ - \left( {\frac{{x - \mu }}{\sigma }} \right)}}}}}}{\sigma },\\\quad \sigma > 0, \ \xi = 0\end{array} \right.\end{array}$$

      GEV分布的参数有3个:即形状参数 $\xi $,尺度参数σ和位置参数μ图2中给出了对于不同 $\xi $下的GEV分布的形态,其中 $\xi $分别为–0.5, 0, 0.5, σ和μ均为0.1和0.5。当 $\xi $等于0时为Gumbel分布,当 $\xi $大于0时为Weibull分布,而当 $\xi $小于0时为Frechet分布。其中Weibull描述的是一种“右拖尾分布”,Frechet描述的是一种“左拖尾分布”[27],而Gumbel分布为两者之间的过渡。因此,GEV分布对long-tails有着广泛的适应性以及较好的描述能力。

      图  2  GEV分布的3种形态

      Figure 2.  Three types of the GEV distribution

      通过上面的分析可以得出,GEV分布能够较好地描述潮间带区域的极化熵图像。由于单个概率分布只有一个峰值,而对于潮间带区域,多种地物必然会导致多个峰值的出现。因此基于GEV分布,可以通过建立一个有限混合模型(Finite Mixture Model, FMM)来实现对潮间带的地物分类。有限混合GEV模型(GEV Mixture Models, GEVMM)n个GEV分布的线性叠加,其定义如式(11)所示:

      $$f\left( {x;\xi ,\sigma ,\mu } \right) = \sum\limits_{i = 1}^n {{a_i}{f_i}\left( {x;{\xi _i},{\sigma _i},{\mu _i}} \right)} $$

      其中,n为GEV分布的个数,在潮间带地物分类中代表着潮间带的地物种类,fi(·)代表着第i个种地物所服从的GEV分布。

    • 对于潮间带区域的极化熵图像H的地物分类可以分为两个步骤:首先是GEV混合模型的计算,然后将模型映射到图像空间中实现分类。其中最重要的一步是GEVMM的计算。本文以EM算法为基础,来实现对GEVMM的构建。

      EM算法是一种极大似然估计算法,以迭代的方式来实现对模型的估计。算法的每一次迭代都是由E步(求期望)和M步(将期望最大化)构成[28]。在本文中,首先给定类别个数和参数的初始值,然后在E步,依照当前模型参数,计算分模型i对图像中每个点xj的响应度 ${\hat \gamma _{ji}}$,其计算公式为:

      $${\hat \gamma _{ji}}{\rm{ = }}\frac{{{a_i}{f_i}\left( {{x_j};{\xi _i},{\sigma _i},{\mu _i}{\rm{|}}{\theta _i}} \right)}}{{\displaystyle \sum\limits_i^n {{a_i}{f_i}\left( {{x_j};{\xi _i},{\sigma _i},{\mu _i}{\rm{|}}{\theta _i}} \right)} }}$$

      其中,j为样本标记,i为类别标记,式中θi指在第i个分模型。在M步中,我们先根据响应度大小对图像像素进行归类,然后用最小二乘法估计出每个分模型的参数[29]。实验中最小二乘法估计通过MATLAB函数gevfit实现。如此迭代,直到参数收敛。

      另一方面,传统的FMM进行模型估计时分模型个数是固定的,难以适应不同的地物类型的特征值分布。因此,本文采用了自适应的的GEVMM估计方法。在迭代的过程中,如果对某一个类别产生最大响应的点的数目少于某个阈值时,该类别即认为无意义并删除。在本文的实验中,这个阈值被设为50。迭代收敛后得到GEVMM以及其中的各个分量,然后通过计算图像中的每个点对模型各分量的响应度,得到一个分类标记图。

      反熵作为极化熵的补充,其在高于0.7时采用较好的识别能力[26]。因此可以通过0.7这个阈值对反熵图像进行阈值分割,实现二值分类。基于此,本文通过将两个特征得到的结果进行融合,更好地实现潮间带的地物分类。假设极化熵得到的M类集合为 $\left\{ {{A_1},{A_2}, \cdot \cdot \cdot ,{A_M}} \right\}$,反熵得到的两类为 $\left\{ {{B_1},{B_2}} \right\}$,融合算法要处理的集合为各类的交集,即:

      $$C = \left\{ {{A_i} \cap {B_j},{A_i} \cap {B_j} \ne \emptyset ,i \in \left[ {1,M} \right],j \in \left[ {1,2} \right]} \right\}$$

      对于C中的每一个像素x,分别计算其对AiBj的从属度 ${m_x}\left( {{A_i}} \right)$和 ${m_x}\left( {{B_j}} \right)$:

      $${m_x}\left( {{A_i}} \right) = \left| {H\left( x \right) - {x_{{A_i}}}} \right|$$
      $${m_x}\left( {{B_j}} \right) = \left| {A\left( x \right) - {x_{{B_j}}}} \right|$$

      其中,H(x)为极化熵在x位置的值, ${x_{{A_i}}}$为极化熵图像中 ${A_i}$类所有像素的均值,即类别中心。同理, $A\left( x \right)$为反熵在x位置的值, ${x_{{B_j}}}$为反熵图像中 ${B_j}$类所有像素的均值。本文中采用如下准则来对交集C进行判决:如果 $\sum\nolimits_{x \in C} {{m_x}\left( {{A_i}} \right)} > \sum\nolimits_{x \in C} {{m_x}\left( {{B_j}} \right)} $,那么C属于Ai类,反之C属于Bj类。这样就实现了分类结果的融合。

      GEVMM的构建流程以及图像分类算法流程如图3所示。

      图  3  基于GEVMM的图像分类流程

      Figure 3.  Flowchart of GEVMM

    • 基于本文的方法,利用Radarsat-2卫星的全极化数据进行了实验验证,实验数据的分辨率为8 m。研究区域位于上海崇明岛东滩潮间带,其卫星数据获取时间为2015年5月16日,此时的潮水处于低潮状态。图4描述了实验区域,其中图4(a)给出了整幅数据的Pauli伪彩色图像,其中的黄色矩形框代表着我们选定的实验区域,大小为20.0 km×5.6 km。数据获取时的实验区域的实时状态如图4(b)所示,从近到远依次是低矮植被区域,淤泥滩以及露出水面的水产养殖场的隔离网。

      图  4  所选实验区域

      Figure 4.  The selected study area

      实验中,本文首先基于实测数据对潮间带区域的极化特征进行目视解译与定量衡量来佐证前面的分析;然后基于所示的流程对潮间带进行地物分类;最后利用PolSAR Pro软件对研究区域进行Wishart-H/A/α分类,并和本文方法的实验结果进行对比和分析。

    • 图5给出了图4(a)黄框所示的研究区域的极化特征。基于上面的分析,下面结合实地考察结果以及图4(a)中所示的Pauli伪彩色图对4个特征进行目视解译。在图5(a)所示的Span影像中,我们可以识别出潮间带的大致轮廓以及金属隔离网等,但是潮间带内部细节的识别能力较差,并且潮间带和海洋的边界比较模糊。图5(b)给出了极化熵图像,从图中我们可以识别出海面,以及潮间带中的淤泥滩,草地以及暗色的残留水体等,并且和海面的区分较为显著,但是对金属隔离网的识别能力较差。图5(c)中的反熵可以很好地识别金属隔离网,但是无法识别出其他地物。而对于图5(d),平均散射角可以对潮间带区域中的地物进行一定的识别,但是不能很好地区分海面和潮间带中的水产养殖。对比Span、极化熵、反熵和平均散射角4张图,可以发现极化熵可以对除去金属隔离网之外的地物有着最好的视觉判别而反熵作为补充可以很好地识别出金属隔离网区域。因此,极化熵结合反熵,可以给出最好的视觉判别效果。

      图  5  研究区域的极化特征

      Figure 5.  Multi-polarization features of the study area

      为了进一步地佐证,本文采用Michelson对比度准则来衡量上述图像的类间对比度(between-region contrast)[30]。 Michelson准则是一种经典的图像衡量标准,并且广泛地用在SAR图像评价中[3,31]。其定义如下:

      $$C = \frac{{{F_{\max }} - {F_{\min }}}}{{{F_{\max }} + {F_{\min }}}}$$

      其中,FmaxFmin分别为图像的最大值和最小值。对比度值C位于[0, 1]区间。一般来说,C越高,对比度越强,区分能力也越强。表1给出了4个极化特征的类间对比度,从表中可以看出,反熵拥有最高的对比度值,极化熵的对比度紧随其后且高于其他两个特征。从前面的分析中可以得知,反熵对高熵部分响应强烈并且抑制了低熵部分的值,导致了较高的对比度值,也确保了其对潮间带的高熵部分的识别能力。从图5(c)可以看出,反熵对于具有高熵值的金属隔离网有着很好的区分能力,但是对其他低熵区域,区分能力很差。极化熵有着第二高的对比度值,从图5(b)中也可以看出极化熵对整个潮间带区域的细节有着很好的描述以及较好的区分能力。平均散射角α的对比度低于极化熵,从图5(d)中也可以看出其对潮间带的细节有一定的描述能力,但是无论是边缘的清晰度还是Michelson对比度都明显弱于极化熵。而Span图像在视觉判别能力和对比度方面表现最差。综上所述,极化熵和反熵的组合可以对潮间带区域地物进行很好的区分。

      极化特征 类间对比度
      Span 0.4092
      Entropy 0.7703
      Anisotropy 0.9959
      α 0.6757

      表 1  各极化特征的Michelson类间对比度

      Table 1.  Michelson between-region contrast of different features

    • 基于图5(b)所示的极化熵图像,我们按照图3所示的流程进行GEVMM建模和地物分类。在GEVMM构建中,根据实地考察结果结合极化熵图像我们初始指定模型的分量数目为8,经过迭代收敛后得到的模型中有5个分量,图6(f)给出了最终的GEVMM和极化熵直方图以及模型中各分量的图示。为了确保GEVMM的优越性,本文用Gamma分布和log-normal分布分别来拟合GEVMM得到的标记图中对应的每种类别的归一化直方图,与GEVMM的各个分量的拟合效果进行对比,如图6(a)图6(e)所示。图6(a)图6(e)展示了拟合对比结果,其中蓝色部分为各类别的直方图,绿线代表GEVMM的对应分量拟合结果,黑线代表Gamma模型拟合结果,红线代表了log-normal模型拟合结果。可以看出,GEV分布可以很好地拟合图6(d)图6(e)两图的“左拖尾现象”,明显优于其他两种模型。同样,图6(b)中GEV分布的拟合效果也明显优于其他两种分布。

      图  6  GEVMM及其各分量与Gamma分布和log-normal分布的对比:(a)–(e)分别为5个分量与Gamma分布,log-normal分布以及对应标记区域的直方图的对比,其中蓝色区域为归一化直方图,绿线是GEV拟合结果,黑线是Gamma拟合结果,红线是log-normal拟合结果,(f)给出了GEVMM及其各个分量与研究区域直方图的对比结果,其中蓝线为归一化直方图,红线为GEVMM,绿线为GEVMM的各个分量

      Figure 6.  Fitness comparison among GEV distribution and Gamma distribution and Log-normal distribution of each component in GEVMM: (a)–(e) represent the five components of the GEVMM and the fitting results by the Gamma distribution and log-normal distribution for the histograms, which are marked as blue, the green lines represent the GEV fitting results, the black lines represent the most fitted Gamma distribution and the red lines represent the most fitted log-normal distribution, (f) shows the five components of GEVMN as green lines and the respective histograms as blue lines, the red line represents the final model

      为了进一步确认GEVMM的准确性,本文采用赤池信息量准则(Akaike Information Criterion, AIC)对各个模型进行衡量[32]。AIC准则的定义如下:

      $${\rm{AIC}} = \frac{{2k - 2L}}{n}$$

      其中,k为参数个数,n为样本个数,L为对数相似度(log likelihood)。对数相似度的定义如下:

      $$L = - \frac{n}{2}\ln \left( {2{π} } \right) - \frac{n}{2}\ln \left( {\frac{{{\rm{sse}}}}{n}} \right) - \frac{n}{2}$$

      其中,sse为直方图和拟合结果之间的残差和。对于AIC准则来说,k越小或者L越大,AIC的值越小,模型的正确性也越高。其中k越小,模型越简洁,而L越大,模型越准确。表2给出了3种分布在每个类别对应的AIC值,可以看出GEV分布明显优于其他两种分布。结合图6表2,可以得出GEV分布模型有着最好的拟合能力。另外,最终得到的GEVMM和统计直方图之间的AIC值为4.0661,也说明了模型的有效性。

      AIC 1 2 3 4 5
      GEV 6.3988 4.0095 4.1105 4.7009 6.2093
      Gamma 11.3878 9.3573 7.6928 9.0210 8.3989
      log-normal 11.3878 9.3573 7.6928 9.0213 8.3997

      表 2  GEV分布,Gamma分布和log-normal分布在每种类别中的拟合结果的AIC值

      Table 2.  The AIC values of the fitting results between the GEV distribution, the Gamma distribution and log-normal distribution

    • 图7展示了地物分类实验结果,其中图7(a)给出了研究区域的Pauli伪彩色图。基于极化熵的GEVMM得到的图像分类标记图如图7(b)所示,通过融合图7(c)给出的反熵的分割结果,得到的最终分类结果如图7(d)所示。图7(e)给出了Wishart-H/A/α方法的分类结果。研究区域真值图如图7(f)所示,其中蓝色为海洋区域,浅蓝色和浅绿色区域分别为潮间带中的水下养殖与残留水体,黄色和棕黄色代表植被散射区域和淤泥滩,深红色代表金属隔离网。

      图  7  潮间带的地物分类实验结果

      Figure 7.  Classification results of the intertidal area

      对比发现极化熵得到的结果可以很好地识别出潮间带区域的大多地物类型,与真值较为一致,但是该图中地物只是分为5类,不能很好地识别出图7(f)中深红色的金属隔离网区域。而在图7(c)的反熵的阈值分割结果可以较好地提取出金属隔离网区域。图7(d)中融合后得到的分类结果和真值图相比有较为一致分类效果,并优于图7(b)图7(c)的结果。而图7(e)所示的Wishart-H/A/α的分类结果和真值图有着较大的不同。在研究区域,图7(e)只能将金属隔离网区域和其他地物区分,对于潮间带的其他5类,均不具备较好的区分度,并且潮间带区域和海洋区域未能进行很好地区分。

      针对本文提出的方法和Wishart-H/A/α分类方法,实验中采用Kappa系数来衡量两种方法的分类效果。结合真值数据,两种方法的Kappa系数分别为0.9019和0.3662,总体分类精度分别为0.8912和0.3712,也验证了本文方法的准确性。可见,在潮间带区域的地物分类中,本文的方法要优于Wishart-H/A/α分类。

    • 针对潮间带区域的地物分类问题,本文提出了结合极化熵和反熵的潮间带地物分类方法。基于极化熵图像,本文对潮间带区域建立GEVMM。在此基础上通过和反熵的信息融合得到最终的分类结果。实验中利用C波段Radarsat-2全极化数据实现了对上海崇明岛东滩潮间带区域的地物分类。对比真值图,本文方法可以给出较好目视结果并优于Wishart-H/A/α方法。最后的定量分析证明本文方法具有较好的准确性。

参考文献 (32)

目录

    /

    返回文章
    返回