王霄鵬，張 杰，馬 毅，任廣波

（1.大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連 116026；2.青島大學(xué) 信息工程學(xué)院，山東 青島 266071；3.國家海洋局 第一海洋研究所，山東 青島 266061）

0 引言

隨著光學(xué)遙感技術(shù)與合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）對地觀測技術(shù)的快速發(fā)展，我們所獲得的同一個地區(qū)的光學(xué)影像和SAR影像越來越多。光學(xué)多光譜數(shù)據(jù)反映地表不同地物的反射光譜，含有豐富的光譜信息，但成像質(zhì)量容易受天氣狀況影響；而SAR影像反映了地表不同地物的后向散射強(qiáng)度信息，具有全天時、全天候等優(yōu)點(diǎn)，但缺乏光譜信息。因此，把光學(xué)多光譜影像和SAR影像的信息和特點(diǎn)綜合起來，進(jìn)行影像融合，實(shí)現(xiàn)優(yōu)勢互補(bǔ)，對遙感圖像解譯無疑是非常有益的。

目前，使用極化SAR影像進(jìn)行地物分類，研究重點(diǎn)多集中在對極化SAR影像本身進(jìn)行分類，或?qū)螛O化方式的SAR影像與光學(xué)影像融合結(jié)果進(jìn)行分類。LEE et al［1］采用 Wishart最大似然估計法對極化SAR影像進(jìn)行了分類研究。MICHELSON et al［2］采用最大似然法、SMAP和神經(jīng)網(wǎng)絡(luò)算法對Landsat TM和ERS－1SAR進(jìn)行分類實(shí)驗(yàn)，并對其分類結(jié)果進(jìn)行了評價。SHUPE et al［3］采用最大似然法和神經(jīng)網(wǎng)絡(luò)對索諾蘭沙漠地區(qū)的Landsat TM和ERS－1SAR影像進(jìn)行了植被類型和密度的分類研究。ZHU et al［4］使 用 Landsat ETM＋ 和 ALOS PALSAR數(shù)據(jù)對波士頓地區(qū)的城區(qū)進(jìn)行了地物分類研究。CUTLER et al［5］使用Landsat TM 和JERS－1 SAR融合影像評估了熱帶森林的生物量。倪心強(qiáng)等［6］使用AdaBoost算法對SAR影像進(jìn)行了自動分類研究。龔淑蕾 等［7］提出一種基于神經(jīng)網(wǎng)絡(luò)的混合方法對極化SAR圖像進(jìn)行分類研究。賈永紅 等［8］利用4種典型的IHS變換將SAR與TM的3，4，5波段進(jìn)行了融合。韓震 等［9］利用ERS－2SAR和Landsat ETM＋數(shù)據(jù)融合對崇明島灘涂地表進(jìn)行了分類。陳偉利 等［10］利用SVM對多光譜影像與SAR圖像融合地物進(jìn)行了分類研究。付仲良 等［11］提出了一種基于灰度和紋理特征組合的SAR影像SVM分類方法，對單波段、單極化的ENVISAT ASAR影像進(jìn)行了分類。王安琪 等［12］分析了多時相ENVISAT ASAR不同極化下洪河濕地保護(hù)區(qū)不同地物植被類型的散射特性，并使用HH極化方式SAR影像與TM影像的融合結(jié)果輔助決策樹的方法進(jìn)行地物分類。然而，目前對同時相、不同極化方式（HH，HV，VH和VV 4種極化方式）SAR影像與光學(xué)影像融合結(jié)果在濱海濕地地物分類能力進(jìn)行比較分析的研究還比較少。

支持向量機(jī)（Support Vector Machines，SVM）［13］是近年來應(yīng)用較廣的遙感分類方法，該方法在收斂性、訓(xùn)練速度和分類精度等方面具有較高的效率 因此本文采用SVM算法對不同極化方式的SAR影像與TM影像的融合結(jié)果進(jìn)行濱海濕地典型地物土地覆蓋類型分類，并對分類結(jié)果進(jìn)行比較評價。流程如下：首先利用IHS算法對濾噪后的SAR影像與光學(xué)影像進(jìn)行融合，然后使用SVM算法對融合影像進(jìn)行自動分類，最后對分類結(jié)果進(jìn)行分類精度比較評價。

1 數(shù)據(jù)與方法

1.1 影像數(shù)據(jù)

本文所使用的影像覆蓋區(qū)域?yàn)樯綎|黃河三角洲國家級自然保護(hù)區(qū)南部區(qū)域，SAR影像選用Radarsat－2衛(wèi)星全極化精細(xì)模式SAR影像，空間分辨率為8m，成像時間為2009年7月；光學(xué)影像為Landsat－5衛(wèi)星TM影像，空間分辨率為30m，成像時間為2008年7月。兩景影像成像清晰，層次豐富，無云霧遮擋，且包含地物相同，可用于融合分類研究。選取原始影像中自然保護(hù)區(qū)大汶流站附近區(qū)域?yàn)I海濕地為實(shí)驗(yàn)區(qū)域，TM影像重采樣后的圖像大小與SAR影像相同，均為800×800像素（圖1a和圖1b）。

圖1 影像數(shù)據(jù)Fig.1 Image data

1.2 現(xiàn)場踏勘

黃河口濕地地物豐富，包含有天然濕地和人工濕地，其中天然濕地包括蘆葦、翅堿蓬、檉柳等植被，人工濕地包括養(yǎng)殖水面、水庫和坑塘。為了準(zhǔn)確評價試驗(yàn)區(qū)域的地物分類精度，需要得到圖像覆蓋區(qū)域的地物解譯圖像。為此，本文作者所在課題組于2008年6月和2012年9月兩次赴該區(qū)域開展現(xiàn)場踏勘，采用典型樣區(qū)和路線記錄的方法采集現(xiàn)場地物類型，積累了詳實(shí)的地物解譯資料（圖1c）。

1.3 多極化SAR與TM影像融合分類精度評價

本文所進(jìn)行的多極化SAR與TM影像融合分類精度評價工作總體思路如下：用于融合的高分辨率數(shù)據(jù)為SAR影像，多光譜數(shù)據(jù)為TM影像。首先對TM與SAR影像進(jìn)行預(yù)處理（對TM影像進(jìn)行重采樣，對SAR影像進(jìn)行幾何精校正與空間配準(zhǔn)）；使用小波算法對SAR影像進(jìn)行低通濾噪，將濾噪后的SAR影像和TM影像進(jìn)行IHS變換融合，合成為融合影像；最后使用SVM算法對融合影像進(jìn)行地物分類，并基于分類結(jié)果開展融合影像分類精度比較評價。處理流程如圖2所示：

圖2 精度評價工作處理流程圖Fig.2 Flow chart of accuracy assessment

1.3.1 數(shù)據(jù)預(yù)處理

采用三次褶積法對較低空間分辨率的TM影像進(jìn)行重采樣，插值獲得與SAR影像相同的空間分辨率；基于地面控制點(diǎn)，采用多項(xiàng)式變換模型對SAR影像進(jìn)行幾何校正；經(jīng)過幾何精校正的SAR影像與光學(xué)影像通過控制點(diǎn)實(shí)現(xiàn)互相配準(zhǔn)，誤差控制在0.5個像元之內(nèi)。

1.3.2 SAR影像濾噪

由于SAR影像中含有較明顯的斑點(diǎn)噪聲，因此必須對SAR影像進(jìn)行濾噪處理。本文采用Mallat二維塔式快速小波變換［15］進(jìn)行SAR影像低通濾噪，以濾除影像中的斑點(diǎn)噪聲。對原始SAR影像進(jìn)行多層小波低通濾噪實(shí)驗(yàn)，經(jīng)目視解譯和定量分析，發(fā)現(xiàn)2層小波低通濾噪可滿足本文對SAR影像的處理要求，因此選用2層小波低通濾噪作為本文的SAR影像濾噪方法。

1.3.3 IHS圖像融合

使用直方圖匹配后的不同極化方式的SAR影像代替TM影像經(jīng)IHS變換［8］后的I分量，與H、S分量組合后進(jìn)行IHS反變換，得到融合影像（圖3）。該融合影像包含了TM影像的光譜信息和SAR影像的空間細(xì)節(jié)信息。IHS變換融合過程分為以下4步：

圖3 不同極化方式的SAR影像與TM影像融合結(jié)果Fig.3 Fused images of different－polarization SAR and TM images

（1）選取TM 多光譜影像的4、3、2波段構(gòu)成RGB分量組成假彩色圖像。

（2）將TM假彩色圖像進(jìn)行IHS變換，變換后得到I、H和S三個分量。

（3）將SAR高分辨率圖像與I分量進(jìn)行直方圖匹配，得到I’。

（4）將I’、H和S進(jìn)行IHS逆變換到RGB空間，生成融合圖像。

1.3.4 SVM 分類

支持向量機(jī)是根據(jù)統(tǒng)計學(xué)習(xí)理論提出的機(jī)器學(xué)習(xí)方法，能較好地解決在實(shí)際應(yīng)用中存在的小樣本、非線性、高維數(shù)和局部極小點(diǎn)等問題。支持向量機(jī)的基本思想是尋找一個最優(yōu)可分超平面，使得訓(xùn)練樣本中的兩類樣本能被分開，并且距離該平面盡可能地遠(yuǎn)。本文使用基于Radial Basis Function核的SVM算法［6］對融合影像進(jìn)行地物分類。

1.3.5 基于混淆矩陣的精度評價

混淆矩陣主要用于比較分類結(jié)果和真實(shí)地表信息，可以把分類結(jié)果的精度顯示在一個矩陣?yán)铮ㄟ^將每個地表真實(shí)像元的位置和分類與分類圖像中的相應(yīng)位置和分類進(jìn)行比較計算得出。

基于混淆矩陣的統(tǒng)計結(jié)果，采用4項(xiàng)評價指標(biāo)進(jìn)行評價：對每一類地物的分類精度采用生產(chǎn)者精度和用戶精度進(jìn)行評價；對每次分類的總體分類精度采用總體分類精度和Kappa系數(shù)進(jìn)行評價。

2 融合影像分類結(jié)果與分析

2.1 不同極化方式SAR與TM融合影像分類

使用SVM算法對4種極化方式的SAR與TM融合影像進(jìn)行濱海濕地典型地物土地覆蓋分類，基于現(xiàn)場踏勘后的人工解譯結(jié)果，通過感興趣區(qū)指定5類地物訓(xùn)練樣本（每類地物所選擇的樣本點(diǎn)數(shù)為200）：紅色區(qū)域代表植被（主要為蘆葦）；綠色區(qū)域代表灘涂；藍(lán)色區(qū)域代表濕地水域；黃色區(qū)域代表坑塘，青色區(qū)域代表裸地（包括道路和堤壩）。監(jiān)督分類結(jié)果如圖4所示。

圖4 不同影像的分類結(jié)果Fig.4 Classification results of different images

分類結(jié)果將影像中的地物分為5類，地物分布與人工解譯基本一致。對比以上分類結(jié)果可以發(fā)現(xiàn)：原始TM影像的分類結(jié)果斑塊分布比較平整，但錯分現(xiàn)象較為嚴(yán)重，影像中大片的水域被錯分為裸地，且裸地與其他地物之間的誤分現(xiàn)象也比嚴(yán)重，這是由于原始TM影像空間分辨率較低，30m的空間分辨率不足以顯示道路、堤壩等地物信息。而其他4景融合影像的分類結(jié)果在分類的準(zhǔn)確程度上明顯優(yōu)于TM原始影像，這是由于融合影像的空間分辨率較高，加入了SAR影像的細(xì)節(jié)信息；但是融合影像分類結(jié)果中碎圖斑現(xiàn)象比較嚴(yán)重，這是由于SAR影像中的斑點(diǎn)噪聲影響，導(dǎo)致SAR與TM融合影像分類結(jié)果中存在一定的誤分現(xiàn)象，從而形成碎圖斑。通過目視解譯可以發(fā)現(xiàn)，HH和HV兩種極化方式的SAR影像與TM影像的融合分類結(jié)果中的碎斑塊現(xiàn)象明顯少于VH和VV兩種極化方式。

2.2 分類精度比較評價

基于現(xiàn)場踏勘后的人工解譯結(jié)果（圖1c），采用整景影像作為驗(yàn)證點(diǎn)，分別計算4種極化方式的SAR與TM的融合影像分類結(jié)果的混淆矩陣，以此進(jìn)行精度評價，可得到不同極化方式SAR影像與TM影像融合結(jié)果地物分類精度（表1）。

表1 不同極化方式SAR影像與TM影像融合結(jié)果分類精度表Tab.1 Classification accuracy chart of fused images using different－polarization SAR and TM images

基于表1中各類影像的總體分類精度和Kappa系數(shù)值，得到分類精度總體對比情況，如圖5所示。

圖5 分類精度總體對比圖Fig.5 Comparison chart of overall classification accuracy

分析以上分類精度圖、表，可以得到原始TM影像和4種極化方式的SAR與TM融合影像的分類情況總體比較評價如下：

（1）4種融合影像分類結(jié)果的總體分類精度和Kappa系數(shù)均優(yōu)于原始TM影像，原因是融合影像在原始TM影像光譜信息的基礎(chǔ)上加入了高空間分辨率SAR影像的細(xì)節(jié)信息，提高了影像的細(xì)節(jié)表現(xiàn)能力；但也帶來了一定程度的斑點(diǎn)噪聲。

（2）HV極化方式的SAR影像與TM影像的融合影像分類結(jié)果精度最高，效果最佳，最適用于融合分類研究，原因是HV極化方式下，SAR影像中植被與水體、裸地等地物的后向散射差異較大，這與王安琪 等［12］的研究結(jié)論一致，在TM影像光譜信息的基礎(chǔ)上，SAR影像提供了邊界輪廓和紋理等增益信息；HH極化方式和VH極化方式次之，分類精度較高；VV極化方式的SAR影像與TM影像融合分類精度最低，效果最差，分類結(jié)果中由于誤分而產(chǎn)生的碎斑塊較多。

（3）4種極化方式的SAR影像與TM影像的融合結(jié)果中，均表現(xiàn)為植被與坑塘的分類精度較高，灘涂與濕地水域的分類精度次之，裸地的分類精度最低。原因是SAR影像中，植被與坑塘的邊界最為明顯；灘涂與濕地水域的邊界稍差；而裸地多為道路和堤壩，面積較小，因空間分辨率限制導(dǎo)致在TM影像中表現(xiàn)不明顯。因此，融合影像在濱海濕地典型地物的表現(xiàn)上，對植被和坑塘2種地物表現(xiàn)較好，對裸地表現(xiàn)較差。

（4）4種極化方式的SAR影像與TM影像的融合結(jié)果中，植被與濕地水域的生產(chǎn)者精度均低于用戶精度，這說明該2種地物的分類過程中漏分現(xiàn)象多于錯分現(xiàn)象，原因是由于噪聲的影響，部分植被和濕地水域被誤分為其他地物，導(dǎo)致了這2類地物的漏分率增高；坑塘的生產(chǎn)者精度高于用戶精度，這說明該地物的分類過程中錯分現(xiàn)象多于漏分現(xiàn)象，原因是在實(shí)驗(yàn)數(shù)據(jù)的中部，有部分灘涂被誤分為坑塘，導(dǎo)致了坑塘的錯分率增高；其余2種地物分類精度分布無明顯規(guī)律。

3 小結(jié)

本文以黃河口濕地為例，采用SVM算法對SAR影像與TM影像的融合結(jié)果進(jìn)行了濱海濕地典型地物土地覆蓋類型分類，對比分析了原始TM影像與4種極化方式融合影像中5類典型地物的分類精度，結(jié)果表明：采用與SAR影像融合的方法能夠提高原始TM影像的分類精度；其中HV極化方式SAR影像與TM影像融合分類精度最高，最適用于融合分類研究；VV極化方式SAR影像與TM影像融合分類精度最低；所有融合影像分類結(jié)果中均表現(xiàn)為植被和坑塘2種地物分類精度最高。

由于TM影像獲取受天氣影響較大，在海岸帶地區(qū)獲取的數(shù)據(jù)量較少，因此本文用于融合的SAR和TM影像不完全同步；同時，SAR影像的噪聲比較嚴(yán)重，不同降噪算法對SAR影像的去噪效果不同，這些都是2種影像融合研究中面臨的很大挑戰(zhàn)。此外，本文只嘗試了IHS融合方法和SVM分類方法，對其他的融合方法和分類方法還有待于進(jìn)一步研究。由于選取的影像空間分辨率較低，因此分類結(jié)果中的分類精度總體較低，在下一步的工作中，將選擇具有更高空間分辨率的SAR影像和光學(xué)影像進(jìn)行研究。

致謝 本文所用TM實(shí)驗(yàn)數(shù)據(jù)，下載自美國地質(zhì)調(diào)查局（USGS）官方網(wǎng)站，特致謝忱！

（References）：

［1］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）：2 299－2 311.

［2］MICHELSON D B，LILJEBERG B M，PILESJO P，et al.Comparison of algorithms for classifying Swedish landcover using Landsat TM and ERS－1SAR data［J］.Remote Sensing of Environment，2000，71（1）：1－15.

［3］SHUPE S M，MARSH S E.Cover and density based vegetation classifications of the Sonoran Desert using Landsat TM and ERS－1 SAR imagery［J］.Remote Sensing of Environment，2004，93（1）：131－149.

［4］ZHU Z，WOODCOCK C E，ROGAN J，et al.Assessment of spectral，polarimetric，temporal，and spatial dimensions for urban and peri－urban land cover classification using Landsat and SAR data［J］.Remote Sensing of Environment，2012，117（1）：72－82.

［5］CUTLERA M E J，BOYD D S，F(xiàn)OODY G M，et al.Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data：An assessment of predictions between regions［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2012，70：66－77.

［6］NI Xin－qiang，CHEN Qi，ZHANG Ping.Automatic SAR image classification based on AdaBoost ［J］.Computer Engineering，2008，34（1）：190－194.

倪心強(qiáng)，陳琦，張平.基于AdaBoost的SAR圖像自動分類［J］.計算機(jī)工程，2008，34（1）：190－194.

［7］GONG Shu－lei，ZHANG Yu－dong，SHEN Shi－zhe，et al.Hybrid algorithm for classification of polarimetric SAR images［J］.Journal of Southeast University：Natural Science Edition，2009，39（1）：294－298.

龔淑蕾，張煜東，沈士喆，等.一種極化合成孔徑雷達(dá)圖像分類的混合方法［J］.東南大學(xué)學(xué)報：自然科學(xué)版，2009，39（1）：294－298.

［8］JIA Yong－h(huán)ong，LI De－ren，SUN Jia－bing，et al.Comparision of HIS transformation for integrating SAR and TM images［J］.Journal of Remote Sensing，1998，2（2）：103－106.

賈永紅，李德仁，孫家抦，等.四種IHS變換用于SAR與TM影像復(fù)合的比較［J］.遙感學(xué)報，1998，2（2）：103－106.

［9］HAN Zhen，JIN Ya－qiu.Information extraction and classification of typical canopies over the Chongming eastern tidal flat from data fusion of ERS－2SAR and Landsat ETM＋［J］.Marin Environmental Science，2006，25（3）：21－24.

韓震，金亞秋.ERS－2SAR和Landsat ETM＋數(shù)據(jù)融合提取崇明東灘典型地物信息與分類［J］.海洋環(huán)境科學(xué)，2006，25（3）：21－24.

［10］CHEN Wei－li，TAO He－ping，LIU Bin－tao.Classification of terrain surfaces using fused images of multi spectral and SAR image based on support vector machine［J］.Journal of Anhui Agricultural Sciences，2010，38（20）：10 662－10 664.

陳偉利，陶和平，劉斌濤.基于SVM的多光譜影像與SAR圖像融合地物分類研究［J］.安徽農(nóng)業(yè)科學(xué)，2010，38（20）：10 662－10 664.

［11］FU Zhong－liang，ZHANG Wen－yuan，MENG Qing－xiang.SAR image classification based on SVM with fusion of gray scale and texture features［J］.Journal of Applied Sciences－Electronics In－formation Engineering，2012，30（5）：498－504.

付仲良，張文元，孟慶祥.灰度和紋理特征組合的SAR影像SVM分類［J］.應(yīng)用科學(xué)學(xué)報，2012，30（5）：498－504.

［12］WANG An－qi，ZHOU De－min，GONG Hui－li.A research on method of wetland vegetation identification and classification based on radar backscatter characteristics［J］.Remote Sensing Information，2012，27（2）：15－19.

王安琪，周德民，宮輝力.基于雷達(dá)后向散射特性進(jìn)行濕地植被識別與分類的方法研究［J］.遙感信息，2012，27（2）：15－19.

［13］FOODY G M，MARHUR A.A relative evaluation of multiclass image classification by Support Vector Machines［J］.IEEE transactions on Geoscience and Remote Sensing，2004，42（6）：1 335－1 343.

［14］ZHU G B，BULUMBERG D G.Classification using ASTER data and SVM algorithms：The case study of Beer Sheva，Israel［J］.Remote Sensing of Environment，2002，80（2）：233－240.

［15］YIN Jian－h(huán)ua，LIAO Ji－wang，LIU Yun－fang.Noise reduction algorithm based on wavelet transform ［J］.Modern Electronics Technique，2007，15（5）：144－146.

尹健華，廖繼旺，劉云芳.基于小波變換的噪聲消除算法研究［J］.現(xiàn)代電子技術(shù)，2007，15（5）：144－146.