一种结合颜色特征的PolSAR图像分类方法

卜丽静， 黄鹏艳， 沈璐

(1.辽宁工程技术大学测绘与地理科学学院，阜新 123000； 2.洛阳理工学院土木工程学院，洛阳 471000)

一种结合颜色特征的PolSAR图像分类方法

卜丽静1， 黄鹏艳2， 沈璐1

(1.辽宁工程技术大学测绘与地理科学学院，阜新 123000； 2.洛阳理工学院土木工程学院，洛阳 471000)

为了提出一种颜色特征与极化特征相结合的极化SAR图像分类方法，首先，通过极化目标分解得到极化特征向量; 然后，采用最佳指数模型方法生成极化SAR的假彩色合成图像，并提取颜色特征向量； 最后，将这2种特征组成综合特征向量，利用SVM方法进行分类。利用RadarSat-2的PolSAR数据进行了SAR图像分类实验，并对分类结果进行定性和定量比较分析。实验结果表明，颜色特征的加入能有效提高极化SAR图像的分类精度。

极化SAR分类； 假彩色增强； 颜色特征； 特征向量

0 引言

近年来，全极化合成孔径雷达(polarimetric synthetic aperture Radar，PolSAR)数据已经广泛的应用在多个领域[1]，PolSAR图像分类逐渐成为研究热点。分类方法中利用PolSAR数据特征向量进行分类的方法较为常见。极化特征[2]和纹理特征是分类中常用的特征。前者是利用极化目标分解提取分解参数并组成极化特征向量，后者是利用SAR强度图得到纹理特征向量。这2类特征可以分别使用，也可以相结合，达到提高分类精度的目的[3-7]。由于PolSAR具有HH，HV，VH和VV4个极化通道的数据，可以用多种方法得到SAR的假彩色合成图像[8]，而且其中含有丰富的颜色信息。颜色特征[9]是一种重要的视觉特征，用来描述整个图像或者特定图像区域的视觉内容，一般应用于图像检索、目标识别和图像编目方法等领域[10-13]。Uhlmann等[14]提出将Pauli分解的假彩色合成图像的颜色特征应用在SAR分类中，并得到了很好的分类效果，但是该方法的颜色向量提取复杂，组合的特征向量维数较大。目前国内在这方面的文献还较为少见。因此，本文研究加入颜色特征的PolSAR图像分类，提出了极化特征和颜色特征相结合的分类方法。给出了2种特征向量的提取和组合过程，并采用支持向量机(support vector machine，SVM)[15-16]方法进行分类。以湖北咸宁地区的RadarSat-2数据为例进行分类实验，对比分析利用不同特征向量的分类精度，以证明颜色特征的加入能有效改善SAR图像的分类效果。

1 算法原理

目标的极化特征是基于目标散射属性的特征，能提供如表面粗糙度等描述地物目标形状结构特征的信息，是极化SAR分类中常用的特征。但极化特征也有一定的限制，极化信息是基于像素级别的描述，限制了相似地表类别的区分能力，由于它不能利用图像的统计信息，所以在反映图像的空间分布特征和细节表现上能力有限。同时，PolSAR的灰度图像能够通过图像处理方法[17]得到假彩色合成图像，虽然它不能提供地表的真实颜色信息和类似于光学数据的颜色效果，但是这种形象化的表示方法能够在区分地表类别方面提供有用的信息，对于人工理解与解译具有很大的作用。如将Freeman分解后得到的表面散射、二次散射和体散射的功率图，分别赋予红、绿、蓝颜色通道合成假彩色图，通过颜色可以大致区分这几种散射特征对应的地物。而且颜色特征具有较好的稳态性、鲁棒性，受图像的噪声、旋转和分辨率等因素的影响都非常小。文献[14]也实验证明颜色特征作为一个描述图像内容最直接的视觉特征，能够为PolSAR图像分类提供有效的信息。颜色特征被定义为多媒体内容描述接口标准(MPEG-7)中的一部分[9]，主要目的是呈现多媒体内容的信息，而不是内容本身。颜色特征的表达方法有颜色直方图、颜色矩、颜色集和颜色聚合向量等[18]。由于颜色直方图所描述的是不同色彩在整幅图像中所占的比例，即出现哪些颜色以及各种颜色出现的概率，不受位置限制，且计算简单、快速，具有尺度、平移和旋转不变性，这些都有助于PolSAR图像的分类。同时，极化特征作为PolSAR图像的主要特征起着重要的作用，是分类中最常用的特征向量。因此，提出了将颜色特征加入到PolSAR图像分类中，与极化特征共同组成特征向量用于图像分类。

1.1 研究区地物特征分析

在进行PolSAR图像分类前，首先分析研究区内的地物特征，以便有针对性地使用各种特征向量。在研究区域内，主要的地物类别有建筑物、植被、水域、道路和裸地5种。其中，建筑物表现为二次散射，散射回波能量高，表现为高亮度； 植被表现为体散射，回波能量和亮度居中； 水域表现为单次表面散射，回波能量低、亮度低； 道路也是单次散射，亮度低，但它具有细长型的结构特点； 裸地是硬质区域与道路的散射特性接近，但道路与裸地的成片性质不相同。表1是以Pauli分解生成的假彩色合成图为例，从极化和颜色2个方面的特征对比分析5种地物，解释说明各类地物颜色和极化特征(其中颜色信息随假彩色合成的方法不同而不同)。

表1 研究区地物特性分析

1.2 极化特征提取

极化目标分解的目的是基于切合实际的物理约束解译目标的散射机制，在极化SAR图像分类中，一般从PolSAR数据集中提取目标的极化特征，用于地物目标的分类识别。极化总功率Span图是PolSAR图像处理中经常用到的数据表现形式，反映系统测量的总散射强度，由散射矩阵各元素模的平方和表示，为图像分类中的重要信息，其表达式为

Span=|Shh|2+|Shv|2+|Svh|2+|Svv|2。

(1)

(2)

当λ2和λ3值相等时，可定义雷达植被指数(Radar vegetation index，RVI)，它是一个PolSAR数据森林生物量估计的指数，即

(3)

(4)

1.3 假彩色增强及颜色特征提取

为了充分利用全极化数据不同极化通道之间的差异性，提出利用最佳指数模型得到假彩色增强图像，并提取颜色直方图作为颜色特征。最佳指数模型能够计算出所含信息量最大、相关性最小的3幅图像生成一幅假彩色合成图像，有利于极化通道之间信息的充分利用。最佳指数模型的表达式为

(5)

式中：Si为第i个极化通道灰度图像的灰度标准差；Rij为4个极化通道中i和j图像之间的相关系数。得到假彩色合成图像后计算颜色直方图，得到颜色特征向量，具体步骤如下：

1)将采用最佳指数模型得到的RGB彩色图像转换到适合肉眼分辨的HSV颜色空间。

2)在HSV空间进行等间隔量化。颜色量化的目的是对图像的特征向量进行降维，以提高计算颜色直方图的运行速度。按照人的视觉分辨能力，把色调H空间分成16份，饱和度S和亮度V空间均分成4份。

3)构造一维特征矢量。按照以上的量化级，把3个颜色分量合成为一维特征矢量，即

G=HQSQV+SQV+V,

(6)

式中QS和QV分别是分量S和V的量化级数，本文选择QS=4，QV=4。故H，S和V这3个分量在一维矢量上被分开。G的取值范围为0～255，计算G获得256柄的一维直方图。

4)根据量化后的图像统计得到直方图。

5)构成颜色特征向量，即

vc=[HSV]。

(7)

1.4 基于极化和颜色特征向量的SVM分类

由于SVM是一种专门解决小样本分类的有效监督分类器，对解决小样本、非线性及高维模式识别问题具有独特的优势。因此，本文采用SVM分类器进行分类。SVM分类算法中不同的核函数可以生成不同的SVM分类器，为了找到最好的SVM组合(最合适的核函数和核函数参数)，采用穷举搜索法对线性核函数、多项式核函数、径向基核函数、二层神经网络核函数以及它们各自的参数进行实验，以确定惩罚因子C和参数γ是否与核函数搭配得当。经过实验后选择二次多项式核函数，即

k(xi,xj)=(γxixj+b)p,

(8)

式中：xi是待分类数据；xj为支持向量；p为多项式的阶，本文为2；b为偏置系数。

本文算法流程为： ①对PolSAR数据进行滤波去噪预处理，然后进行目标分解，用得到的分解参数向量组成极化特征向量v； ②利用极化散射矩阵得到假彩色合成图像，提取颜色直方图组成颜色特征向量vc； ③以极化特征向量v为基础，加入颜色特征构造总特征向量v+vc； ④使用SVM分类器进行分类，并对比v和v+vc特征向量的分类精度，具体流程如图1所示。

图1 本文算法流程

2 分类实验

2.1 实验数据

选用湖北咸宁地区RadarSat-2的PolSAR数据进行分类实验，数据参数如表2所示。4个极化通道灰度图像、Span图像和光学图像分别如图2所示。

表2 实验数据参数

(a) HH (b) HV (c) VH

图2-1实验数据

Fig.2-1Experimentaldata

(d) VV(e) Span (f) 光学图像

图2-2实验数据

Fig.2-2Experimentaldata

2.2 极化和颜色特征向量提取

选择OIF最大值320.774 4所对应的HH，VH和VV这3个极化通道组合生成假彩色合成图像，如图3(a)所示。最后，提取颜色特征向量。图3中的(b)—(d)为HSV空间等间隔量化后的H，S和V分量，图3(e)为HSV色彩空间图像，图3(f)为提取出的颜色特征向量。

(a) 假彩色合成图像(b) 量化后的H分量(c) 量化后的S分量

(d) 量化后的V分量(e) HSV色彩空间图像 (f) 颜色特征向量(直方图)

图3提取颜色特征向量

Fig.3Extractionofcolorfeaturevector

2.3 分类结果及对比分析

为了对比本文方法的优势，分别仅利用极化特征向量、直接利用RGB颜色和极化特征及本文方法进行了分类实验,分类结果如图4所示。

(a) 仅利用极化特征(b) 直接利用RGB颜色和极化特征(c) 本文方法

图4分类结果

Fig.4Classificationofresults

从图4中可以看出，仅利用极化特征的分类结果(图4(a))5种地物类别大致得到划分，但明显水域和道路的区分性较差，没有很好地将道路的细长轮廓分出来，水域的轮廓也不清晰，而且植被和裸地类别内存在大量黑色斑点，混分现象严重，分类效果较差； 直接利用RGB颜色和极化特征的分类，如图4(b)所示，水域和植被区域得到了很好的改善，但在水域边缘不清晰，仍有漏分现象出现，建筑物和植被区域混分较多，道路信息也不是特别清晰； 而本文方法加入颜色特征向量分类结果(图4(c))，道路和水域被很好区分，水域边缘清晰，道路的轮廓也清楚可见，而且其他地物区分性较强，整体提取效果较好。

计算各分类结果的混淆矩阵，并对分类结果进行定量的精度评价。3种方法分类结果的混淆矩阵分别如表4—表6所示。

表4 仅利用极化特征分类的混淆矩阵

表5 直接利用RGB颜色和极化特征分类的混淆矩阵

表6 本文方法分类的混淆矩阵

从混淆矩阵中可以看出，仅利用极化特征的总体分类精度为83.1%； 直接利用RGB颜色和极化特征的分类精度比仅利用极化特征向量有所提高，达到了87.5%； 本文方法加入颜色和极化特征向量的分类精度最高，总体分类精度为93.2%，比其他2种方法分别提升了10.1%和5.7%，说明本文方法优于其他2种分类方法。

3 结论

1)本文通过颜色特征向量和极化特征向量相结合，进行PolSAR图像分类方法的研究，阐述了算法原理，并进行了实验验证。实验结果表明，本文方法总体精度最高，达93.2%。

2)与仅利用极化特征的方法相比，颜色特征的加入使得分类精度得到了大幅提高，总体分类精度提升了10.1%。说明辅以颜色特征的分类方法对各类地物的识别具有促进作用，尤其对水域和道路区域的分类精度改善最为明显。

3)颜色特征结合极化目标分解特征的分类方法是有效的，可以为极化SAR影像的解译提供一种可行的途径。同样，纹理特征也是SAR图像的重要特征之一，因此结合纹理、极化和颜色特征的PolSAR分类方法也是有待于进一步研究开发的新课题。

[1] Lee J S,Pottier E.Airborne and space-borne polarimetric SAR systems[M]//Thompson B J Lee J S,Pottier E.Polarimetric Radar Imaging:From Basics to Applications.Boca Raton,FL,USA:CRC Press,2009:13-22.

[2] Du L J,Lee J S.Polarimetric SAR image classification based on target decomposition theorem and complex Wishart distribution[C]//Proceedings of Remote Sensing for a Sustainable Future’ Geoscience and Remote Sensing Symposium.Lincoln,NE:IEEE,1996:439-441.

[3] Haralick R M,Shanmugam K,Dinstein I.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybernetics,1973,SMC-3(6):610-621.

[4] Chen L J,Yang W,Liu Y,et al.Feature evaluation and selection for polarimetric SAR image classification[C]//Proceedings of 2010 IEEE the 10th International Conference on Signal Processing.Beijing,China:IEEE,2010:2202-2205.

[5] Shanmugan K S,Narayanan V,Frost V S,et al.Textural features for Radar image analysis[J].IEEE Transactions on Geoscience and Remote Sensing,1981,GE-19(3):153-156.

[6] Dell’Acqua F,Gamba P.Texture-based characterization of urban environments on satellite SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(1):153-159.

[7] Ersahin K,Scheuchl B,Cumming I.Incorporating texture information into polarimetric Radar classification using neural networks[C]//Proceedings of 2004 IEEE International Geoscience and Remote Sensing Symposium.New York:IEEE,2004:560-563.

[8] 余磊.极化SAR图像伪彩色增强与可视化方法研究[D].郑州:解放军信息工程大学,2012. Yu L.Study on Methods of Pseudo-Color Enhancement and Visualization for Polarimetric SAR Image[D].Zhengzhou:The PLA Information Engineering University,2012.

[9] Manjunath B S,Ohm J R,Vasudevan V V,et al.Color and texture descriptors[J].IEEE Transactions on Circuits and Systems for Video Technology,2001,11(6):703-715.

[10]Gevers T,Gijsenij A,Weijer J,et al.Color in Computer Vision:Fundamentals and Applications[M].New York,NY,USA:Wiley,2012.

[11]Huang J,Kumar S R,Mitra M,et al.Image indexing using color correlograms[C]//Proceedings of the 1997 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Juan:IEEE,1997:762-768.

[12]官倩宁,覃团发,帅勤,等.综合MPEG-7中纹理和颜色特征的图像检索方法[J].计算机应用研究.2008,25(3):957-960. Guan Q N,Qin T F,Shuai Q,et al.Image retrieval based on combined texture and color features in MPEG-7[J].Application Research of Computers,2008,25(3):957-960.

[13]Cinque L,Ciocca G,Levialdi S,et al.Color-based image retrieval using spatial-chromatic histograms[J].Image and Vision Computing,2001,19(13):979-986.

[14]Uhlmann S,Kiranyaz S.Integrating color features in polarimetric SAR image classification[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(4):2197-2216.

[15]Zhang L M,Zou B,Zhang J P,et al.Classification of polarimetric SAR image based on support vector machine using multiple-component scattering model and texture features[J].EURASIP Journal on Advances in Signal Processing,2009,2010:Article ID 960831.

[16]Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.

[17]Zhou X D,Zhang C H.A perceptive uniform pseudo-color coding method of SAR images[C]//Proceedings of International Conference on Radar.Shanghai,China:IEEE,2006:1-4.

[18]Swain M J,Ballard D H.Color indexing[J].International Journal of Computer Vision,1991,7(1):11-32.

[19]Jiang H B,Su Y Y,Jiao Q S,et al.Typical geologic disaster surveying in Wenchuan 8.0 earthquake zone using high resolution ground LiDAR and UAV remote sensing[C]//Proceedings of SPIE Lidar Remote Sensing for Environmental Monitoring XIV.Beijing,China:SPIE,2014:926219.

(责任编辑：陈理)

IntegratingcolorfeaturesinpolarimetricSARimageclassification

BU Lijing1， HUANG Pengyan2， SHEN Lu1

(1.SchoolofMappingandGeographicalScience,LiaoningTechnicalUniversity,Fuxin123000,China; 2.SchoolofCivilEngineering,LuoyangInstituteofScienceandTechnology,Luoyang471000,China)

This paper presents a method for combining the color feature and target decomposition characteristics so as to study the classification of polarimetric SAR. It makes up decomposition feature vector by polarimetric target decomposition and then, through the pseudo color enhancement method, obtains the false color image of polarimetric SAR data representation; after that, it extracts color histogram from the pseudo color images to make up the color feature vector, thus providing additional information for further land classification. Classification experiments were performed at different feature vectors by using RadarSat-2 polarimetric SAR image. In addition, the quantitative and qualitative comparison analysis was conducted with classification results. The experimental results show that the addition of the color feature can effectively improve the classification accuracy of polarimetric SAR images.

PolSAR image classification; pseudo color enhancement; color feature; feature vector

10.6046/gtzyyg.2017.03.08

卜丽静,黄鹏艳,沈璐.一种结合颜色特征的PolSAR图像分类方法[J].国土资源遥感,2017,29(3)：59-64.(Bu L J,Huang P Y,Shen L.Integrating color features in polarimetric SAR image classification[J].Remote Sensing for Land and Resources,2017,29(3)：59-64.)

TP 79

： A

： 1001-070X(2017)03-0059-06

2016-01-22；

2016-04-09

国家自然科学基金青年科学基金项目“MRF模型的车载全景视觉位姿估计最优化方法研究”(编号： 41501504)和辽宁省教育厅一般项目“复杂运动场景下卫星视频的超分辨率重建方法研究”(编号： LJYL011)共同资助。

卜丽静(1980-),女,讲师,博士,主要从事雷达图像重建及解译方面的研究。Email: lijingbu@126.com。