留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

极化SAR K-Wishart分类器及其性能评价

李兰 陈尔学 李增元 冯琦 赵磊

李兰, 陈尔学, 李增元, 冯琦, 赵磊. 极化SAR K-Wishart分类器及其性能评价[J]. 武汉大学学报 ● 信息科学版, 2016, 41(11): 1498-1504. doi: 10.13203/j.whugis20140649
引用本文: 李兰, 陈尔学, 李增元, 冯琦, 赵磊. 极化SAR K-Wishart分类器及其性能评价[J]. 武汉大学学报 ● 信息科学版, 2016, 41(11): 1498-1504. doi: 10.13203/j.whugis20140649
LI Lan, CHEN Erxue, LI Zengyuan, FENG Qi, ZHAO Lei. K-Wishart Classifier for PolSAR Data and Its Performance Evaluation[J]. Geomatics and Information Science of Wuhan University, 2016, 41(11): 1498-1504. doi: 10.13203/j.whugis20140649
Citation: LI Lan, CHEN Erxue, LI Zengyuan, FENG Qi, ZHAO Lei. K-Wishart Classifier for PolSAR Data and Its Performance Evaluation[J]. Geomatics and Information Science of Wuhan University, 2016, 41(11): 1498-1504. doi: 10.13203/j.whugis20140649

极化SAR K-Wishart分类器及其性能评价

doi: 10.13203/j.whugis20140649
基金项目: 

高分辨率对地观测系统重大专项(民用部分) 21-Y30B05-9001-13/15-1

详细信息
    作者简介:

    李兰, 博士生, 主要从事极化SAR影像分类方法研究。lilanlan1128@163.com

    通讯作者: 陈尔学, 博士, 研究员。chenerx@caf.ac.cn
  • 中图分类号: TP751

K-Wishart Classifier for PolSAR Data and Its Performance Evaluation

Funds: 

The National Science and Technology Major Projects of China 21-Y30B05-9001-13/15-1

More Information
    Author Bio:

    LI Lan, PhD candidate, specializes in the methods of PolSAR classification. E-mail:lilanlan1128@163.com

    Corresponding author: CHEN Erxue, PhD, professor. E-mail:chenerx@caf.ac.cn
图(13) / 表(2)
计量
  • 文章访问数:  1620
  • HTML全文浏览量:  34
  • PDF下载量:  407
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-06-08
  • 刊出日期:  2016-11-05

极化SAR K-Wishart分类器及其性能评价

doi: 10.13203/j.whugis20140649
    基金项目:

    高分辨率对地观测系统重大专项(民用部分) 21-Y30B05-9001-13/15-1

    作者简介:

    李兰, 博士生, 主要从事极化SAR影像分类方法研究。lilanlan1128@163.com

    通讯作者: 陈尔学, 博士, 研究员。chenerx@caf.ac.cn
  • 中图分类号: TP751

摘要: K-Wishart分布旨在通过统计方法更精确地描述极化SAR多视协方差矩阵或相干矩阵数据,揭示极化SAR影像在异质场景下的非高斯统计特性。以内蒙古自治区依根实验区和河北省遵化实验区的国内机载数据为例,分别进行了Wishart和K-Wishart非监督分类实验。研究结果表明,K-Wishart分类器适用于提取林地、园地、农村居民点等较不均匀区域。同时,本文通过分类准确性和稳定性两个方面对K-Wishart分类器的性能进行了评价。

English Abstract

李兰, 陈尔学, 李增元, 冯琦, 赵磊. 极化SAR K-Wishart分类器及其性能评价[J]. 武汉大学学报 ● 信息科学版, 2016, 41(11): 1498-1504. doi: 10.13203/j.whugis20140649
引用本文: 李兰, 陈尔学, 李增元, 冯琦, 赵磊. 极化SAR K-Wishart分类器及其性能评价[J]. 武汉大学学报 ● 信息科学版, 2016, 41(11): 1498-1504. doi: 10.13203/j.whugis20140649
LI Lan, CHEN Erxue, LI Zengyuan, FENG Qi, ZHAO Lei. K-Wishart Classifier for PolSAR Data and Its Performance Evaluation[J]. Geomatics and Information Science of Wuhan University, 2016, 41(11): 1498-1504. doi: 10.13203/j.whugis20140649
Citation: LI Lan, CHEN Erxue, LI Zengyuan, FENG Qi, ZHAO Lei. K-Wishart Classifier for PolSAR Data and Its Performance Evaluation[J]. Geomatics and Information Science of Wuhan University, 2016, 41(11): 1498-1504. doi: 10.13203/j.whugis20140649
  • 极化SAR分类是极化SAR影像解译的关键技术之一。早期,极化SAR影像分类以其统计特征为基础,之后,以极化分解所得到的目标散射特征被用于极化SAR影像目标分类与识别。近年来最常采用将统计特性和散射机制相结合的分类方法[1, 2]。基于统计特性的方法源自统计模型参数化方法,Kong等提出了单视极化SAR影像的极大似然(maximum likelihood,ML)分类器[3],Lee等提出了多视条件下基于Wishart分布的ML分类器[4],成为极化SAR分类最常用的分类器。Wishart分布的成立需要假设目标散射分量服从高斯分布,该假设在非均匀自然场景下并不成立,因此,Wishart分类器存在其应用的局限性。

    随着SAR影像空间分辨率的提高,非高斯统计模型用于SAR影像建模研究,其中根据乘积模型发展的SAR影像杂波统计模型应用最为广泛[5, 6]。多视极化相关矩阵(协方差矩阵或极化相干矩阵)可采用双随机乘积模型描述。Gamma分布揭示异质区域纹理分布特点,据此可推导得极化相关矩阵服从K-Wishart分布[7, 8]。Doulgeris等首次将K-Wishart分布模型应用于极化SAR分类研究[9-11],随后国内也有学者将其应用于极化SAR分类[12]和变化检测研究[13]。但已有研究均基于仿真或国外机载数据,地物类型较单一,且缺少验证数据,只进行了定性或部分定量分析,极少讨论该分类器的适用条件及其稳定性。本文将Wishart分类器和K-Wishart分类器分别应用于国内机载数据,结合详细的验证数据,对分类过程和分类结果进行对比分析,讨论其适用条件及分类性能,相关结论对极化SAR分类研究具有一定的指导作用。

    • 低分辨率影像或高分辨率同质均匀区域的RCS为常量,用Wishart分布描述其极化相关矩阵的统计分布,即:

      (1)

      记为C~W(L, Σ),其中,C为极化相关矩阵,L为视数; Σ为类中心极化相关矩阵; tr (·)为矩阵的迹; |·|为行列式值; d为矢量维度; I(L, d)=πd(d-1)/2Γ(L)…Γ(L-d+1)为归一化系数常量。通常假设各类别先验概率相等,视数L为全局常量,定义极化相关矩阵〈C〉到第i个类中心的Wishart距离:

      (2)

      K-Wishart分布模型具有非高斯统计特性,相比Wishart分布模型对非均匀自然场景的描述更为精确。基于全极化SAR影像的双随机乘积模型,极化相关矩阵C可表示为C=T·W。其中变量W表示服从Wishart分布的相干斑随机矩阵,变量T表示某种分布的雷达反射截面积(radar cross section, RCS)模型。由Gamma分布RCS模型可推导得极化相关矩阵服从K-Wishart分布[9]

      (3)

      记为C~KW(L, α, Σ)。其中,L为视数; d为矢量维度; α为形状参数; Γ(·)为标准伽玛函数; Κm(·)为m阶修正贝塞尔函数。形状参数越小,说明其对应场景的异质性越强,非高斯特性越明显。类似Wishart距离的定义,定义极化相关矩阵〈C〉到第i个类中心的K-Wishart距离:

      (4)
    • 应用K-Wishart距离需要估测视数L、形状参数α以及类中心极化相关矩阵,其中可采用最大似然估计的方法估计

      (5)

      式中,Ni表示属于第i类的样本的个数; i表示属于第i类的所有样本。

      由于被平均的各视之间存在相关性,通常采用等效视数(effective number of looks,ENL)参数,选取较为匀质的分布目标进行估计:

      (6)

      式中, I表示影像强度。

      采用矩估计法[10]估计形状参数α,首先计算相对峰值(relative kurtosis, RK):

      (7)

      然后将其带入式(8)估算α:

      (8)
    • 分类性能主要对以下两个方面进行评价:①分类准确性,通过分类精度进行评价;②稳定性,通过迭代过程的收敛性分析进行评价。为更客观地评价K-Wishart分类器的性能,本文将对极化SAR影像分别进行Wishart和K-Wishart非监督分类,对比分析其分类过程和分类结果,技术流程如图 1,具体操作可分为以下4个过程。

      图  1  技术流程图

      Figure 1.  Flowchart of Process

      1) H/A/Alpha初始化聚类中心。采用基于H/ A/ Alpha极化分解[14]的方法初始化聚类中心,确保Wishart分类器和K-Wishart分类器具有一致的初始化聚类中心,并获得相对稳健的分类结果。通过H/ A/ Alpha分类将会得到16个初始类别,但在这些类别中往往存在所含像元数过少的“异常类别”,因此需要将这些类别进行合并处理,本文将所含像元数小于总体像元数0.01%的类别与其邻近散射机制所在的类别进行合并,以合并后的类别数作为K-means迭代的类别数,并依据该分类结果初始化聚类中心。

      2)  K-means迭代及其稳定性分析。分别基于Wishart距离和K-Wishart距离进行K-means迭代,迭代终止条件包括最大迭代次数和终止阈值,即当迭代次数达到设定最大次数时或类间像元变化率小于设定阈值时,迭代终止。其中,类间像元变化率是指两次迭代之间在不同类别间进行转移的像元数占总像元数的比率。为评价Wishart分类器和K-Wishart分类器的稳定性,本文对其在迭代过程中的类中心变化和类间像元变化率进行了分析。

      3) 类别定义/类别合并。非监督分类的初始类别数通常多于最终的类别数,迭代终止后需要依据实地调查数据和影像数据确定类别的属性,将迭代结果归并到对应的信息类别,以进行精度评价。

      4) 精度评价。通过选取精度检验样本,采用“混淆矩阵”的方法,对分类结果进行精度评价。本文同时参考实地调查数据和影像数据选取样本。具体操作为:在影像上定位实地调查点的地理位置,分析各类别在影像上的特征,通过寻找具有相同特征的点来获取各类别的多个样本。

    • 为充分说明K-Wishart分类器的分类性能,本文利用不同实验区不同波段的两景国内机载数据分别进行Wishart和K-Wishart非监督分类。迭代终止条件设置为:最大循环次数100,像元变化阈值0。为分析迭代过程中类中心的变化,需要绘制类中心变化图,由于在本实验中全极化SAR影像的类中心表示为极化相干矩阵[T3]形式,不易于图形展示,鉴于全极化SAR影像极化总功率Span[14]可较直观地反映地物信息,本实验将引入极化总功率Span特征,在以迭代次数和极化总功率Span所形成的2维空间中,分别用点标注Wishart分类器和K-Wishart分类器在迭代过程中各类中心的位置。

    • 实验1研究区位于内蒙古自治区依根农林交错实验区,主要地类包括耕地、林地、沼泽地、农村居民点,其中主要农作物为油菜、小麦、大麦等,主要树种为白桦和落叶松。2012-08-09在该实验区开展了机载LiDAR和CCD飞行试验,获取了高分辨率CCD数据(分辨率为0.5 m);2013-09开展了机载SAR飞行试验,获取了P波段全极化SAR数据。两次飞行试验期间共进行了6次地面同步或准同步的外业采集工作,获取了该实验区地类分布、属性变化等信息的实地调查数据。本文选取了该实验区内具有典型地物类别的区域开展研究,图 2为该区域全极化SAR影像的PauliRGB显示结果,影像大小为837像素×860像素(多视后),中心入射角为55°,方位向分辨率为5 m,距离向分辨率为4 m。根据实地调查的地类分布信息以及全极化SAR影像的分类潜力,确定本实验的分类系统为耕地、林地、沼泽地和农村居民点。为对分类结果进行精度检验,同时参考CCD影像和实地调查数据均匀选取了54个样本检验区共包含3 882个检验样本,其位置分布如图 3所示,其中包括1 490个耕地样本、1 092个林地样本、1 084个沼泽地样本以及216个农村居民点样本。

      图  2  依根实验区全极化SAR影像PauliRGB

      Figure 2.  Polarimetric SAR Image PauliRGB of Yigen

      图  3  CCD影像及其样本点分布

      Figure 3.  CCD Image and Sample Points Distribution

      通过H/ A/ Alpha分类以及类别合并,确定K-means迭代的分类数为14类。两种分类器的类中心变化分别如图 4图 5所示,其中不同颜色的点代表不同的类别。可以看出,Wishart分类器在迭代过程中各类中心均趋于稳定,而K-Wishart分类器在迭代过程中类中心的位置变动较大。各次迭代的类间像元变化率曲线如图 6所示,从该类间像元变化率图上也可以看出,K-Wishart分类器在迭代过程中类间转移像元数较多,且终止时变化值较大。由此说明,K-Wishart分类器的稳定性较差。

      图  4  Wishart分类器类中心变化图

      Figure 4.  Cluster Center Change of Wishart Classifier

      图  5  K-Wishart分类器类中心变化图

      Figure 5.  Cluster Center of K-Wishart Classifier

      图  6  类间像元变化率图

      Figure 6.  Variation Wariation Rate of Interclass Pixels

      参考实地调查数据和CCD影像,将K-means迭代结果归并到对应类别(耕地、林地、沼泽地、农村居民点),合并后的分类结果如图 7所示,评价结果如表 1所示。从分类结果的总体精度来看,K-Wishart分类器的分类准确率较高,分类效果较好。其中,K-Wishart分类器对耕地和沼泽地的识别效果相比Wishart分类器略差,但对林地和农村居民点的识别精度较高。图 7中矩形黑框区域在Wishart分类结果中有较多林地误分为农村居民点,在K-Wishart分类结果中则只有少量林地被误分;椭圆黑框内的沼泽地与农村居民点在Wishart分类结果中存在混分,而在K-Wishart分类结果中的区分性较好。

      图  7  分类结果

      Figure 7.  Classification Results

      表 1  分类精度评价/%

      Table 1.  Classification Accuracy Assessment /%

      耕地林地沼泽地农村居民点总精度
      W90.6781.5992.2524.5484.88
      KW90.2092.8686.4456.4888.02
      注:W表示Wishart分类器;KW表示K-Wishart分类器。
    • 实验2研究区位于河北省遵化市,主要地类包括耕地、林地、园地、水域、农村居民点,其中主要农作物为花生和玉米,林地主要有樟子松和油松,园地主要有板栗、苹果、核桃等。采用中国科学研究院电子学研究所提供的机载C波段全极化数据,获取时间为2013-09,中心入射角为68°,多视处理后影像大小为266像素×230像素,方位向和距离向分辨率均为3 m,图 8为该影像的PauliRGB显示结果。2013-09在该实验区开展了地面同步调查实验,获得了该实验区主要地类的实地调查数据,据此确定本实验的分类系统为耕地、林地、园地、水域和农村居民点。为对分类结果进行精度检验,本实验同时参考高分辨率的Google Earth影像(分辨率为0.54 m)和实地调查数据均匀选取了69个样本检验区共包含828个检验样本,其位置分布如图 9所示,其中包括180个耕地样本、192个林地样本、192个园地样本、144个水域样本以及120个农村居民点样本。

      图  8  遵化实验区全极化SAR图像PauliRGB

      Figure 8.  Polarimetric SAR Image PauliRGB of Zunhua

      图  9  Google Earth影像及其样本点分布

      Figure 9.  Google Earth Image and Sample Points Distribution

      通过H/ A/ Alpha分类以及类别合并,确定K-means迭代的分类数为14类。两种分类器的类中心变化分别如图 10图 11所示,同样可以看出,Wishart分类器在迭代过程中各类中心均趋于稳定,而K-Wishart分类器在迭代过程中类中心的位置变动较大,且Wishart分类器的类中心较为聚集,甚至无法区分出某些类别,而K-Wishart分类器的类中心相对较为分散,说明K-Wishart分类器对某些特定类别的识别性较好。各次迭代的类间像元变化率曲线如图 12所示,从该类间像元变化率图上也可以看出,K-Wishart分类器在迭代过程中类间转移像元数较多,且终止时变化值较大。由此再次说明,K-Wishart分类器的稳定性较差。

      图  10  Wishart分类器类中心变化图

      Figure 10.  Cluster Center Change of Wishart Classifier

      图  11  K-Wishart分类器类中心变化图

      Figure 11.  Cluster Center Change of K-Wishart Classifier

      图  12  类间像元变化率图

      Figure 12.  Variation Rate of Interclass Pixels

      参考调查数据和Google Earth影像,将K-means迭代结果归并到对应类别(耕地、林地、园地、水域、农村居民点等),合并后的分类结果如图 13所示,评价结果如表 2所示。从分类结果的总体精度来看,K-Wishart分类器的分类准确率较高,分类效果较好。其中,K-Wishart分类器对水域的识别效果相比Wishart分类器略差,但对林地、园地和农村居民点的识别精度较高。观察PauliRGB图和Google Earth影像可知,图 13中矩形黑框区域为水库周边设施,其在Wishart分类结果中大部分被误分为林地,在K-Wishart分类结果中则被识别为其他类别;椭圆黑框区域内的林地与园地在Wishart分类结果中存在较严重的混分,而在K-Wishart分类结果中的区分性较好。

      图  13  分类结果

      Figure 13.  Classification Results

      表 2  分类精度评价/%

      Table 2.  Classification Accuracy Assessment /%

      耕地林地园地水域农村居民点总精度
      W66.1155.2143.7593.7540.0059.42
      KW67.7871.2071.0590.8565.5572.99
      注:W表示Wishart分类器;KW表示K-Wishart分类器。
    • 本文利用两个实验区不同波段SAR数据对K-Wishart分类器的性能进行测试,实验结果具有一致性和一定代表性。从分类结果来看,K-Wishart分类器的分类准确率较高,分类效果较好,对耕地、沼泽地和水域等较均质地类的识别精度与Wishart分类器相差不大,但对林地、园地和农村居民点等异质性较高的地类识别精度大幅提高,这主要是因为K-Wishart分布旨在描述极化SAR影像在异质场景下的非高斯统计特性,在均质场景下其描述能力并不能较好的体现出来,说明K-Wishart分类器较适用于提取异质性较高的地类。

      K-Wishart分布的概率密度函数表达式较为复杂,在分类过程中需要计算贝塞尔函数,而该函数为非线性特殊函数,若随机初始化,该函数可能会计算溢出而出现无效值,因此, 本文采用基于H/ A/ Alpha极化分解的初始化方法,既保证了初始类别的一致性和“可解译性”,又防止了该函数计算溢出。K-Wishart分类器在迭代过程中类中心变化较大,类间转移像元数较多,说明其稳定性较差。是否存在更为有效的参数估计方法可以提高该分类器的稳定性尚需进一步的研究。

参考文献 (14)

目录

    /

    返回文章
    返回