利用單類分類方法提取全極化雷達(dá)影像中的建筑物*

安相君，翟 瑋

（1.甘肅省公安消防總隊(duì)，甘肅 蘭州 730070；2.甘肅省地震局，甘肅 蘭州730000）

利用單類分類方法提取全極化雷達(dá)影像中的建筑物*

安相君1，翟 瑋2

（1.甘肅省公安消防總隊(duì)，甘肅 蘭州 730070；2.甘肅省地震局，甘肅 蘭州730000）

建筑物是人類賴以生存的基本場(chǎng)所，為人類的各種活動(dòng)提供容納空間，建筑物分布信息是當(dāng)代社會(huì)非常重要的信息資源。本文引入單類分類方法，對(duì)城市建筑物進(jìn)行識(shí)別提取。文章介紹了基于最小超球支持向量機(jī)的單類分類方法，并提取一景全極化SAR影像的多種極化特征，利用該方法進(jìn)行了建筑物提取實(shí)驗(yàn)，結(jié)果表明單類分類方法能夠融合多種特征快速提取建筑物，且能保證一定的提取精度。

遙感；全極化SAR；建筑物；單類分類

城市現(xiàn)代化建設(shè)中最重要的內(nèi)容是建筑物的規(guī)劃與建設(shè)，獲取建筑物分布信息在土地利用調(diào)查、城市地理信息數(shù)據(jù)庫(kù)更新、市政規(guī)劃、人口估計(jì)、經(jīng)濟(jì)建設(shè)評(píng)估等方面都有著非常重要的作用［1］。利用遙感技術(shù)識(shí)別建筑物具有全面、宏觀的優(yōu)勢(shì)［2］。雖然利用光學(xué)遙感影像提取建筑物比較直觀，但是在夜晚或天氣狀況不佳時(shí)，難以獲得有效圖像，但是合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）具有全天時(shí)全天候的對(duì)地觀測(cè)能力［3］，能夠保障數(shù)據(jù)的實(shí)時(shí)有效。目前有很多提取建筑物的方法是基于多數(shù)據(jù)進(jìn)行的，比如利用InSAR圖像對(duì)提供的高程信息［4］，或融合光學(xué)影像和雷達(dá)影像［5］。相比基于多幅影像的方法，基于單幅SAR影像的方法無(wú)需配準(zhǔn)影像，對(duì)數(shù)據(jù)要求較低［6］。然而單極化SAR影像包含的信息量遠(yuǎn)遠(yuǎn)少于全極化SAR，且易受噪聲和局部強(qiáng)散射等因素的影響，利用全極化SAR數(shù)據(jù)提取建筑物更可靠、更精確［7］。因此本文在對(duì)數(shù)據(jù)要求不高的同時(shí)，為了保證建筑物提取精度，選擇一景全極化SAR數(shù)據(jù)提取建筑物。

單類（One-Class）分類是指訓(xùn)練樣本中只有一類目標(biāo)數(shù)據(jù)，經(jīng)過(guò)學(xué)習(xí)形成一個(gè)對(duì)該類別的數(shù)據(jù)描述，根據(jù)描述估計(jì)其邊界，做出正確分類。單類分類方法訓(xùn)練和決策速度快，適合處理高維、有噪和有限樣本的單類問(wèn)題［8］。由于本文只關(guān)注建筑物，只有建筑物一種類別，因此借鑒One-Class分類思想，利用基于支持向量機(jī)［9］的單類分類方法從全極化SAR影像中提取建筑物。只對(duì)建筑物進(jìn)行學(xué)習(xí)訓(xùn)練，估計(jì)出建筑物與非目標(biāo)樣本的邊界，從而排除非目標(biāo)樣本，提取出建筑物。支持向量機(jī)方法適合處理高維數(shù)據(jù)的分類問(wèn)題，這樣就可以在特征空間中加入很多維數(shù)據(jù)特征，結(jié)合多種特征對(duì)樣本進(jìn)行分類，同時(shí)保持較快的處理速度。本文選取了14個(gè)極化特征組成特征空間，對(duì)建筑物進(jìn)行提取。實(shí)驗(yàn)結(jié)果證明在提取建筑物時(shí)，利用支持向量機(jī)的單類分類方法是有效可行的。

1 單類支持向量機(jī)

1.1 支持向量機(jī)

支持向量機(jī) （Support Vector Machine，SVM）是20世紀(jì)90年代中期由Vapnik［10］根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的，可用于模式分類和回歸估計(jì)。由于支持向量機(jī)具有泛化能力強(qiáng)、全局優(yōu)化等優(yōu)點(diǎn)，得到了廣泛的應(yīng)用。支持向量機(jī)是為了求解二類分類問(wèn)題而提出的，它能夠求解各種二類分類問(wèn)題。在SVM的訓(xùn)練集中需要正負(fù)兩類樣本。但是在很多情況下無(wú)法獲取到包含正負(fù)兩類樣本點(diǎn)的訓(xùn)練集，而只能獲取一類樣本，這時(shí)就只能利用這一類樣本進(jìn)行學(xué)習(xí)，形成數(shù)據(jù)描述從而實(shí)現(xiàn)分類［11］，這就是單類分類問(wèn)題，即One-Class分類。One-Class分類主要應(yīng)用于故障分析、異常檢測(cè)、離群點(diǎn)識(shí)別和疾病診斷等現(xiàn)實(shí)問(wèn)題中。在單類分類問(wèn)題中使用的支持向量機(jī)稱為單類支持向量機(jī)［12］（One-Class SVM，OCSVM）。單類支持向量機(jī)主要有超球法和超平面法兩種，本文使用超球法單類支持向量機(jī)從全極化SAR數(shù)據(jù)中提取建筑物。

1.2 超球法

Tax等［9，13，14］提出了超球法的單類支持向量機(jī)，其基本思想是將線性不可分的數(shù)據(jù)樣本映射到高維空間，在這個(gè)高維特征空間中找到一個(gè)能夠盡可能將目標(biāo)樣本點(diǎn)包圍在其內(nèi)部的最小超球體，并盡可能得將非目標(biāo)樣本點(diǎn)隔離在這個(gè)最小超球體外，從而達(dá)到劃分兩個(gè)類別的目的。

給定一個(gè)樣本集X：

圖1是超球法單類支持向量機(jī)模型示例，圖中R和c分別是高維特征空間中最小超球的半徑和圓心，求解R和c的問(wèn)題轉(zhuǎn)化為求解以下優(yōu)化問(wèn)題：

其中ξi為松弛因子，當(dāng)ξi＞0時(shí)，對(duì)應(yīng)隔離在超球體外部的非目標(biāo)類樣本點(diǎn)。這是一個(gè)凸優(yōu)化問(wèn)題，可以變換為求解對(duì)偶變量的優(yōu)化問(wèn)題。引入核函數(shù)與拉格朗日對(duì)偶變量α，將上述問(wèn)題轉(zhuǎn)化為對(duì)偶問(wèn)題，其對(duì)偶形式為最小化目標(biāo)函數(shù)［15］：

其中K=（Xi，xj）=Φ（xi）·Φ（xj）是核函數(shù)。

對(duì)應(yīng)ai＞0的向量則為支持向量，超球體的半徑R為任一邊界支持向量到球心的距離，即半徑R由少量球面上的支持向量決定，它起到檢出目標(biāo)類別而隔離非目標(biāo)類別的閾值劃分作用。球心c和半徑R可以分別表示為：

求得超球體的R和c后，就可以得到判別函數(shù)［8］：

由判別函數(shù)可以判斷測(cè)試樣本是否屬于超球體內(nèi)部，是否是離群點(diǎn)。若判別函數(shù)為負(fù)，測(cè)試樣本就在超球體外部，是離群點(diǎn)，反之則為目標(biāo)樣本。如圖1所示。

圖1 超球體支持向量機(jī)模型示意圖

R和c分別代表最小超球的半徑和圓心，實(shí)心圓、空心圓和三角分別代表目標(biāo)樣本點(diǎn)、支持向量和非目標(biāo)樣本點(diǎn)。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文選用海地太子港的一景400×400大小的L波段UAVSAR航空極化SAR影像作為實(shí)驗(yàn)數(shù)據(jù)，驗(yàn)證研究思想的有效性。PauliRGB彩色合成圖像如圖2（a）所示，紅色代表|HH-VV|、綠色代表|HV|、藍(lán)色代表|HH+VV|。距離向空間分辨率為1.67m，方位向?yàn)?.6m。用于評(píng)價(jià)提取結(jié)果的參考影像（見(jiàn)圖2（b））由Google Earth獲得，并與極化SAR數(shù)據(jù)進(jìn)行了配準(zhǔn)。

圖2 實(shí)驗(yàn)數(shù)據(jù)及實(shí)驗(yàn)結(jié)果

2.2 實(shí)驗(yàn)結(jié)果

本文提取Cloude-Pottier分解［16］得到的三種散射特征：散射熵H、散射角α和各向異性參數(shù)A，以及Yamaguchi四分量散射模型［17］分解得到的四種散射分量、功率均值lamda、同極化比、交叉極化比、圓極化相關(guān)系數(shù)、三種線性極化相關(guān)系數(shù)等14種極化特征，組成特征空間，參與超球法One-Class SVM分類。首先利用最小超球體One-ClassSVM方法對(duì)訓(xùn)練樣本的上述14種極化特征進(jìn)行訓(xùn)練，估計(jì)出最小超球面。然后對(duì)測(cè)試樣本進(jìn)行分類，建筑物提取結(jié)果如圖2（c）所示，白色區(qū)域代表提取出的建筑物，黑色是非建筑物。

為了評(píng)價(jià)建筑物提取精度，在參考影像中選擇了6701個(gè)建筑物參考樣本和5036個(gè)非建筑物參考樣本，在圖2（b）中分別以紅色和黃色標(biāo)注。從表1的評(píng)價(jià)結(jié)果中可以看出，總體提取精度為74.0%，建筑物被誤分為非建筑的誤分率為37.2%，非建筑被誤分為建筑的誤分率為11.1%。

研究區(qū)處于城市繁華區(qū)，建筑物分布非常密集，地物布局比較復(fù)雜。將建筑誤分為非建筑的主要原因是平頂房屋沒(méi)有被正確提取，由于房屋密集，很多屋頂緊挨，連成大片平坦表面，被誤分為裸地。將非建筑分為建筑的情況主要存在于道路和建筑物之間的間隔地帶，大片平地較少，非建筑類多為細(xì)小目標(biāo)。

表1 建筑物提取精度評(píng)價(jià)表

3 結(jié)論

鑒于研究目標(biāo)只有建筑物一種地物類別，本文借鑒故障檢測(cè)的思想，將單類分類方法引入建筑物提取的應(yīng)用中。由于單類分類只有一類訓(xùn)練樣本，樣本的選取和訓(xùn)練方便快捷。借助極化SAR影像豐富的信息量，本文使用一景極化SAR影像提取建筑物，利用最小超球體單類支持向量機(jī)方法進(jìn)行建筑物提取。實(shí)驗(yàn)中選用14種極化特征組成特征空間，對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練，并對(duì)測(cè)試樣本進(jìn)行分類。在分類過(guò)程中，誤分類的情況主要存在于平頂建筑被誤分為非建筑、道路等間隔地帶被混入建筑物，無(wú)法提取。實(shí)驗(yàn)結(jié)果表明，本文所采用的單類支持向量機(jī)方法能夠利用多種特征，既具有較快的訓(xùn)練和分類速度，又能保證一定的提取精度。因此利用One-Class分類方法提取建筑物是有效可行的，但仍需進(jìn)一步深入研究適合于建筑物提取的單類分類方法，改進(jìn)現(xiàn)有的單類分類方法。

［1］ Zhai W，Shen H，Huang C，et al.Fusion of polarimetric and texture information for urban building extraction from fully polarimetricSARimagery［J］.RemoteSensingLetters，2015，7（1）：31-40.

［2］ ZhaiW，ShenH，HuangC，etal.BuildingEarthquakeDamage Information Extraction from a Single Post-Earthquake PolSARImage［J］.RemoteSensing，2016，8（3）：171.

［3］ 翟瑋，趙斐.基于極化SAR的城市建筑物提?。跩］.甘肅科技，2016，32（2）：46-48.

［4］ GambaP，HoushmandB，SaccaniM.Detectionandextraction ofbuildingsfrominterferometricSARdata［J］.IEEETransactions onGeoscienceandRemoteSensing.2000，38（1）：611-618.

［5］ TupinF，RouxM.Detectionofbuildingoutlinesbasedonthe fusion of SAR and optical Features［J］.ISPRS Journal of PhotogrammetryandRemoteSensing.2003，58（1）：71-82.

［6］ 翟瑋.基于單時(shí)相全極化SAR影像的建筑物震害信息提?。跩］.山西地震，2016，1：19-22.

［7］ 翟瑋，裴萬(wàn)勝，趙斐，等.PolSAR影像紋理特征在倒塌建筑物提取中的應(yīng)用分析［J］.國(guó)際地震動(dòng)態(tài)，2015（9）：127-127.

［8］ 吳定海，張培林，任國(guó)全，等.基于支持向量的單類分類方法綜述［J］.計(jì)算機(jī)工程，2011，37（5）：187-189.

［9］ TaxDMJ，DuinRPW.Supportvectordomaindescription［J］. Patternrecognitionletters，1999，20（11）：1191-1199.

［10］Vapnik V N，Vapnik V.Statistical learning theory［M］.New York：Wiley，1998.

［11］潘志松，陳斌，繆志敏，等.One-Class分類器研究［J］.電子學(xué)報(bào)，2009，37（11）：2496-2503.

［12］尹傳環(huán)，牟少敏，田盛豐，等.單類支持向量機(jī)的研究進(jìn)展［J］.ComputerEngineeringandApplications，2012，48（12）.

［13］TaxDMJ，DuinRPW.Datadomaindescriptionusingsupport vectors［C］.//ESANN.1999，99：251-256.

［14］Tax D M J，Duin R P W.Support vector data description［J］. Machinelearning，2004，54（1）：45-66.

［15］尹傳環(huán)，牟少敏，田盛豐，等.單類支持向量機(jī)的研究進(jìn)展［J］.ComputerEngineeringandApplications，2012，48（12）.

［16］CloudeSR.Polarimetry：thecharacterisationofpolarisation effectsinEMscattering［D］.UniversityofBirmingham，1987.

［17］YamaguchiY，MoriyamaT，IshidoM，etal.Four-component scattering model for polarimetric SAR image decomposition［J］.IEEETransactions on Geoscience and Remote Sensing，2005，43（8）：1699-1706.

P237

甘肅省地震局、中國(guó)地震局蘭州地震研究所地震科技發(fā)展基金項(xiàng)目（2015M02）。