崔建楠，邢立新，叶 超，高志勇

(吉林大学地球探测科学与技术学院，吉林长春 130026)



双极化SAR影像的分类研究

崔建楠，邢立新*，叶 超，高志勇

(吉林大学地球探测科学与技术学院，吉林长春 130026)

合成孔径雷达(SAR)遥感数据的穿透性，可以反应亚表层的结构信息等特点，对地表景观分类有特殊的作用。通过研究地物后向散射和极化等特性，可以反映地物的粗糙度、含水量等特点，用于土地利用调查有很好的效果。文章重点研究了双极化SAR数据特性与数据处理，利用决策树分类、K-means分类方法对吉林西部松原地区进行土地利用分类，并与Landsat 8数据的分类结果进行对比分析。结果表明，基于地物极化特性的双极化雷达数据分类结果明显优于光学遥感影像。

合成孔径雷达；极化；后向散射；分类；吉林西部

The penetrability of the dual polarization SAR remote sensing data, can refelect characteristics of the structure information of the surface. It has special effect on the landscape classification. By studying the back scattering and polarization characteristics of surface features, the terrain roughness, water content can be reflected. It has a very good effect on land use investigation. This article focuses on the dual polarization data features and data processing, using the method of decision tree classification, and K-means for land use classification in Songyuan, west Jilin, comparing with the classification results of Landsat 8 data. The results showed that based on the features of the polarization characteristics of dual polarization radar data classification result is better than optical remote sensing image.

Key words SAR; Polarization; Back scattering; Classification; West of Jilin Province

合成孔径雷达(SAR)是自20世纪50年代发展起来的一种全天候、全天时高分辨率微波遥感成像雷达[1]。其不仅具有高分辨率对地观测的能力，而且具有一定的穿透性，可以反应亚表层的结构信息等特点[2]。并且通过调节观测视角，对目标的空间位置和形态特征具有较好的判别能力。这种独特的优势使SAR在土地利用调查、资源勘查、地质调查、地形测绘等方面发挥了巨大的作用。与常规雷达数据相比，极化雷达数据以散射矩阵的形式全面的记录了地物散射回波信息，既有相位信息也有幅度信息，为目标检测、散射特性分析以及分类等应用提供了更多的极化信息[3-4]。

雷达图像与光学图像的成像原理不同。合成孔径雷达为侧视成像，而光学图像通常是接收地面垂直反射波所得。这使得雷达图像与光学图像呈现出截然不同的影像特征。雷达系统在工作时，主动以一定的俯角发射雷达波束到被测绘的区域，这使得雷达图像具有阴影、迎坡缩短、顶底位移等固有特征，轮廓比较清楚，有较好的对比度[5]。与光学图像相比，其优势在于可以获得目标地物的极化散射信息，最大限度地将不同地物的散射特征以矢量的形式表现出来，从而揭示不同地物的散射特性差别，进而达到分类地物的目的[6]。不过，由于雷达系统回波的复杂性，数据量远大于光学图像，处理难度更大。

早在1988年，美国麻省理工学院的孔金瓯教授研究团队首次进行了极化SAR数据的分类[7]；随后，Van Zyl第一次对极化SAR数据进行基于知识和极化散射机制的分类[8]；1997年Cloude提出了基于特征向量分解的目标信息分解方法，并基于H/α空间进行分类[9]；1999年Lee在Cloude的研究基础上，提出了基于H/α分解和Wishart分类器的非监督方法[10]。

笔者在研究极化SAR数据(ALOS PALSAR)特性基础上进行数据处理，研究HH与HV两种不同极化方式下PALSAR影像的极化特性，实现研究区土地利用分类。

1 PALSAR双极化数据的处理

1.1 研究区概况及数据来源研究区位于吉林省西部松原地区，地势平坦，松花江自西向东横穿全区而过。土地利用类型多样，除大面积耕地覆盖(不同耕种类型)，另有少量盐碱地，林地极少，松花江经流形成的湿地与古河道分布清楚。

该研究所采用的数据为2006年日本发射升空的ALOS卫星上搭载的PALSAR所获取的雷达图像。获取日期为2013年10月27日(秋季)。数据级别Level 1.1，使用L波段对地进行观测。包括HH、HV 2个通道的双极化数据，具体参数见表1。

另外选用美国国家航空航天局(NASA)于2013年2月发射的Landsat 8卫星搭载的陆地成像仪(OLI)所获取的同时相的影像数据，包括9个波段，空间分辨率30 m，其中包括一个分辨率15 m的全色波段。

1.2 数据预处理PALSAR双极化数据与光学遥感数据不同，SAR系统本身是一个相干系统，因此SAR图像会受到相干斑的影响。在SAR图像上，分辨单元的尺寸一般远大于散射体，而散射体在分辨单元内随机分布，它们在分辨单元内相干叠加，使未经任何处理的SAR图像看起来只是一幅杂乱的斑点和噪声。这大大增加了解译的难度，所以要对数据进行多视和滤波处理。使用PolSARpro_v4.2.0的SAR处理软件进行预处理，以便分类应用。

1.2.1多视处理。 多视处理有几种常用的方法，比如将相邻的像素点进行叠加，求它们的空间平均，用计算得到的数据代替原始数据。而平均像素的个数即为视数。多视处理会减少图像的斑点噪声，但也会降低同样倍数的方位分辨率。

使用PolSARpro_v4.2.0软件对研究区的PALSAR双极化数据(图1)进行距离向和方位向的4视处理，结果见图2。

表1 PALSAR的基本参数

图1 原始图像

图2 多视处理后图像

1.2.2后向散射辐射定标。采用日本宇宙航空研究开发机构为PALSAR数据提供的定标方法，计算公式如下：

σ0=101g(I2+Q2)+CF-32.0

(1)

式中，I和Q分别代表复型数据的实部与虚部；CF为定标常数;HH极化数据为-83，而HV极化数据为-80。经过辐射定标处理后，得到后续处理需要的后向散射强度图像。

1.2.3滤波处理。由于与光学遥感的成像原理不同，只要是由连贯SAR传感器中生成的图像都会产生斑点噪声。由图2可以看出，经多视处理后的图像斑点噪声仍然较为严重，无法准确地反应地物目标的散射特性，对判读真实的地物信息造成很大影响，所以要进行滤波处理。平抑斑点噪声通常分为在信号级和图像级的分别处理[11]。该研究只在图像级进行滤波处理。精制极化Lee滤波能够较好的保持双极化数据各通道间的极化信息和图像分辨率，是一种优质的滤波方法。所以该研究采用精制极化Lee滤波对图像进行滤波处理。

2 地物后向散射与极化方式特性分析

研究区大部分面积为耕地所覆盖，耕地类型包括旱地和水田，数据时相为10月末的完成作物收割时期，所以区内的土地类型大部分为作物茬子覆盖下的裸土。根据各类地物后向散射程度分析其影像特征(图3、4)，将主要地物叙述如下。

2.1 旱地旱地在HH和HV图像上均具有十分高的后向散射系数，且相差值最大约为10 dB。高后向散射强度是由于收割后的耕地，为作物茬子所覆盖，散射机制复杂，回波较强。而一些农作物(如玉米)在收割后会留下15 cm左右的根茎，与相对光滑的裸土发生二面角散射，也会发生较强的后向散射。

2.2 水田与旱地相比后向散射强度要低5 dB左右。受高含水量的影响，雷达波束在水田会发生镜面反射，导致水田的散射强度偏低。水田在HH和HV图像上的后向散射系数都处于中间值。但在HV图像上与旱田散射强度相差不大难以区分，可以利用二者在HH后向散射强度图像上的差别加以区分。

2.3 水体水体是十分光滑的表面，雷达波束在水面发生镜面反射，回波信号极少，所以无论HH还是HV图像上，水体的后向散射强度均为最低值。

2.4 盐碱地盐碱地的后向散射系数在HH和HV图像上均较低，仅比水体高2～3 dB。盐碱地地区植被极其稀少，仅少部分区域有矮草覆盖。该研究选用的PALSAR数据为L波段，波长为23 cm。对于这一波段的雷达波来讲，仅有少量矮草覆盖的盐碱地仍可认为是较光滑的表面。故盐碱地的后向散射强度也很弱。

2.5 居民地居民地的后向散射强度值在HH和HV图像上远高于其他地物，这是由于居民地的房屋、墙体等与光滑的路面发生二面角反射，故居民地的后向散射强度远高于其他几种地物，可以据此区分居民地与其他地物。

图3 不同地物后向散射强度

图4 不同极化方式地物后向散射强度关系

3 PALSAR与Landsat 8图像的分类及精度验证

3.1 图像分类多数情况下，想要获取地表真实的信息是十分困难的。尤其对于极化SAR数据而言，想要人为地提取特征明显的训练样本十分不易。所以，目前极化SAR数据分类研究的重点是非监督分类，即在没有训练样本的前提下，找到不同类之间极化特性的区别[5]。该研究使用决策树、K-Means法分别对HH后向散射强度图像、HH+HV后向散射强度图像以及L8图像进行分类处理。

根据上文的PALSAR图像后向散射强度与极化特性分析，分别制定决策树，对HH图像与HH+HV图像进行决策树分类处理，各种图像的分类处理结果见图6～9。

图5 HH决策树分类路线

图6 HH图像决策树分类处理结果

图7 HH+HV图像决策树分类处理结果

图8 HH图像K-Means分类处理结果

图9 L8图像K-Means分类处理结果

3.2 精度验证2014年10月24日～10月26日，笔者在位于吉林西部的研究区内进行了为期3天的野外实地考查，对PALSAR与L8土地利用类型分类结果进行实地验证。

此次野外验证共采集样本点90个。野外样本点的采集原则为：样本点在分类图中应具有典型性与代表性。使用GPS记录每一点的经纬度、高程、土地覆盖类型以及照片。

在ArcGIS中，根据样本点的实际土地覆盖类型，利用样本点的经纬度坐标建立点覆盖图层，将该图层与PALSAR和L8分类图进行叠加，看土地覆盖类型是否一致。若完全一致，记1分；若不完全一致，但同属一个大类，记0.5分；若完全不一致，则记0分[12]。用总得分除以90即为分类总体精度。不同地物4种处理方式的精度对比见表2。

表2 不同地物4种处理方式的精度对比

由表2可知，不同地物类别的图像处理精度有所差别，具体如下：

(1)水体。在PALSAR的分类图像上，无论使用决策树还是K-Means方法，水体都被很好地分离出来。与L8分类图像相比，河道的形状、轮廓被更加明显的显现出来。部分古河道(牛扼湖)的轮廓也可以较清晰地在图像上辨认。这是由于实验所选择的PALSAR数据为L波段的雷达数据，具备一定的穿透能力，对隐伏在下的河道边界、古河道有很好地表达。在L8分类图像中，对河道的形状、轮廓均无法分辨，古河道及河漫滩被一起划分为水体。

(2)盐碱地。在几幅分类图像中，除L8分类图外，盐碱地的分类效果均不够理想，且部分被误分为水体或水田。盐碱地在L波段的的PALSAR图像上属于较光滑的表面，在雷达图像上表现为与水体、水田相近的暗色调，后向散射强度位于水体与水田之间，故较难区分。

(3)居民地。在HH与HH+HV决策树分类图像中，居民地等高后向散射强度的区域(红色区域)分类效果较理想，可以很清晰地分辨出图像左上角的一个大的居民地以及很多散落在耕地间的小居民点。而L8分类图居民地误分的情况较严重。

(4)旱地。对于图像上面积最大的旱田来讲，HH决策树分类效果不够理想。这是由于旱田散射机制的多样性及决策树分类方法的选择造成的。该研究所用雷达图像采集时间为10月末，绝大部分的耕地已经完成了收割作业，而不同作物的收割方式不同，在刚刚完成收割之后，田地里会覆盖一层作物茬子，使旱地表现出多样的散射机制。而决策树分类仅从后向散射强度来区分耕地，无法更多地表现出耕地的纹理细节等信息。HH图像的K-Means分类图对于耕地的分类效果较好，突出了耕地边界等细节信息，而且由于不同作物收割后造成的多样的散射机制，也很好地区分了出来。在L8图像上，旱地与居民地混淆的情况较严重。

(5)水田。水田的表面同样覆盖一层作物茬子，散射机制较为复杂，分类情况与旱地类似。

4 结论

(1)雷达极化图像的决策树分类法在基于一定人工经验的基础上，根据不同地物独特的后向散射特性，正确的制定决策树至关重要。对于雷达后向散射强度图像来说，决策树分类可以很好地区分具有最高后向散射强度与最低后向散射强度的地物。如图6、8中，红色区域的居民地与蓝色区域的水体，轮廓等细节信息都得到了很好地表达。而一些具有复杂散射特性的地物如植被、耕地等，决策树分类法的分类效果并不理想。今后的研究可以着重于对植被覆盖区的极化雷达图像分类研究。

(2)L波段的雷达波具备一定的穿透能力，可以探测一些隐伏信息，对河道的边界反应尤其敏感。而传统的光学图像并不具备这一能力。在两幅PALSAR决策树分类图中，不仅现代河道的边界、轮廓分类效果很好，部分古河道的信息也很清晰的表达出来。此次实验所选择的研究区内古河道发育非常好，L波段的极化雷达数据能够有效的探测这一地区的古河道。利用极化雷达数据，选择决策树、目标信息分解等方法进行分类研究，以探测古河道信息，是下一步的研究方向。

[1] 王艳,伍吉仓.ALOS卫星PALSAR数据在上海沉降监测中的应用[R].上海:同济大学,2009.

[2] 王静,邢立新,潘军，等.双极化SAR目标分解方法研究及应用[J].遥感信息,2013,28(2):106-109.

[3] 王翠珍,郭华东.极化雷达目标分解方法用于岩性分类[J].遥感学报,2000,4(3):219-223.

[4] 徐俊毅,杨健,彭应宁.双波段极化雷达遥感图像分类的新方法[J].信息科学,2005,35(10):1083-1095.

[5] 曹芳.基于Cloude pottier分解的全极化SAR数据非监督分类的算法和实验研究[D].北京:中国科学院电子学研究所,2007.

[6] 王超,张红,陈曦，等.全极化合成孔径雷达图像处理[M].北京:科学出版社,2008:107-108.

[7] KONG J A,SCHWARTZ A A,YUEH H A,et al. Identification of terrain cover using the optimal polarimetric classifier[J]. J.Electromagn.Waves Applicat, 1988,2(2):171-194.

[8] VAN ZYL J J.Unsupervised classification of scattering behavior using radar polarimetry data[J].IEEE Trans.Geosci.Remote Sensing,1989,27(l):36-45.

[9] CLOUDE S R,POTTIER E.An entropy based classification scheme for land application of polarimetric SAR[J]. IEEE Trans.Geosci. Remote Sensing,1997,35(1):549-557.

[10] LEE J S,GRUNES M R.Classification of multi-look polarimetric SAR imagery based on complex Wishart distribution[J].Int.J.Remote Sensing,1994,15(11):2299-2311.

[11] 王梁文敬.典型地物的极化后向散射特性分析及其在分类中的应用[D].青岛:山东科技大学,2010.

[12] 张增祥,汪潇,王长耀,等.基于框架数据控制的全国土地覆盖遥感制图研究[J].地球信息科学学报,2009,11(2):216-224.

吉林省地质勘查基金项目(2014地勘13-13)。

崔建楠(1988-)，男，吉林吉林人，硕士研究生，研究方向：遥感与地理信息系统。*通讯作者，教授，硕士生导师，从事遥感与地理信息系统研究。

2014-12-15

S 126；TP 79

A

0517-6611(2015)04-356-04

Classification of Dual-Polarization SAR Images

CUI Jian-nan, XING Li-xin*, YE Chao et al

(College of Geo Exploration Science and Technology, JiLin University, Changchun, Jilin 130026)