高效分类：PolSAR影像分类技术探析

雷达全极化测量技术已成为当今遥感对地观测的前沿技术之一。PolSAR数据通常以散射矩阵或是Stokes矩阵为表现形式，所包含的信息更丰富，其研究与处理方法与单极化SAR有较大的不同。利用全极化信息对地表进行分类是一项有效而重要的研究，同时属于PolSAR研究的一个逆向问题。

图像分类是PolSAR图像解译中的一个重要步骤。根据处理方法的不同，可以分为监督和非监督。监督分类方法主要有基于最大似然(Maximum Likelihood，ML)聚类算法、基于最大后验的马尔可夫随机场(Markov Random Field，MRF)分类算法、基于支撑向量机的方法，然而监督分割需要足够多的训练样本，同时需要实验区域的先验知识，确定图像的分割类别和分割数目，操作复杂，自动化程度低。

非监督分类分类算法中研究较多的为基于物理散射特性的方法。通过分析地物的物理散射特性，最后通过极化目标分解得到地物分类结果。最为典型的有Cloude等人(1996)提出的H/α方法，以及Freeman(1992)提出的三分量分解算法。这些算法尽管充分考虑了地物的物理散射特性，但是散射机理和地物并不是一一对应的关系，因此这种算法难免会存在地物类别模糊的问题。目前广泛应用的算法是将物理散射机制与概理统计知识相结合起来，根据地物的物理散射机制通过极化目标分解技术进行初始分类，然后由基于最大似然的Wishart聚类器进行迭代聚类。Lee等人(1994)提出了一种将H/α分解与Wishart最大似然归类相结合的算法，首先采用Cloude的目标分解理论，通过求取熵H和平均散射角α将地物初始划分为8类作为初始分类结果，最后通过计算Wishart距离进行迭代聚类。后来，在此基础上，进行初始分类的时候通过求取各向异性值A将地物细分为16类，再由Wishart聚类器进行迭代聚类，进一步提高了分类精度。Lee等人(1999)后来又提出了一种保留物理散射机制的分类算法，首先采用Freeman-Durde分解将地物划分为体散射、表面散射、偶次散射3种散射机制，然后采用Wishart聚类器将属于同一类散射机制的像素进行迭代聚类。实验结果表明，该种算法优于以上两种聚类算法。曹芳等人(2008)在H/α/A Wishart分类的基础上，将散射功率Span这一特征量引入进来，将地物初始划分为48类，通过Wishart聚类后，由层次聚类算法将其最后合并为16类。杨杰等人(2011)将H/α分解和极化白化滤波相结合，利用极化白化滤波结果代替反熵A对H/α Wishart分类结果进行细化，最后由Wishart迭代聚类。其他学者也对非监督的Wishart聚类器进行了相应的改进。然而这些算法采用的是Wishart聚类器，没有考虑周围像素对当前像素的影响，因而区域性较差。由于SAR是一种相干成像系统，因此在图像中不可避免地存在相干斑。基于最大似然的分类算法没有考虑影像的空间相关性特征，而马尔可夫随机场则考虑了周围像素对当前像素的影响，能够使分类精度在一定程度上得到提高。因此，在极化目标分解的基础上引入MRF或分层MRF由Wishart分布对纹理特征进行建模，能够有效地抑制相干斑噪声对分类结果的影响。(www.xing528.com)

基于区域级的分类算法，首先将图像分割为一个个相互连通的区域，然后通过一定的准则对这些区域进行归类。基于区域级的分类算法往往比基于像素级的算法获得更高的分类精度，在光学与SAR影像分割分类中，这类算法得到推广。Dong Y. 等人(1997)利用基于区域级的分类算法对农作物进行分类识别。邹同元等人(2009)提出了一种建立在Mean Shift过分割条件下的非监督分类算法: 先通过Mean Shift算法获得过分割区域，通过计算区域内的Wishart距离进行迭代聚类。由于Wishart聚类器是一种基于最大似然的分类器，没有考虑周围区域对当前区域分类号的影响，因此这种算法相较于传统算法有一定程度的提高，但孤立的过分割区域较多。Kaan Ersahind等人(2010)先将图像进行分割，在分割的基础上通过图谱划分(Spectral Graph Partitioning)进行聚类。实验表明此种算法优于传统的Wishart聚类器，但是这种算法过分地依赖初始区域的划分。对影像分割后再进行分类，能有效地提高PolSAR分类精度，先对PolSAR影像进行分割得到同质区域，然后对同质区域进行分类也是现在PolSAR分类的一个热点。