許斌

(四川信息職業(yè)技術(shù)學(xué)院電子工程系,廣元 608040)

基于非高斯分布的全極化SAR數(shù)據(jù)無監(jiān)督分類

許斌

(四川信息職業(yè)技術(shù)學(xué)院電子工程系,廣元 608040)

結(jié)合Freeman-Durden以散射模型為基礎(chǔ)開發(fā)的分解算法和基于非高斯的K-Wishart分布，提出了一種無監(jiān)督算法對(duì)全極化合成孔徑雷達(dá)(fully polarimetric SAR,PolSAR)數(shù)據(jù)進(jìn)行地物分類。該算法主要由3大步驟組成： 首先通過Freeman-Durden算法把PolSAR數(shù)據(jù)劃分成3種散射： 表面散射、體散射和二面角散射，再使用形狀參數(shù)χ將各種散射分為3類； 然后通過每個(gè)像元的8個(gè)鄰域計(jì)算先驗(yàn)概率，以改進(jìn)分類距離和計(jì)算聚類中心； 最后應(yīng)用迭代K-Wishart分類器進(jìn)行精確分類，并對(duì)每一類提出顏色填充方案。與復(fù)Wishart分布不同，K-wishart分布不但適合均勻區(qū)域數(shù)據(jù)描述，而且對(duì)不均勻區(qū)域數(shù)據(jù)的描述能力也很強(qiáng)。實(shí)驗(yàn)結(jié)果表明，該方法比Freeman-Durden分解和復(fù)Wishart分布組合具有更好的分類性能。

全極化合成孔徑雷達(dá)(PolSAR)； 散射參數(shù)； 地物分類； K-Wishart分布； 先驗(yàn)概率

0 引言

全極化合成孔徑雷達(dá)(fully polarimetric SAR,PolSAR)圖像分類是SAR圖像處理的一個(gè)重要組成部分，例如在軍事偵察、土地調(diào)查、城市規(guī)劃等應(yīng)用領(lǐng)域。PolSAR數(shù)據(jù)分類主要有2種方法： 監(jiān)督分類[1-2]和無監(jiān)督分類[3-4]。監(jiān)督分類需要大量的訓(xùn)練樣本，但有時(shí)很難獲得足夠的訓(xùn)練樣本； 而無監(jiān)督分類是通過迭代等方式使算法的性能逐步優(yōu)化，不需要訓(xùn)練樣本，故已被廣泛應(yīng)用于極化SAR圖像分類。1997年Cloude等[5]提出了一種H/a分解分類算法，將H/a平面分為8個(gè)區(qū)域(即8個(gè)類)。1999年Lee等[6]提出了一種改進(jìn)的算法，將H/a分解與復(fù)Wishart分類器相結(jié)合，而Wishart分類器是由復(fù)Wishart分布的推導(dǎo)而得來的。2004年Lee等[7]又提出了另一種方法，將Freeman分解與復(fù)Wishart分布相結(jié)合，采用Wishart分類器(即Wishart分布)對(duì)PolSAR數(shù)據(jù)獲得比之前方法更好的分類效果。然而標(biāo)準(zhǔn)Wishart分類器受到高斯分布的限制，在PolSAR數(shù)據(jù)的一些非高斯分布區(qū)域很難獲得有效的分類性能，于是在2008年Doulgeris等[8]提出了尺度混合的高斯分布模型(即K-Wishart分布)，該模型更加適合于對(duì)PolSAR數(shù)據(jù)進(jìn)行全方位的描述。因此，本文提出了一種Freeman-Durden分解與非高斯K-Wishart分布[8-9]相結(jié)合的算法。首先，用Freeman-Durden分解把PolSAR數(shù)據(jù)分為表面散射、散射體散射和二面角散射的基于地面目標(biāo)的3種物理散射特性，把最初的PolSAR數(shù)據(jù)分為3類。為了使PolSAR分類達(dá)到更為滿意的效果，使用基于K-Wishart分布的形狀參數(shù)[8-9]，不同形狀參數(shù)的取值范圍代表不同的分布特征，以有效區(qū)分各種不同的地物類型； 然后，在此基礎(chǔ)上對(duì)形狀參數(shù)選擇合適的閾值，將每種散射再分為3類； 最后，通過K-Wishart迭代算法對(duì)PolSAR數(shù)據(jù)進(jìn)行精確分類。

在傳統(tǒng)的無監(jiān)督分類方法中，每個(gè)像元的先驗(yàn)概率是相等的，但這種假設(shè)在邊界或混雜區(qū)域是不合理的。為了解決這個(gè)問題，本文使用每個(gè)像元的8個(gè)鄰域計(jì)算先驗(yàn)概率，以提高分類距離的計(jì)算精度； 同時(shí)選擇了具有較高先驗(yàn)概率的像元計(jì)算聚類中心，以獲得更高精度的聚類中心。本文從分類精度和準(zhǔn)確度等方面討論和比較在Freeman-Durden分解算法的基礎(chǔ)上采用K-Wishart分布和復(fù)Wishart分布對(duì)PolSAR數(shù)據(jù)的分類性能，以便顯示出K-Wishart分布的優(yōu)越性和高效性。

1 分類方法

1.1 Freeman - Durden分解算法

PolSAR數(shù)據(jù)的散射矩陣非常重要，它是SAR發(fā)射的入射信號(hào)和目標(biāo)散射回波信號(hào)各極化分量之間的一種線性變換矩陣，其HH, HV和VV極化的3個(gè)特殊的分量[10]可定義為

(1)

式中：h為散射矢量；S為散射矩陣； T為矩陣轉(zhuǎn)置符號(hào)。

但在實(shí)際數(shù)據(jù)的處理和分析時(shí)，為了能夠得到理想的分類效果，常常將散射矩陣轉(zhuǎn)換成相干矩陣或協(xié)方差矩陣[11]，即

(2)

式中：C為協(xié)方差矩陣；S*為S的復(fù)共軛矩陣。

Freeman-Durden算法[7]把協(xié)方差矩陣分為3個(gè)散射類別： 平面散射類、二面角類和體散射類[7]，即

(3)

式中：C為協(xié)方差矩陣；fv,fd和fs分別為對(duì)應(yīng)體散射、二面角散射和表面散射的貢獻(xiàn)；β為HH后向散射與VV后向散射的比值；α=RghRvh/RgvRvv，其中Rgh和Rgv分別為地表的水平和垂直Fresnel系數(shù)，Rvh和Rvv分別為豎直墻體的水平和垂直Fresnel系數(shù)；α*為α的復(fù)共軛。

因此可以計(jì)算出體散射功率(Pv)、二面角散射功率(Pd)和表面散射功率(Ps)，即

Ps=fs(1+|β|2),

(4)

Pd=fd(1+|α|2),

(5)

Pv=8fv/3,

(6)

P=Ps+Pd+Pv=|SHH|2+2|SHV|2+|SVV|2,

(7)

式中P為總散射功率。

1.2 形狀參數(shù)和K-Wishart分類器

絕大多數(shù)PolSAR數(shù)據(jù)是經(jīng)過多視處理的，可將這些數(shù)據(jù)表示成極化協(xié)方差矩陣，即

(8)

式中：hk為h的第k個(gè)采樣，上標(biāo)“*”表示復(fù)共軛；n為視數(shù)。

復(fù)Wishart分布適用于在同質(zhì)區(qū)域高斯假設(shè)下的測(cè)量，但往往不能用于PolSAR數(shù)據(jù)的異質(zhì)性區(qū)域?；诟咚狗植嫉陌唿c(diǎn)和伽瑪分布的紋理，Doulgeris等[9]推導(dǎo)了PolSAR數(shù)據(jù)K-Wishart分布，其相干矩陣的概率密度函數(shù)為

(9)

式中： Γ(·)為標(biāo)準(zhǔn)的Γ函數(shù)；C為協(xié)方差矩陣；V為均值協(xié)方差矩陣；q為通道數(shù)；Km為第二類的修正的貝塞爾函數(shù)；Tr(·)為矩陣的跡；R為歸一化常數(shù)，即

R(n,q)=πq/2(q-1)Γ(n)…Γ(n-q+1)。

(10)

多視數(shù)據(jù)的形狀參數(shù)近似表達(dá)式[8]為

(11)

式中M=trace(∑-1C)。

根據(jù)Bayes最大似然估計(jì)分類過程，若滿足如下條件[10]，則矢量u就屬于類m，即

d(u,m)≤d(u,j)j≠m,

(12)

其中

d(u,m)=-ln [P(u|m)P(m)],u∈m，

(13)

式中P(m)為第m類的先驗(yàn)概率。

對(duì)K-Wishart分布應(yīng)用最大似然分類器，樣本協(xié)方差矩陣C和第m類的聚類均值Vm之間的距離是將式(9)代入式(13)得到的，即

(14)

在一般情況下，沒有先驗(yàn)概率的知識(shí)對(duì)所有類的假設(shè)都是相等的，但這種假設(shè)在某些情況下是不合理的，特別是在非均勻區(qū)域和邊界區(qū)域。所以本文通過每個(gè)像元的8個(gè)鄰域估計(jì)先驗(yàn)概率，定義P(m)為

(15)

1.3 復(fù)Wishart分類器

可將多視數(shù)據(jù)表示成具有復(fù)Wishart[6]分布的極化協(xié)方差矩陣。令V=E[C]，協(xié)方差的概率分布函數(shù)為

(16)

K(n,q)=π(1/2)q(q-1)Γ(n)…Γ(n-q+1) ,

(17)

式中：Tr為矩陣的跡；V為協(xié)方差矩陣C的平均；n為視數(shù)；q為通道數(shù)。

復(fù)Wishart分布形式簡(jiǎn)潔，容易計(jì)算，是目前處理實(shí)際問題中比較常用的描述PolSAR的協(xié)方差矩陣的統(tǒng)計(jì)模型。Lee等[6]針對(duì)極化協(xié)方差矩陣，研究出了一種基于復(fù)Wishart分布的算法,對(duì)復(fù)Wishart分布應(yīng)用最大似然分類法進(jìn)行分類。協(xié)方差矩陣C和第m類的聚類均值Vm之間的距離為

(18)

式中P(m)為類m的先驗(yàn)概率。

將類的均值定義為所有屬于第m類的像元的C的均值，即

Vm=E[C|C∈ωm],

(19)

式中ωm為所有屬于第m類的像元。

如果滿足如下條件，那么像元就被分配到類ωm，即

d(C,Vm)≤d(C,Vj)j≠m。

(20)

應(yīng)該注意的是，相干矩陣和協(xié)方差矩陣是線性相關(guān)的，因此使用相干矩陣和協(xié)方差矩陣進(jìn)行分類的效果都是相同的。

2 分類流程

2.1 Freeman結(jié)合K-Wishart算法

在使用K-Wishart分類器迭代算法時(shí)，一個(gè)好的聚類中心對(duì)分類結(jié)果是非常重要的。更準(zhǔn)確的聚類中心，會(huì)在每一個(gè)迭代過程中得到更好的分類結(jié)果。因此，本文選擇具有高先驗(yàn)概率的像元計(jì)算每個(gè)迭代過程的聚類中心。先驗(yàn)概率越高的像元，可靠性越高； 如果所有聚類中心都由具有較高先驗(yàn)概率的像元來計(jì)算，聚類中心就會(huì)更準(zhǔn)確和更穩(wěn)定。因此，本文為PolSAR數(shù)據(jù)計(jì)算聚類中心的方法為

(21)

式中：Vm為類m的聚類中心；N為類m中的像元個(gè)數(shù)；θ為P(m)的閾值。算法流程如圖1所示。

圖1 Freeman和K-Wishart算法的分類流程

具體實(shí)現(xiàn)步驟如下：

1)對(duì)PolSAR原始數(shù)據(jù)進(jìn)行相干斑濾波處理；

2)使用Freeman-Durden分解算法，對(duì)濾波后的PolSAR數(shù)據(jù)的所有像元點(diǎn)進(jìn)行特征分解，得到每個(gè)像元點(diǎn)的體散射功率Pv,二面角散射功率Pd和表面散射功率Ps的值；

3)根據(jù)具體圖像選擇合理的閾值x和y，根據(jù)分布特征參數(shù)χ的值進(jìn)一步將步驟2)中每一類劃分結(jié)果再分為3類： 如果χ≤x，將其對(duì)應(yīng)的像元點(diǎn)劃分為一類； 如果x≤χ≤y，將其對(duì)應(yīng)的像元點(diǎn)劃分為另一類； 如果χ≥y，將其對(duì)應(yīng)的像元點(diǎn)劃分為第3類，從而將整個(gè)PolSAR圖像劃分為9類；

4)計(jì)算先驗(yàn)概率；

5)若χ較大，即χ>50(nq+1)/(q+1)，則使用復(fù)Wishart分類器； 若χ較小，則使用K-Wishart分類器；

6)計(jì)算聚類中心；

7)重復(fù)步驟4)―6)，直到滿足終止條件。

2.2 Freeman結(jié)合復(fù)Wishart算法

把Freeman-Durden分解算法和復(fù)Wishart分類器結(jié)合[7]起來對(duì)PolSAR圖像進(jìn)行分類，算法程序如圖2所示。

圖2 Freeman和復(fù)Wishart算法的分類流程

具體實(shí)現(xiàn)步驟如下：

1)對(duì)PolSAR原始數(shù)據(jù)進(jìn)行濾波處理，以盡可能地抑制相干斑和保持分辨率；

2)使用Freeman-Durden分解算法，對(duì)濾波后的PolSAR數(shù)據(jù)進(jìn)行特征分解，得到每個(gè)像元點(diǎn)的體散射功率、二面角散射功率和表面散射功率的值； 找到每個(gè)像元點(diǎn)功率分量占主要成分的散射機(jī)制，根據(jù)此散射機(jī)制將數(shù)據(jù)劃分為表面散射類、二面角散射類和體散射類3大類； 然后將每大類分成具有相同像元個(gè)數(shù)的30個(gè)小類，即把整個(gè)數(shù)據(jù)分成了90個(gè)小類的初始聚類；

3)將劃分的每一大類的若干小類，根據(jù)用復(fù)Wishart距離公式計(jì)算得到不同類之間的Wishart距離進(jìn)行小類之間的合并，每次將類間距離最小的2類進(jìn)行合并，直到達(dá)到理想的類個(gè)數(shù)； 然后將合并后的結(jié)果做為復(fù)Wishart分類器初始化輸入進(jìn)行迭代，直至得到最終分類結(jié)果。

3 實(shí)驗(yàn)結(jié)果與討論

本文采用覆蓋San Francisco Bay和Flevoland地區(qū)的PolSAR原始數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，主要原因有2點(diǎn)： ①該數(shù)據(jù)已公開，獲取也較為容易(從網(wǎng)站http: //earth.eo.esa.int/polsarpro/default.html可以下載)； ②這2個(gè)地區(qū)的數(shù)據(jù)非常經(jīng)典、成熟和完整，其地貌元素豐富多樣且比較規(guī)整，適合于對(duì)不同算法分類性能的比較，因此被多篇論文所引用。

3.1 San Francisco Bay實(shí)驗(yàn)區(qū)

使用San Francisco Bay地區(qū)的PolSAR原始數(shù)據(jù)(協(xié)方差或相干矩陣)。該圖像大小為900像元×1 024像元，空間分辨率為10 m； 雷達(dá)的入射角為5°～60°，對(duì)數(shù)據(jù)可進(jìn)行四視處理。該區(qū)域的典型地物包括： 海水、森林、海灘、街道、建筑物、金門大橋、跑馬場(chǎng)、高爾夫球場(chǎng)、停車場(chǎng)和鐵路沿線等。

原始圖像及2種算法的分類結(jié)果見圖3。圖3(a)為San Francisco Bay地區(qū)的PolSAR圖像。圖3(b)是進(jìn)行Freeman-Durden分類的3個(gè)散射類型合成的假彩色圖像，其中二面角散射是紅色通道、體散射是綠色通道、表面散射是藍(lán)色通道。圖3(c)顯示使用Freeman-Durden算法經(jīng)過K-Wishart迭代后的分類結(jié)果，包括城市街區(qū)街道、樹木等植被、穿過公園的道路、高爾夫球場(chǎng)、跑馬場(chǎng)、大海、建筑物以及鐵路沿線布局等都得到了很好的區(qū)分。圖3(d)顯示Freeman-Durden算法經(jīng)過復(fù)Wishart迭代后的分類結(jié)果，許多植被沒有識(shí)別出來，特別是城區(qū)的分類效果非常差，海洋和陸地的邊界沒有很好地區(qū)分開，對(duì)鐵路沿線布局的識(shí)別也不是很清晰。圖3(e)示出K-Wishart算法分類結(jié)果各類別的顏色編碼。

(a) PolSAR圖像 (b) 3個(gè)散射類型的假彩色合成圖像 (c) Freeman結(jié)合K-Wishart算法分類結(jié)果 (d) Freeman結(jié)合復(fù)Wishart算法的分類結(jié)果

(e)K-Wishart算法各類別的顏色編碼

2種方法都采用了迭代算法，但本文提出的算法使分類結(jié)果突出了更多的細(xì)節(jié)，其主要原因是非高斯分布區(qū)域K-Wishart方法的分類能力更為出色，例如： 海面、植被和城市被完全區(qū)分出來； 海洋與陸地之間的邊界區(qū)域被有效分離； 特別是一些小區(qū)域(如游樂場(chǎng)、公園、跑馬場(chǎng)、停車場(chǎng)和高爾夫球場(chǎng)等)區(qū)分得更為準(zhǔn)確； 鐵路沿線的布局也被清楚地識(shí)別出來，分類效果更接近地面實(shí)況(ground truth)。對(duì)這個(gè)地區(qū)2種算法分類結(jié)果的差異主要表現(xiàn)在對(duì)城區(qū)的分類上，本文特別用粉紅色(圖3(c))和紅色(圖3(d))予以區(qū)別和對(duì)比。由于沒有城區(qū)的地面實(shí)況數(shù)據(jù)，只能根據(jù)經(jīng)驗(yàn)計(jì)算出K-Wishart算法的城區(qū)分類精度大約85%，而復(fù)Wishart算法精度大約30%； 其主要原因是復(fù)Wishart算法對(duì)城區(qū)的非高斯分布區(qū)域分類性能較差，而K-Wishart算法就顯得游刃有余了。

3.2 Flevoland實(shí)驗(yàn)區(qū)

使用覆蓋Flevoland地區(qū)的PolSAR原始數(shù)據(jù)(協(xié)方差或相干矩陣)，該數(shù)據(jù)是由 NASA/JPL的L-波段機(jī)載SAR獲取的，數(shù)據(jù)大小為300像元×270像元。該區(qū)域是荷蘭Flevoland地區(qū)的農(nóng)田(圖4(a))，根據(jù)地面實(shí)況圖(圖4(b))，農(nóng)田由裸土、土豆、甜菜、豌豆、小麥和大麥6個(gè)主要類別組成。圖4(c)顯示了用Freeman-Durden算法經(jīng)過K-Wishart迭代后的分類結(jié)果。圖4(d)顯示了 Freeman結(jié)合復(fù)Wishart分類結(jié)果。參考地面實(shí)況圖(圖4(b))，得到各類地物的顏色編碼(圖4(e))。對(duì)比分類的結(jié)果可以看出，F(xiàn)reeman結(jié)合K-Wishart要比Freeman結(jié)合復(fù)Wishart算法分類的精確性以及類別的歸屬準(zhǔn)確性等要強(qiáng)得多。

(a) PolSAR 圖像 (b) 地面實(shí)況 (c) Freeman結(jié)合K-Wishart(d) Freeman結(jié)合復(fù)Wishart

算法分類結(jié)果算法分類結(jié)果

(e) 各類地物的顏色編碼

表1示出這2種算法的分類精度。

表1 2種算法分類精度對(duì)比

從表1可以看出，對(duì)于K-Wishart算法的分類總體精度是91.65%，比復(fù)Wishart算法的79.63%高出12.02%，分類性能明顯優(yōu)于后者。對(duì)于小麥區(qū)域，復(fù)Wishart的分類效果較差(只有50.92%)，這主要是由于小麥區(qū)域的分布特性以非高斯分布尤為明顯，所以復(fù)Wishart在這部分的分類性能就顯得特別差； 而K-Wshart算法以處理非高斯分布特性為其所長(zhǎng)，所以對(duì)小麥分類效果非常好(分類精度達(dá)到了94.36%)。綜上所述，K-Wishart算法在處理非高斯分布數(shù)據(jù)時(shí)，效果明顯優(yōu)于復(fù)Wishart算法。

4 結(jié)論

1)隨著雷達(dá)成像技術(shù)的發(fā)展，可獲得的數(shù)據(jù)及特征參量會(huì)越來越豐富，這會(huì)對(duì)PolSAR 數(shù)據(jù)分類的研究有很大的推進(jìn)作用。但是，目前對(duì)PolSAR數(shù)據(jù)的研究和理解尚不夠全面，分類方法存在很多的局限性(主要表現(xiàn)在對(duì)類別數(shù)的確定)。人們很難預(yù)知地物的真實(shí)信息(如果沒有g(shù)round truth的話)，所以很多無監(jiān)督算法都是固定類別數(shù)的，有時(shí)會(huì)和真實(shí)的地物信息產(chǎn)生沖突，從而導(dǎo)致分類不準(zhǔn)確或者不全。

2)本文提出了由Freeman-Durden分解和K-Wishart距離度量分類器相結(jié)合的分類算法。Freeman分解算法先將PolSAR數(shù)據(jù)分成3種散射類別，再使用形狀參數(shù)將每種散射類別再分為3類，最后用迭代算法獲得分類結(jié)果，有效提高了分類結(jié)果的精度和準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，這種混合型高斯分布迭代算法比復(fù)Wishart分布迭代算法具有更大的優(yōu)越性，對(duì)PolSAR數(shù)據(jù)的分類有更好的效果； 并且方法比較簡(jiǎn)單、計(jì)算復(fù)雜度相對(duì)較小、容易理解與應(yīng)用，因此將會(huì)在工程實(shí)踐中具有很大的作用和意義。

3)本文雖然在極化PolSAR數(shù)據(jù)分類上進(jìn)行了一些研究，但依然采用了傳統(tǒng)的極化數(shù)據(jù)分類模型和固定的類別數(shù)，沒有很好地解決經(jīng)典無監(jiān)督算法所遺留的問題。希望未來對(duì)PolSAR數(shù)據(jù)的分類研究能在以下方面更加深入并取得突破： ①找到能識(shí)別地物類別數(shù)的自適應(yīng)算法，以便對(duì)具體數(shù)據(jù)進(jìn)行無監(jiān)督分類； ②能夠?qū)μ卣鲄⒘窟M(jìn)行有效的篩選。目前比較熱門的方向是將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于PolSAR數(shù)據(jù)分類，希望能更好地利用特征參量進(jìn)行更精確的分類； ③簡(jiǎn)單高效的分類模型帶給數(shù)據(jù)研究的作用是不可估量的。因此，對(duì)傳統(tǒng)極化數(shù)據(jù)分類模型的修正和優(yōu)化也是一個(gè)重要的研究方向。

[1] Shi L,Zhang L F,Yang J,et al.Supervised graph embedding for Polarimetric SAR image classification[J].IEEE Geoscience and Remote Sensing Letters,2013,10(2):216-220.

[2] Shang F,Hirose A.Use of Poincare sphere parameters for fast supervised PolSAR land classification[C]//Proceedings of 2013 IEEE International Geoscience and Remote Sensing Symposium.Melbourne,VIC:IEEE,2013:3175-3178.

[3] Wang S,Liu K,Pei J J,et al.Unsupervised classification of fully polarimetric SAR images based on scattering power entropy and copolarized ratio[J].IEEE Geoscience and Remote Sensing Letters,2013,10(3):622-626.

[4] Zhang S,Wang S,Chen B,et al.Classification method for fully PolSAR data based on three novel parameters[J].IEEE Geoscience and Remote Sensing Letters,2014,11(8):39-44.

[5] Cloude S R,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.

[6] Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised classification using polarimetric decomposition and the complex wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(5):2249-2258.

[7] Lee J S,Grunes M R,Pottier E,et al.Unsupervised terrain classification preserving polarimetric scattering characteristics[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(4):722-731.

[8] Doulgeris A P,Anfinsen S N,Eltoft T.Classification with a non-Gaussian model for PolSAR data[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(10):2999-3009.

[9] Doulgeris A P,Anfinsen S N,Eltoft T.Automated non-Gaussian clustering of polarimetric synthetic aperture radar images[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(10):3665-3676.

[10]任俊英,蘇彩霞,曹永鋒.基于中間層特征的全極化SAR監(jiān)督地物分類[J].遙感技術(shù)與應(yīng)用,2014,29(2):330-337. Ren J Y,Su C X,Cao Y F.Supervised land-use classification of full polarization SAR image based on middle level feature[J].Remote Sensing Technology and Application,2014,29(2):330-337.

[11]Lee J S,Grunes M R,Kwok R.Classification of multi-look polarimetric SAR imagery based on complex Wishart distribution[J].International Journal of Remote Sensing,1994,15(11):2299-2311.

[12]Lee J S,Grunes M R,de Grandi G.Polarimetric SAR speckle filtering and its implication for classification[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(5):2363-2373.

[13]陳博,王爽,焦李成,等.貝葉斯集成框架下的極化SAR圖像分類[J].西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,42(2):45-51. Chen B,Wang S,Jiao L C,et al.Polarimetric SAR image classification via naive Bayes combination[J].Journal of Xidian University,2015,42(2):45-51.

[14]趙力文,周曉光,蔣詠梅,等.一種基于Freeman分解與散射熵的極化SAR圖像迭代分類方法[J].電子與信息學(xué)報(bào),2008,30(1):2698-2701. Zhao L W,Zhou X G,Jiang Y M,et al.Iterative classification of polarimetric SAR image based on Freeman decomposition and scattering entropy[J].Journal of Electronics & Information Technology,2008,30(1):2698-2701.

[15]郁文賢,柳彬,丁擁科,等.高分辨率、多時(shí)相SAR圖像數(shù)據(jù)集的構(gòu)建[J].測(cè)繪通報(bào),2014(s1):119-122. Yu W X,Liu B,Ding Y K,et al.Construction of high resolution multi-temporal SAR image dataset[J].Bulletin of Surveying and Mapping,2014(s1):119-122.

[16]陳博,王爽,焦李成,等.利用0-1矩陣分解集成的極化SAR圖像分類[J].電子與信息學(xué)報(bào),2015,37(6):1495-1501. Chen B,Wang S,Jiao L C,et al.Polarimetric SAR image classification via weighted ensemble based on 0-1 matrix decomposition[J].Journal of Electronics & Information Technology,2015,37(6):1495-1501.

[17]鐘微宇,沈汀.結(jié)合多特征和SVM的SAR圖像分割[J].計(jì)算機(jī)應(yīng)用研究,2013,30(9):2846-2851. Zhong W Y,Shen T.Multiple features and SVM combined SAR image segmentation[J].Application Research of Computers,2013,30(9):2846-2851.

[18]楊學(xué)志,葉銘,吳克偉,等.結(jié)構(gòu)保持的雙邊濾波極化SAR圖像降噪[J].電子與信息學(xué)報(bào),2015,37(2):268-275. Yang X Z,Ye M,Wu K W,et al.Speckle reduction for PolSAR image based on structure preserving bilateral filtering[J].Journal of Electronics & Information Technology,2015,37(2):268-275.

[19]陳軍,杜培軍,譚琨,等.一種基于Pauli分解和支持向量機(jī)的全極化合成孔徑雷達(dá)監(jiān)督分類算法[J].科學(xué)技術(shù)與工程,2014,14(17):104-108,142. Chen J,Du P J,Tan K,et al.A supervised classification algorithm based on Pauli decomposition and SVM on polarimetric SAR image[J].Science Technology and Engineering,2014,14(17):104-108,142.

[20]馬文婷,楊健,高偉,等.面向極化SAR圖像配準(zhǔn)的極化特征[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,54(2):270-274. Ma W T,Yang J,Gao W,et al.Polarimetric feature for registration of polarimetric SAR images[J].Journal of Tsinghua University:Science and Technology,2014,54(2):270-274.

[21]李崇謙.基于K-Wishart分布的極化SAR圖像分類研究[D].西安:西安電子科技大學(xué),2013. Li C Q.Polarimetric SAR Image Classification Based on K-Wishart Distribution[D].Xi’an:Xidian University,2013.

(責(zé)任編輯： 劉心季)

Unsupervised classification of fully polarimetric SAR data based on non-Gauss distribution

XU Bin

(DepartmentofElectronicEngineering，SichuanInformationTechnologyCollege，Guangyuan608040，China)

In this paper, an unsupervised algorithm is proposed to classify the data of fully polarimetric synthetic aperture Radar(PolSAR). The proposed method combines the Freeman-Durden with the scattering model based development of the decomposition algorithm and the K-Wishart distribution based on non Gauss. This is mainly composed of three steps. The first is the application of Freeman-Durden decomposition of the pixel to divide the scattering into three types: surface scattering, volume scattering and dihedral scattering, and then by using the shape parameter the scattering type can be divided into three types. After that, the eight neighborhood priori probabilities for each pixel are calculated to improve the classification distance and calculate the cluster centers. Finally, the iterative K-Wishart classifier is applied to PolSAR image for accurate classification and the color padding scheme. Different from Wishart distribution, the K-wishart distribution is not only suitable for uniform regional data description, but also very strong for the general uneven regional data description. The experiment results show that the proposed method has better classification performance than Freeman-Durden decomposition and complex Wishart distribution.

fully polarimetric synthetic aperture Radar(PolSAR)； scattering parameters； terrain classification； K-Wishart distribution； prior probability

10.6046/gtzyyg.2017.02.13

許斌.基于非高斯分布的全極化SAR數(shù)據(jù)無監(jiān)督分類[J].國(guó)土資源遙感,2017,29(2)：90-96.(Xu B.Unsupervised classification of fully polarimetric SAR data based on non-Gauss distribution[J].Remote Sensing for Land and Resources,2017,29(2)：90-96.)

2015-10-28；

2016-02-17

四川省教育廳科技項(xiàng)目“多路信號(hào)智能集成測(cè)控系統(tǒng)設(shè)計(jì)”(編號(hào)： 2013SZB0836)資助。

許斌(1982-),男,碩士,工程師,主要從事通信與信息處理技術(shù)、SAR圖像解譯方面的研究。Email： xubin1982103@163.com。

TP 751.1

A

1001-070X(2017)02-0090-07