梁 超,曾 韜,鄒亞榮

(1.國家衛(wèi)星海洋應(yīng)用中心,北京100081;2.國家海洋局空間海洋遙感與應(yīng)用研究重點(diǎn)實(shí)驗(yàn)室,北京100081)

研究報(bào)道

基于極化散射特性的神經(jīng)網(wǎng)絡(luò)海岸帶信息提取

梁 超1,2,曾 韜1,2,鄒亞榮1,2

(1.國家衛(wèi)星海洋應(yīng)用中心,北京100081;2.國家海洋局空間海洋遙感與應(yīng)用研究重點(diǎn)實(shí)驗(yàn)室,北京100081)

應(yīng)用遙感手段開展海島海岸帶監(jiān)測為海岸帶資源開發(fā)利用提供科學(xué)的信息支撐。采用Radarsat-2數(shù)據(jù),開展Cloude極化,獲得分解參數(shù),進(jìn)行海岸帶地物特性極化參數(shù)特性研究,在此基礎(chǔ)上,以遼寧鲅魚圈作為研究區(qū)域,運(yùn)用神經(jīng)網(wǎng)絡(luò)方法開展海岸帶信息分類提取研究。結(jié)果表明:極化目標(biāo)分解理論對(duì)海岸帶信息提取具有一定的應(yīng)用潛力,采用基于H/α的分類方法能較好地區(qū)分單次散射的特征地物,但對(duì)于偶次散射和體散射的混合體,僅從極化特征參數(shù)還難以區(qū)分;綜合利用極化散射特性及神經(jīng)網(wǎng)絡(luò)分類方法則可以有效進(jìn)行分類,采用基于SPOT5數(shù)據(jù)的“我國近海海洋綜合調(diào)查與評(píng)價(jià)專項(xiàng)”遙感調(diào)查成果為驗(yàn)證標(biāo)準(zhǔn),精度達(dá)到88.5%。分類精度與訓(xùn)練樣本有關(guān),此外,海岸帶區(qū)域地物分布往往較為復(fù)雜,對(duì)于復(fù)雜地物的散射機(jī)制研制,是下一步研究工作的重點(diǎn)。

SAR;極化分解;BP人工神經(jīng)網(wǎng)絡(luò);海岸帶

隨著人類經(jīng)濟(jì)活動(dòng)的發(fā)展,海岸帶開發(fā)程度已越來越高。海岸帶資源豐富,是人類生存活動(dòng)的主要區(qū)域。對(duì)海岸帶的開發(fā)利用已影響到人類的生存發(fā)展,利用遙感監(jiān)測海岸帶的動(dòng)態(tài)已成為趨勢。在利用遙感數(shù)據(jù)開展海岸帶的監(jiān)測方面,王常穎基于GIS技術(shù),在海岸帶區(qū)域進(jìn)行了海岸帶信息提取的方法研究[1];何厚軍等通過對(duì)圖像紋理特征分析,建立一定的分類規(guī)則,最終建立了信息分類模型,取得了較好的效果[2];任廣波等對(duì)分類樣本進(jìn)行了分析,尤其是小樣本對(duì)分類的特性,研究如何運(yùn)用小樣本開展海岸帶信息提取,研發(fā)了一種基于SVM的信息提取方法,使分類精度得到了提高[3];付軍等把圖像紋理特征引入圖像信息分類中,結(jié)合地物的光譜特征,開展了海岸帶的信息提取研究工作[4];劉艷芬等以地物的光譜特征為基礎(chǔ),從地物的空間分布規(guī)律等方面入手,建立海岸帶信息提取規(guī)則,從而開展海岸帶土地利用/覆被信息研究[5],陳建裕等從圖像的分割入手,通過分析分割的圖斑特性,研究了一種簡單地物的最優(yōu)分割方法,取得了較好的效果[6];張祥等對(duì)極化SAR數(shù)據(jù)處理,獲得極化分解參數(shù),在此基礎(chǔ)上,應(yīng)用SVM方法對(duì)不同的極化分解方式進(jìn)行分析,在分類性能上有一定的提高[7]?；跇O化SAR分解的H-α-Wishart分類未能充分利用極化信息[8-10];神經(jīng)網(wǎng)絡(luò)方法已廣泛地應(yīng)用于信息提取,并發(fā)展了多種方法[11]。

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)具有受天氣影響小等特點(diǎn),因而運(yùn)用于海島海岸帶的信息提取具有獨(dú)特優(yōu)勢,全極化SAR相比單極化具有更多的地物信息,應(yīng)用于海岸帶信息提取并不多,本文擬開展這方面研究。

1 數(shù)據(jù)與方法

1.1 數(shù) 據(jù)

Radarsat-2為加拿大發(fā)射的Radarsat-1后續(xù)衛(wèi)星,具有多種波束模式和全極化成像能力,本文采用2012-01-29四極化精細(xì)模式Radarsat-2數(shù)據(jù),分辨率為8 m,中心入射角為32.17°,以我國遼寧鲅魚圈為研究區(qū)域,區(qū)域內(nèi)覆蓋海冰、海水、城市以及植被等地物。

(王 燕 編輯)

1.2 方 法

1986年,Cloude通過對(duì)地物散射機(jī)理研究,建立了基于全極化SAR數(shù)據(jù)相干矩陣,并對(duì)此矩陣進(jìn)行分析,提出了覆蓋所有散射特性的分解方法[7]。Cloude極化分解,通過極化相干矩陣計(jì)算分析,可得到極化特征向量,以及計(jì)算得到的可表達(dá)極化特性的物理參數(shù):散射角α、散射熵H及極化反熵A。利用這3個(gè)特征參量,可以構(gòu)建極化特征空間,特征空間中不同位置代表了特定的散射機(jī)制分布,通過對(duì)極化特征空間的劃分,即可以實(shí)現(xiàn)基于地物散射特性的影像分類。

1)散射角α

散射角α表示散射角度的變化,對(duì)應(yīng)著從奇次散射(表面散射)(α=0°)到偶極子散射(體散射)(α =45°)到偶次散射(二面角散射)(α=90°)的變化,與地物的散射過程與機(jī)理有密切的聯(lián)系。

圖1 數(shù)據(jù)覆蓋范圍Fig.1 Schematic map of the data coverage

2)散射熵H

不同的地物散射不一,散射熵0≤H≤1則可以表示散射的隨機(jī)性。當(dāng)H=0,表示地物的散射具有同性散射特性;當(dāng)H=1,表示地物散射具有完全隨機(jī)散射。

若H值很低(0≤H＜0.3),則散射介質(zhì)呈弱去極化特性,優(yōu)勢散射機(jī)制為最大特征值對(duì)應(yīng)的特征向量;若H值很高,則說明目標(biāo)去極化效應(yīng)較強(qiáng);若H值為1,則極化信息為0,目標(biāo)散射實(shí)際上是一個(gè)隨機(jī)噪聲過程。

3)極化反熵A

在同一個(gè)分辨率的單元中,極化散射熵提供了總體散射機(jī)制的信息,然而,當(dāng)(λ1＞λ2,λ3),即在低熵或中等熵情形下,對(duì)于λ2,λ3的關(guān)系,散射熵不能揭示兩者之間的關(guān)系,此時(shí)需進(jìn)一步考慮極化反熵A。

在地物散射中,除了占主要的散射機(jī)制外,如需比較2個(gè)弱散射分量之間的相互關(guān)系,則需引入一個(gè)反熵A概念,此參數(shù)反映了Cloude分解中優(yōu)勢散射機(jī)制以外的2個(gè)較弱的散射分量之間的相對(duì)大小關(guān)系,是極化熵的補(bǔ)充參量。極化反熵的應(yīng)用是僅當(dāng)0.7＜H≤1時(shí),參數(shù)A可以作為地物識(shí)別的一個(gè)參數(shù),如不滿足條件,說明參數(shù)A的隨機(jī)噪聲太高,不適合進(jìn)行分類。

熵H值如變大,那么應(yīng)用熵參數(shù)進(jìn)行分類的類別數(shù)下降。當(dāng)熵H值增大時(shí),反熵A作為散射分類則有明顯的價(jià)值[8]。

2 結(jié)果分析

2.1 極化參數(shù)與特征分析

遼寧省鲅魚圈區(qū)域2012-01-29的Radarsat-2影像見圖2,影像左上部分為海域,主要目標(biāo)物為海水及海冰;影像右部陸上區(qū)域主要目標(biāo)以植被為主;影像中部為港口區(qū),地物目標(biāo)分布較為復(fù)雜。

針對(duì)研究區(qū)全極化SAR數(shù)據(jù),通過PolSARpro軟件計(jì)算,得到平均散射角α,散射熵H,極化反熵A三個(gè)特征參量影像(圖3)。據(jù)散射特征參數(shù)的空間分布分析可知,海水、海冰的極化散射特性主要為單次散射,其散射角α值較小,海冰則具有相對(duì)較高的散射熵H;植被散射機(jī)制則較為復(fù)雜,主要包含平整植被的表面散射以及植被冠層間的體散射成分。港口建筑以偶次散射為主,同時(shí)包含偶次散射和體散射,具有較強(qiáng)的隨機(jī)性,表現(xiàn)為較高的散射熵值;此外,在均具有相對(duì)較高散射熵值的海冰、植被和港口建筑等地物目標(biāo)之間,極化反熵提供了一種可能的判別信息。

應(yīng)用H-α特征空間(圖4)特征,根據(jù)地物極化散射特性分類,得到基于H-α的分類結(jié)果圖(圖5)?？梢钥闯?海水像元分布于H-α平面空間左下部,該區(qū)域代表低散射熵、低散射角的散射特征,從而驗(yàn)證了海水對(duì)SAR電磁波的Bragge散射機(jī)制(圖4中的區(qū)間8);海冰尤其是平整的海面浮冰散射機(jī)制以奇次表面散射為主,具有中等極化熵和較小的散射角值,其分布于極化特征空間中下部(圖4中的區(qū)間5);港口區(qū)人工建筑較多,其散射以二面角散射及多次散射為主,散射熵和散射角均較大,其散射機(jī)制位于特征空間上部區(qū)域(圖4中的區(qū)間3,6);植被區(qū)域散射特性較為復(fù)雜,包含表面散射、隨機(jī)散射及體散射,其在特征空間中分布較為分散(圖4中的區(qū)間1, 2,5)?；跇O化散射特性,可初步實(shí)現(xiàn)對(duì)影像的非監(jiān)督分類,分類結(jié)果中不同顏色地物散射機(jī)制與H-α特征空間分布一致。

圖2 研究區(qū)Radarsat-2影像多極化彩色合成Fig.2 False color composite image of the Radarsat-2 multi-polarization data in the study area

圖3 基于Radarsat-2計(jì)算極化分解參數(shù)Fig.3 Parameters of polarization decomposition of Radarsat-2 image

圖4 H-α特征空間Fig.4 H-αfeature space

圖5 基于H-α分類結(jié)果圖Fig.5 H-αclassification results

2.2 H-α-Wishart分類

由于H/α散射分類平面是基于典型的理想散射機(jī)制得到,而實(shí)際地物極化散射特性往往較復(fù)雜,包含多重散射機(jī)制的交叉共存,直接基于H-α極化散射特性分類得到的結(jié)果往往比較粗糙,對(duì)典型散射機(jī)制分類較好,但對(duì)復(fù)雜的散射機(jī)制分類結(jié)果并不理想?；贖/α分類方法利用了地物內(nèi)在的散射特性,但忽略了地物分布的統(tǒng)計(jì)特征,分類結(jié)果雖然代表了散射特性但缺乏細(xì)節(jié)信息,本文采用了基于復(fù)Wishart分布的最大似然分類器對(duì)H-α分類進(jìn)行優(yōu)化,使分類結(jié)果更符合地物實(shí)際分布規(guī)律。理論上講,雷達(dá)照射區(qū)域基本散射單元的極化散射矢量滿足復(fù)高斯分布,為了降噪及壓縮,SAR數(shù)據(jù)經(jīng)過多視處理后,其協(xié)方差矩陣滿足復(fù)Wishart分布模型其概率密度函數(shù)PA(A)如下[9]:

式中,A為矩陣變量;n為多視處理的視數(shù);參數(shù)q代表散射矢量維度,一般地q=3;C為協(xié)方差矩陣;Tr (C-1A)為矩陣C-1A的跡;K(n,q)=π12q(q-1)Γ(n),…,Γ(n-q+1),其中Γ(·)為伽瑪函數(shù)。

根據(jù)復(fù)Wishart分布模型,可以構(gòu)建最大似然分類器:

式中,d3(Z,ωm)定義為Wishart距離度量,基于該距離的分類方法即為Wishart分類器;Z和Cm均為矩陣變量; Tr為求距陣的跡?；贖/α分解理論的分類獲取的區(qū)域?qū)?yīng)著地物的散射特性,由于其分類平面邊界是預(yù)設(shè)的,分類結(jié)果并不理想,利用Wishart分類器對(duì)H-α分類進(jìn)行改進(jìn),即將H/α分類結(jié)果作為Wishart分類器輸入進(jìn)行迭代收斂,實(shí)現(xiàn)對(duì)像元的重新聚類。改進(jìn)后的分類結(jié)果如圖6所示,其中,海水、平整海冰、港口建筑、植被等主要目標(biāo)物均可被較準(zhǔn)確地自動(dòng)識(shí)別并分類。

圖6 基于H/α-Wishart分類結(jié)果圖Fig.6 H/α-Wishart classification results

2.3 基于神經(jīng)網(wǎng)絡(luò)的海岸帶信息分類

在分析地物散射特性基礎(chǔ)上,采用神經(jīng)網(wǎng)絡(luò)分類方法進(jìn)行,人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)系統(tǒng)是20世紀(jì)40年代后出現(xiàn)的。從人腦神經(jīng)元網(wǎng)絡(luò)出發(fā),建立一定的規(guī)則。神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元組成,每個(gè)神經(jīng)元為一個(gè)特定的函數(shù),神經(jīng)元之間具有一定的關(guān)聯(lián),形成不同的層,中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)等參數(shù)可根據(jù)具體情況設(shè)定,靈活性很大。人工神經(jīng)網(wǎng)絡(luò)通過設(shè)定一定的閾值對(duì)節(jié)點(diǎn)進(jìn)行訓(xùn)練,獲得滿足需要的權(quán)值與閾值,這樣在輸入與輸出值之間建立聯(lián)系,從而對(duì)實(shí)際的場景開展模擬[10]。本文在極化分解理論基礎(chǔ)上,基于極化散射特征向量,采用標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)分類方法進(jìn)行進(jìn)一步優(yōu)化分類。BP神經(jīng)網(wǎng)絡(luò)方法是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),其拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱藏層(hidden layer)和輸出層(output layer)。

圖7 基于人工神經(jīng)網(wǎng)絡(luò)的分類結(jié)果圖Fig.7 ANN classification results

基于ANN的分類,能夠有效地對(duì)海岸帶信息進(jìn)行提取,與H/α-Wishart分類方法分類結(jié)果區(qū)別在于:建筑物由于散射較為強(qiáng)烈,基于H/α-Wishart的分類中沒有被明顯的分類出來,而基于ANN的分類則可被較好分類(圖6,7圈中部分)。在圖6和圖7中,由于處于冬季,植被與一些建筑物難以區(qū)分,通過ANN方法則可以區(qū)分。

2.4 精度評(píng)價(jià)

針對(duì)基于極化信息的神經(jīng)網(wǎng)絡(luò)分類結(jié)果(圖7)開展精度評(píng)價(jià),陸地區(qū)域采用基于SPOT5數(shù)據(jù)的“我國近海海洋綜合調(diào)查與評(píng)價(jià)”遙感調(diào)查成果為驗(yàn)證標(biāo)準(zhǔn),海上以目視解譯為驗(yàn)證標(biāo)準(zhǔn),選擇海水、海冰、植被、建筑物等為樣本,進(jìn)行分類精度評(píng)價(jià),結(jié)果如表1所示。根據(jù)混淆矩陣計(jì)算可得基于神經(jīng)網(wǎng)絡(luò)的分類結(jié)果總體分類精度為88.5%。

表1 分類結(jié)果混淆矩陣Table 1 Classification accuracy assessment

3 結(jié) 論

運(yùn)用Radarsat-2數(shù)據(jù)能夠進(jìn)行海岸帶信息提取,尤其是在多云多雨的海岸帶區(qū)域。我們以遼寧鲅魚圈作為研究區(qū)域,基于極化散射分解理論的分類,以地物的散射特性為基準(zhǔn),實(shí)現(xiàn)了海岸帶信息非監(jiān)督自動(dòng)分類,該分類對(duì)具有典型散射機(jī)制的地物,如海水、平整的海冰、建筑物等具有良好的分類效果。

采用Wishart分類器,將極化散射信息納入標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的分類方法之中,可較為有效地改善純粹基于極化散射特性的自動(dòng)分類方法的不足,實(shí)現(xiàn)對(duì)分類結(jié)果的優(yōu)化改進(jìn),綜合采用極化散射特性信息的神經(jīng)網(wǎng)絡(luò)分類總體精度為88.5%,需要說明的是,分類精度與訓(xùn)練樣本的純度和樣本類間可分性相關(guān)。此外,海岸帶區(qū)域地物分布往往較為復(fù)雜,其對(duì)應(yīng)的極化散射機(jī)制多有交叉,且不同植被的散射機(jī)制差異不大,都會(huì)產(chǎn)生一定的分類誤差,這是下一步研究工作的重點(diǎn)。

[1] WANG C Y.Coastal land covers classification of remote sensing images based on data minning technology[D].Qingdao:Ocean University of China,2009.王常穎.基于數(shù)據(jù)挖掘的遙感影像海岸帶地物分類方法研究[D].青島:中國海洋大學(xué),2009.

[2] HE H J,WANG W,LIU X G.Land type classification of coastal zone based on decision tree model[J].Geography and Geo-Information Science,2008,24(5):25-28.何厚軍,王文,劉學(xué)工.基于決策樹模型的海岸帶分類方法研究[J].地理與地理信息科學(xué),2008,24(5): 25-28.

[3] REN G B.The study of semi-supervised classification technology in remote sensing image processing[D].Qingdao:Ocean University of China,2010.任廣波.基于半監(jiān)督學(xué)習(xí)的遙感影像分類技術(shù)研究[D].青島:中國海洋大學(xué),2010.

[4] FU J,GU D Q.Extracting method in tidal flat based on decision fusion of spectrum and texture[J].Marine Environmental Science,2008, 27(5):405-408.付軍,谷東起.基于光譜與紋理特征融合的灘涂信息提取方法[J].海洋環(huán)境科學(xué),2008,27(5):405-408.

[5] LIU Y F,ZHANG J,MA Y,et al.Incorporating Geoscience knowledge into land use/cover classification for remote sensing image of coastal zone[J].Advances in Marine Science,2010,28(2):193-202.劉艷芬,張杰,馬毅,等.融合地學(xué)知識(shí)的海岸帶遙感圖像土地利用/覆蓋分類研究[J].海洋科學(xué)進(jìn)展,2010,28(2):193-202.

[6] CHEN J Y,PAN D L,MAO Z H.Optimal segmentation problem of simple object in high resolution coastal zone remote sensing image [J].Science in China:Series D Earth Sciences,2006,36(11):1044-1051.陳建裕,潘德爐,毛志華.高分辨率海岸帶遙感影像中簡單地物的最優(yōu)分割問題[J].中國科學(xué):D輯 地球科學(xué),2006,36(11):1044-1051.

[7] ZHANG X,DENG K Z,FAN H D,et al.PolSAR SVM supervised classification method combining with polarimetric target decomposition[J].Application Research of Computers,2013,30(1):295-298.張祥,鄧喀中,范洪冬,等.基于目標(biāo)分解的極化SAR圖像SVM監(jiān)督分類[J].計(jì)算機(jī)應(yīng)用,2013,30(1):295-298.

[8] WANG C,ZHANG H,CHEN X.Full polarization synthetic aperture radar image processing[M].Beijing:Science Press,2008.王超,張紅,陳曦.全極化合成孔徑雷達(dá)圖像處理[M].北京:科學(xué)出版社,2008.

[9] ZOU Y R,LIANG C,ZENG T.Oil spill identification using SVM based on polarization parameters[J].Marine Study,2013,31(3):71-76.鄒亞榮,梁超,曾韜.基于極化參數(shù)的SVM海上溢油識(shí)別[J].海洋學(xué)研究,2013,31(3):71-76.

[10] LEE J S,POTTIER E.Polarimetric radar imaging:from basics to applications[M].Boca Raton:CRC Press,2009:267-268.

[11] LI H D,GUAN D X,YUAN F H,et al.Modeling canopy transpiration of young poplar trees(Populus×euramericana cv.N3016)based on Back Propagation Artificial Neural Network[J].2015,35(12):1-13.李輝東,關(guān)德新,袁鳳輝,等.BP人工神經(jīng)網(wǎng)絡(luò)的楊樹林冠蒸騰[J].生態(tài)學(xué)報(bào),2015,35(12):1-13.

The Coastal Zone Information Extraction Based on the Neural Network Method With Polarization Characteristics

LIANG Chao1,2,ZENG Tao1,2,ZOU Ya-rong1,2
(1.National Satellite Ocean Application Service,Beijing 100081,China; (2.Key Laboratory of Space Ocean Remote Sensing and Application,SOA,Beijing 100081,China)

Application of remote sensing data in the monitoring of island and coastal zone can provide scientific information support for the development and utilization of coastal zone resources.Radarsat-2 data is used to carry out the coastal information extraction with Cloude polarization decomposition theory.The results show the application potential of Cloude polarization decomposition theory in the coastal information extraction.The objects of single scattering characteristics can be easier distinguished based on H/αclassification method,but it is difficult to distinguish the targets of even scattering and volume scattering mechanism.The neural network method together with the polarization characteristics can be used for the coastal zone classification,and the accuracy is 88.5%,which is related to the training samples.The distribution of surface features in the coastal zone is complicated,which is the focus of the future research work.

SAR;polarization decomposition;BP ANN;coastal zone

February 4,2016

P237

A

1671-6647(2017)02-0278-06

10.3969/j.issn.1671-6647.2017.02.012

2016-02-04

國家自然科學(xué)基金項(xiàng)目——隨機(jī)粗糙海面的溢油極化SAR特征譜構(gòu)建及精細(xì)提取研究(41376183);南北極環(huán)境綜合考察與評(píng)估專項(xiàng)——南極地區(qū)環(huán)境遙感考察(CHINARE2015-02-04)

梁 超(1985-),男,陜西咸陽人,碩士,助理研究員,主要從事海洋遙感方面研究.E-mail:liangchao@mail.nsoas.org.cn

*通訊作者:鄒亞榮(1967-),男,江西南昌人,研究員,主要從事海岸帶遙感方面研究.E-mail:zyr@mail.nsoas.org.cn