基于區(qū)域Bhattacharyya相似度的SAR圖像地物分類(lèi)方法

鄒煥新, 秦先祥, 周石琳, 康紅宴, 計(jì)科峰

(1. 國(guó)防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院, 湖南 長(zhǎng)沙 410073;2. 空軍工程大學(xué)信息與導(dǎo)航學(xué)院, 陜西 西安 710077)

?

基于區(qū)域Bhattacharyya相似度的SAR圖像地物分類(lèi)方法

鄒煥新1, 秦先祥2, 周石琳1, 康紅宴1, 計(jì)科峰1

(1. 國(guó)防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院, 湖南 長(zhǎng)沙 410073;2. 空軍工程大學(xué)信息與導(dǎo)航學(xué)院, 陜西 西安 710077)

傳統(tǒng)的基于像素的合成孔徑雷達(dá)(synthetic aperture radar, SAR)圖像地物分類(lèi)方法難以有效區(qū)分起伏變化大的地物。針對(duì)該問(wèn)題,提出了一種基于區(qū)域Bhattacharyya相似度的SAR圖像地物分類(lèi)方法。方法首先利用適當(dāng)?shù)膱D像分割技術(shù)獲取均勻的SAR圖像區(qū)域。接著定義Bhattacharyya相似度來(lái)描述區(qū)域之間的統(tǒng)計(jì)相似程度,并推導(dǎo)了其對(duì)應(yīng)Gamma分布的解析表達(dá)式。最后,以圖像區(qū)域?yàn)榉诸?lèi)單元,基于最大區(qū)域Bhattacharyya相似度準(zhǔn)則實(shí)現(xiàn)SAR圖像地物分類(lèi)。利用實(shí)測(cè)SAR圖像的地物分類(lèi)結(jié)果表明,該方法性能優(yōu)于經(jīng)典的基于像素的最大似然分類(lèi)方法和支持矢量機(jī)方法,且優(yōu)于基于區(qū)域的最小距離法。

合成孔徑雷達(dá); 地物分類(lèi); Bhattacharyya相似度; Gamma分布

0 引 言

合成孔徑雷達(dá)(synthetic aperture radar, SAR)是一種具有全天時(shí)、全天候成像能力的主動(dòng)式微波成像傳感器。自從SAR圖像誕生以來(lái),SAR圖像解譯算法的研究一直受到國(guó)內(nèi)外學(xué)者的普遍重視[1-4]。SAR圖像地物分類(lèi)是近年來(lái)SAR圖像解譯的研究熱點(diǎn)之一[4-8],其在沙漠化評(píng)估、農(nóng)作物生長(zhǎng)監(jiān)測(cè)以及城市規(guī)劃等諸多領(lǐng)域具有廣闊的應(yīng)用價(jià)值。

從不同角度出發(fā),SAR圖像地物分類(lèi)方法可分為不同類(lèi)型。根據(jù)是否采用了參量模型對(duì)數(shù)據(jù)進(jìn)行建模,SAR圖像地物分類(lèi)方法可分為參量方法和非參量方法兩大類(lèi)[8]。前者假設(shè)SAR圖像數(shù)據(jù)可由某個(gè)參量模型進(jìn)行描述,并基于該模型建立一定的分類(lèi)準(zhǔn)則。由于受SAR傳感器的相干成像機(jī)制影響,SAR圖像中包含大量固有的相干斑噪聲,使得 SAR圖像解譯比常見(jiàn)的光學(xué)圖像解譯更為復(fù)雜。為有效描述SAR圖像的統(tǒng)計(jì)特性,國(guó)內(nèi)外學(xué)者開(kāi)展了大量相關(guān)研究,提出了一系列SAR圖像統(tǒng)計(jì)模型,如Gamma分布、對(duì)數(shù)正態(tài)分布和K分布等[4]。典型的參量分類(lèi)方法包括最大似然(maximum likelihood,ML)和最大后驗(yàn)概率方法等[5-6]。相比之下,非參量分類(lèi)方法是一類(lèi)基于數(shù)據(jù)驅(qū)動(dòng)的方法,它不對(duì)SAR圖像數(shù)據(jù)進(jìn)行模型假設(shè),而是按照一定的規(guī)則直接利用樣本數(shù)據(jù)訓(xùn)練分類(lèi)器,再利用訓(xùn)練后的分類(lèi)器實(shí)現(xiàn)SAR圖像地物分類(lèi)。典型的非參量分類(lèi)方法有人工神經(jīng)網(wǎng)絡(luò)方法和支持矢量機(jī)(support vector machine,SVM)[7-8]。

另外,根據(jù)參與分類(lèi)的基本單元是單個(gè)像素還是圖像區(qū)域,SAR圖像地物分類(lèi)方法還可以劃分為基于像素和基于區(qū)域的分類(lèi)方法兩大類(lèi)[6]。前者在像素層面上進(jìn)行分類(lèi),利用一定的分類(lèi)準(zhǔn)則對(duì)圖像中各個(gè)像素逐一進(jìn)行分類(lèi)。相比而言,后者通常與圖像分割方法相結(jié)合,以分割所得的各個(gè)區(qū)域作為圖像分類(lèi)的基本單元。目前的大部分SAR圖像分類(lèi)方法為基于像素的分類(lèi)方法。然而,該類(lèi)方法往往僅利用單個(gè)像素特征進(jìn)行分類(lèi),方法性能受相干斑噪聲影響明顯,算法魯棒性較差。此外,隨著SAR成像技術(shù)的提升,SAR圖像的分辨率不斷提高。高分辨率SAR圖像中的某類(lèi)地物(如城市居民區(qū))本身起伏變化顯著,采用單個(gè)像素通常難以對(duì)其有效描述。對(duì)于這類(lèi)地物,基于像素的分類(lèi)方法往往得不到理想的分類(lèi)結(jié)果。

近年來(lái),基于區(qū)域的分類(lèi)思想為SAR圖像地物分類(lèi)提供了一條新的解決思路[6,9-10],其不僅能夠利用單個(gè)像素的信息,同時(shí)還可以獲取區(qū)域中像素集合整體的信息,從而有利于提高分類(lèi)精度?；趨^(qū)域的分類(lèi)方法通過(guò)建立圖像區(qū)域之間的相似度并構(gòu)造適當(dāng)?shù)姆诸?lèi)準(zhǔn)則來(lái)實(shí)現(xiàn)地物分類(lèi)。描述圖像區(qū)域之間相似度的典型準(zhǔn)則有多種類(lèi)型的距離,如歐氏距離、明氏距離和絕對(duì)值距離等等[11]?？紤]到相干斑噪聲的影響,文獻(xiàn)[6]在對(duì)極化SAR圖像分析中,從統(tǒng)計(jì)的角度研究了極化SAR圖像區(qū)域的如Bhattacharyya距離、Kullback-Leibler距離、Rényi距離、Hellinger距離和χ2距離等多種統(tǒng)計(jì)距離,其中Bhattacharyya距離是一種具有形式簡(jiǎn)潔和穩(wěn)定性好等特點(diǎn)的優(yōu)良測(cè)度[12-13]。鑒于此,為克服傳統(tǒng)基于像素的分類(lèi)方法難以對(duì)起伏變化大的地物進(jìn)行有效分類(lèi)的問(wèn)題,本文提出了一種基于區(qū)域Bhattacharyya相似度的SAR圖像地物分類(lèi)方法。

1 SAR圖像統(tǒng)計(jì)建模

SAR圖像統(tǒng)計(jì)建模是SAR圖像參量分類(lèi)方法的重要環(huán)節(jié),它描述了包含相干斑噪聲的SAR圖像數(shù)據(jù)的統(tǒng)計(jì)變化特性。Gamma分布是進(jìn)行SAR圖像統(tǒng)計(jì)建模的經(jīng)典分布模型,在SAR圖像解譯中應(yīng)用十分廣泛[4]。Gamma分布的概率密度函數(shù)(probability density function,PDF)為

(1)

式中，α和λ分別表示分布的形狀參數(shù)和尺度參數(shù)；Γ(·)表示Gamma函數(shù)。

對(duì)于SAR圖像統(tǒng)計(jì)建模,當(dāng)分布模型假定后,精確的參數(shù)估計(jì)是分布得以應(yīng)用的重要因素。經(jīng)典的參數(shù)估計(jì)方法包括矩估計(jì)和最大似然估計(jì)方法。近年來(lái),基于對(duì)數(shù)累積量的方法(method of log-cumulants,MoLC)[14]得到了深入的研究,廣泛應(yīng)用于SAR圖像統(tǒng)計(jì)模型的參數(shù)估計(jì)中。MoLC與矩估計(jì)方法的基本思想類(lèi)似,通過(guò)建立分布模型的對(duì)數(shù)累積量的方程組進(jìn)行參數(shù)估計(jì)。本文采用MoLC估計(jì)Gamma分布的參數(shù)。Gamma分布的前兩階對(duì)數(shù)累積量為[14]

(2)

2 基于區(qū)域的地物分類(lèi)方法

2.1 基于區(qū)域的SAR圖像地物分類(lèi)基本原理

基于區(qū)域的SAR圖像地物分類(lèi)方法通?？梢苑譃?個(gè)步驟。SAR圖像分割、區(qū)域特征提取、分類(lèi)準(zhǔn)則構(gòu)建以及SAR圖像區(qū)域分類(lèi)。

步驟 1 方法首先利用適當(dāng)?shù)膱D像分割方法[15-17]將SAR圖像劃分為一系列均勻或同質(zhì)的SAR圖像區(qū)域,這些區(qū)域構(gòu)成了地物分類(lèi)的基本單元;

步驟 2 提取SAR圖像各區(qū)域以及各訓(xùn)練樣本數(shù)據(jù)的特征;

步驟 3 根據(jù)區(qū)域特征構(gòu)建一定的分類(lèi)準(zhǔn)則;

步驟 4 按照設(shè)定的分類(lèi)準(zhǔn)則對(duì)各圖像區(qū)域進(jìn)行地物類(lèi)別劃分。

2.2 最大區(qū)域Bhattacharyya相似度分類(lèi)準(zhǔn)則

圖像區(qū)域分類(lèi)準(zhǔn)則是基于區(qū)域的SAR圖像地物分類(lèi)方法的關(guān)鍵。最小距離(minimum distance,MD)法是模式識(shí)別中最常用的分類(lèi)方法之一[11]。但由于SAR圖像包含大量相干斑噪聲,可能導(dǎo)致該方法難以獲得理想的分類(lèi)結(jié)果。鑒于此,本文從SAR圖像統(tǒng)計(jì)特性分析的角度出發(fā),在對(duì)SAR圖像區(qū)域統(tǒng)計(jì)建?；A(chǔ)上,提出一種基于區(qū)域Bhattacharyya相似度的SAR圖像地物分類(lèi)方法。

Bhattacharyya距離是一個(gè)經(jīng)典的刻畫(huà)兩個(gè)PDF之間相近程度的度量[11-13]。給定兩個(gè)分布p1(x)和p2(x),則它們之間的Bhattacharyya距離JB定義[11]為

(3)

JB越小,表明這兩個(gè)PDF的相近程度越高?；贘B可定義Bhattacharyya相似度為

S(p1(x),p2(x))=exp{-JB(p1(x),p2(x))}=

(4)

與Bhattacharyya距離相比,Bhattacharyya相似度S的大小更直接地表達(dá)了兩個(gè)分布之間相近程度,其具有如下性質(zhì):S(p1(x),p2(x))=S(p2(x),p1(x))且S≥0。S越大,表明兩個(gè)PDF的重疊程度越高,相應(yīng)的兩個(gè)數(shù)據(jù)集之間的統(tǒng)計(jì)相似度越高。當(dāng)p1(x)和p2(x)完全不重疊時(shí),則S=0;反之,當(dāng)p1(x)和p2(x)完全重疊時(shí),則S=1。

2.3 Gamma分布的Bhattacharyya相似度推導(dǎo)

對(duì)于兩組SAR圖像區(qū)域數(shù)據(jù)集,設(shè)其均服從Gamma分布,相應(yīng)的PDFp1(x)和p2(x)可表示為

(5)

將式(5)代入式(4),可計(jì)算得p1(x)和p2(x)之間的Bhattacharyya相似度為

S(p1(x),p2(x))=

(6)

(7)

可導(dǎo)出Gamma分布的Bhattacharyya相似度為

對(duì)荷爾德林詩(shī)與希臘精神的闡釋?zhuān)秃秃５赂駹栆回灥膶?duì)西方傳統(tǒng)形而上學(xué)的批判一起，成為他政治事件經(jīng)歷——參與、決裂——的一種非?？陀^冷靜解釋。因此，事實(shí)并非如大部分人所認(rèn)為的那樣，海德格爾固執(zhí)并且拒絕反省，因此對(duì)這段經(jīng)歷一直保持沉默。晚年他延續(xù)了對(duì)其政治事件的所謂沉默的態(tài)度，可以看作是其思想道路的自然寫(xiě)照。

(8)

2.4 本文分類(lèi)方法基本流程

本文基于區(qū)域Bhattacharyya相似度的SAR圖像地物方法的基本步驟如下。

步驟 1 SAR圖像分割。利用適當(dāng)?shù)姆椒▽D像分割為L(zhǎng)個(gè)均勻或同質(zhì)區(qū)域R={R1,R2,…,RL};

步驟 2 SAR圖像統(tǒng)計(jì)建模。估計(jì)各圖像區(qū)域的PDFPR={pR1(x),pR2(x),…,pRL(x)},并估計(jì)給定的M類(lèi)訓(xùn)練樣本集T={T1,T2,…,TM}的PDFPT={pT1(x),pT2(x),…,pTM(x)};

步驟 3 Bhattacharyya相似度計(jì)算。計(jì)算SAR圖像各區(qū)域與各訓(xùn)練樣本集之間的Bhattacharyya相似度S(pRi(x),pTj(x))(i=1,2,…,L;j=1,2,…,M);

步驟 4 圖像區(qū)域分類(lèi)。根據(jù)最大Bhattacharyya相似度準(zhǔn)則對(duì)SAR圖像各區(qū)域進(jìn)行分類(lèi),即

(9)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)圖像與分割預(yù)處理

實(shí)驗(yàn)采用了一幅美國(guó)墨西哥灣某地區(qū)的水平-水平(horizontal-horizontal,HH)極化SAR圖像進(jìn)行地物分類(lèi),如圖1(a)所示。該圖像大小為1 000像素×1 000像素,由美國(guó)JPL實(shí)驗(yàn)室的UAVSAR系統(tǒng)于2009年6月26日獲取。圖1(b)給出了Google Earth提供的該地區(qū)2009年8月25日的光學(xué)圖像。該地區(qū)包括多類(lèi)地物,本文實(shí)驗(yàn)考慮其中主要的4類(lèi)地物,包括農(nóng)田、樹(shù)林、河流和居民區(qū)。為了定量評(píng)估分類(lèi)算法的性能,實(shí)驗(yàn)在參考光學(xué)圖像基礎(chǔ)上,通過(guò)人工手動(dòng)繪制的方式獲取了該地區(qū)的地物真值圖(ground truth,GT),如圖1(c)所示。

圖1 實(shí)驗(yàn)SAR圖像及對(duì)應(yīng)的光學(xué)圖像、地物真值圖和圖像分割結(jié)果Fig.1 Real SAR image and corresponding optical image, ground-truth and image segmentation result

為了獲得SAR圖像的均勻區(qū)域,需要采用適當(dāng)?shù)膱D像分割方法。SAR圖像分割方法類(lèi)別繁多,對(duì)不同類(lèi)型的SAR圖像分割往往需要采用不同的算法。在本實(shí)驗(yàn)中,采用實(shí)現(xiàn)簡(jiǎn)單且效果較好的層次合并分割算法[17]來(lái)獲取待分類(lèi)的SAR圖像均勻區(qū)域。該算法首先對(duì)SAR圖像進(jìn)行網(wǎng)格劃分,得到一系列大小一致的SAR圖像矩形區(qū)域;然后依次對(duì)其中滿(mǎn)足最小似然損失準(zhǔn)則[17]的兩個(gè)相鄰區(qū)域進(jìn)行合并,直到區(qū)域總數(shù)達(dá)到設(shè)定數(shù)目時(shí)停止合并;最后,根據(jù)局部最大后驗(yàn)概率準(zhǔn)則,對(duì)所得SAR圖像區(qū)域的邊緣像素的類(lèi)別進(jìn)行迭代調(diào)整,得到最終的SAR圖像分割結(jié)果。(該方法的具體實(shí)現(xiàn)過(guò)程可參考文獻(xiàn)[17],這里不再贅述。)本實(shí)驗(yàn)的分割過(guò)程中,依然采用Gamma分布對(duì)SAR圖像進(jìn)行統(tǒng)計(jì)建模,并根據(jù)該圖像的復(fù)雜程度設(shè)定各初始區(qū)域的大小為20像素×20像素、設(shè)最終的圖像區(qū)域數(shù)目為600。圖1(d)給出了該SAR圖像的分割結(jié)果。

3.2 SAR圖像分類(lèi)結(jié)果與分析

為驗(yàn)證本文方法的有效性,實(shí)驗(yàn)中除采用本文方法進(jìn)行SAR圖像地物分類(lèi)外,還采用另外3種經(jīng)典分類(lèi)方法作對(duì)比實(shí)驗(yàn),包括基于像素的ML方法、基于像素的SVM方法和基于區(qū)域的MD方法。在基于像素的ML方法和本文方法中,均采用Gamma分布對(duì)SAR圖像進(jìn)行統(tǒng)計(jì)建模;SVM方法由著名的LIBSVM程序[19]實(shí)現(xiàn),其中核函數(shù)為徑向基核函數(shù);在基于區(qū)域的MD方法中,區(qū)域間的距離定義為區(qū)域均值的歐氏距離。此外,基于區(qū)域的兩種方法均對(duì)圖1(d)中的各區(qū)域進(jìn)行分類(lèi)。在實(shí)驗(yàn)中,選取的4類(lèi)地物的訓(xùn)練樣本區(qū)域如圖1(a)中的方框所示,每類(lèi)地物均選取了兩個(gè)不同位置的數(shù)據(jù)。

利用前述4種方法對(duì)SAR圖像進(jìn)行地物分類(lèi)的結(jié)果如圖2所示。由圖2中分類(lèi)結(jié)果可見(jiàn),整體而言,基于像素的ML和SVM方法所得分類(lèi)結(jié)果連通性較差,其中包含大量的細(xì)小區(qū)域,而基于區(qū)域的兩種方法所得分類(lèi)結(jié)果的連通性較好,各類(lèi)地物的分類(lèi)結(jié)果呈明顯的區(qū)域分布特征。這主要是由于SAR圖像中包含了大量相干斑噪聲,使得同類(lèi)地物的部分像素的值明顯偏離了其他大部分像素的值,因此,逐個(gè)像素進(jìn)行分類(lèi)的基于像素的分類(lèi)方法容易對(duì)這小部分像素產(chǎn)生錯(cuò)分。相比之下,基于區(qū)域的分類(lèi)方法由于以圖像區(qū)域作為基本分類(lèi)單元,利用區(qū)域的整體特征進(jìn)行分類(lèi),從而在一定程度上抑制了相干斑噪聲給地物分類(lèi)結(jié)果帶來(lái)的影響。

圖2 基于像素的ML方法、基于像素的SVM方法、基于區(qū)域的MD方法及本文方法的SAR圖像分類(lèi)結(jié)果Fig.2 Classification results obtained by pixel-based ML and SVM methods and region-based MD and proposed methods

此外,為定量評(píng)估各方法的地物分類(lèi)結(jié)果,表1給出了各方法分類(lèi)結(jié)果的混淆矩陣、總體精度(overall accuracy,OA)和Kappa系數(shù)[20-21]?；煜仃嚱o出了各類(lèi)地物被正確分類(lèi)和錯(cuò)誤分類(lèi)的比例。OA和Kappa系數(shù)則從整體上評(píng)價(jià)分類(lèi)結(jié)果,其值越大,表明相應(yīng)的分類(lèi)結(jié)果越好。

表1 基于像素的ML、SVM方法和基于區(qū)域的MD及本文方法所得分類(lèi)混淆矩陣、總體精度和Kappa系數(shù)

結(jié)合圖2和表1的結(jié)果可見(jiàn),4種方法所得分類(lèi)結(jié)果的區(qū)別主要在于對(duì)起伏較大樹(shù)林區(qū)域尤其是居民區(qū)的分類(lèi)上。對(duì)于起伏變化小的農(nóng)田和河流,4種方法的分類(lèi)結(jié)果均較好,分類(lèi)精度大于89%(除了SVM對(duì)農(nóng)田的分類(lèi)精度為82.65%外),而基于區(qū)域的兩種方法所得分類(lèi)精度略高于基于像素的兩種方法。但對(duì)于起伏較大的樹(shù)林和居民區(qū)的分類(lèi),基于像素的兩種方法和基于區(qū)域的MD方法的分類(lèi)結(jié)果均較差,而本文方法分類(lèi)結(jié)果較好?；谙袼氐腗L和SVM方法將大部分居民區(qū)像素的類(lèi)別劃分到其他3類(lèi)地物中,使得相應(yīng)的OA和Kappa系數(shù)值均較低,OA僅分別為69.95%和68.92%,Kappa系數(shù)僅分別為0.552 8和0.540 0。該結(jié)果表明基于像素的方法難以對(duì)起伏變化明顯的地物進(jìn)行有效分類(lèi)。另外,基于區(qū)域的MD方法所得結(jié)果較嚴(yán)重地混淆了樹(shù)林和居民區(qū)的類(lèi)別,即36.61%的樹(shù)林像素被錯(cuò)分為居民區(qū),45.49%的居民區(qū)像素則被錯(cuò)分為樹(shù)林。相比之下,本文方法的錯(cuò)分比例相對(duì)較低,最明顯的是20.24%的樹(shù)林像素被錯(cuò)分為居民區(qū)。分析可知,基于區(qū)域的MD方法所利用的區(qū)域信息僅為區(qū)域均值,而本文方法則利用了區(qū)域的PDF,能夠更全面地反映區(qū)域整體的統(tǒng)計(jì)特性,從而更利于區(qū)分不同地物類(lèi)別。此外,從總體分類(lèi)上看,本文方法的OA為91.20%、Kappa系數(shù)為0.868 2,明顯高于其他3種方法相應(yīng)的值,從而驗(yàn)證了本文基于區(qū)域Bhattacharyya相似度的分類(lèi)方法的有效性和優(yōu)良性能。

4 結(jié) 論

本文研究了SAR圖像地物分類(lèi)問(wèn)題,針對(duì)傳統(tǒng)基于像素的分類(lèi)方法難以對(duì)起伏變化明顯的地物進(jìn)行有效分類(lèi)的問(wèn)題,提出了一種基于區(qū)域Bhattacharyya相似度的SAR圖像分類(lèi)方法。該方法以圖像區(qū)域?yàn)榛痉诸?lèi)單元,基于最大Bhattacharyya相似度準(zhǔn)則實(shí)現(xiàn)SAR圖像地物分類(lèi)。實(shí)驗(yàn)結(jié)果表明,本文方法能夠較好地對(duì)起伏變化大的地物進(jìn)行分類(lèi),其性能優(yōu)于經(jīng)典的基于像素的ML、SVM方法以及基于區(qū)域的最小距離法。

[1] Zhang S, He F, Zhang Y, et al. Geometric active contour based approach for segmentation of high-resolution spaceborne SAR images[J].JournalofSystemsEngineeringandElectronics, 2015, 26(1): 69-76.

[2] Ding J, Liu H W, Wang Y H. SAR image target recognition based on non-negative sparse representation[J].JournalofElectronics&InformationTechnology, 2014, 36(9): 2194-2200. (丁軍, 劉宏偉, 王英華. 基于非負(fù)稀疏表示的SAR圖像目標(biāo)識(shí)別方法[J]. 電子與信息學(xué)報(bào), 2014, 36(9): 2194-2200.)

[3] Deng B, Qin Y, Wang H, et al. Angular extent effect of micromotion target in SAR image by polar format algorithm[J].JournalofSystemsEngineeringandElectronics, 2014, 25(3): 428-433.

[4] Oliver C, Quegan S.Understandingsyntheticapertureradarimages[M].MA: Artech House, 1998.

[5] Tison C, Nicolas J M, Tupin F, et al. A new statistical model for Markovian classification of urban areas in high-resolution SAR images[J].IEEETrans.onGeoscienceandRemoteSensing, 2004, 42(10): 2046-2057.

[6] Silva W B, Freitas C C, Sant’Anna S J S, et al. Classification of segments in PolSAR imagery by minimum stochastic distances between Wishart distributions[J].IEEEJournalSelectedTopicsApplicationEarthObservationRemoteSensing, 2013, 6(3): 1263-1273.

[7] Fukuda S, Katagiri R,Hirosawa H. Unsupervised approach for polarimetric SAR image classification using support vector machines[C]∥Proc.oftheIEEEInternationalGeoscienceandRemoteSensingSymposium, 2002: 2599-2601.

[8] Tzeng Y C, Chen K S. A fuzzy neural network to SAR image classification[J].IEEETrans.onGeoscienceandRemoteSensing, 1998, 36(1): 301-307.

[9] Lu D, Weng Q. A survey of image classification methods and techniques for improving classification performance[J].InternationalJournalRemoteSensing, 2007, 28(5): 823-870.

[10] Myint S W, Gober P, Brazel A S, et al. Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery[J].RemoteSensingEnvironment, 2011, 115 (51): 1145-1161.

[11] Sun J X.Modernpatternrecognition[M]. 2nd ed. Beijing: High Education Press, 2008: 132-136, 276-282.(孫即祥. 現(xiàn)代模式識(shí)別[M]. 第二版. 北京: 高等教育出版社, 2008: 132-136, 276-282.)

[12] Fran?ois G, Philippe R, Guillaume D. Bhattacharyya distance as a contrast parameter for statistical processing of noisy optical images[J].JournaloftheOpticalSocietyofAmericaaOpticsImageScience&Vision, 2004, 21(7):1231-1240.

[13] Brandl S, Muller K R, Samek W. Robust common spatial patterns based on Bhattacharyya distance and Gamma divergence[C]∥Proc.ofthe3rdIEEEInternationalWinterConferenceonBrain-ComputerInterface, 2015: 1-4.

[14] Nicolas J M. Introduction to second kind statistic: application of log-moments and log-cumulants to SAR image law analysis[J].TraitementduSignal, 2002, 19(3): 139-167.

[15] Liu X G, Chen Q, Chen Q H, et al. Integrated multi-feature segmentation method for high resolution polarimetric SAR images[J].SystemsEngineeringandElectronics, 2015, 37(3), 553-559.(劉修國(guó), 陳奇, 陳啟浩, 等. 綜合多特征的高分辨率極化SAR圖像分割[J]. 系統(tǒng)工程與電子技術(shù)[J]. 2015, 37(3), 553-559.)

[16] Xu H X, Wen X B, Zhang J G. SAR image segmentation based on multi-scale Bayesian network[J].SystemsEngineeringandElectronics, 2014, 36(6): 1075-1080. (徐海霞, 溫顯斌, 張建光. 基于多尺度貝葉斯網(wǎng)絡(luò)的SAR圖像分割[J]. 系統(tǒng)工程與電子技術(shù), 2014, 36(6): 1075-1080.)

[17] Qin X X, Zhou S L, Zou H X. SAR image segmentation via hierarchical region merging and edge evolving with generalized Gamma distribution[J].IEEEGeoscienceandRemoteSensingLetters, 2014, 11(10): 1742-1746.

[18] Abramowitz M, Stegun L A.Handbookofmathematicalfunctions[M]. New York: Dover, 1972: 255.

[19] Chang C C, Lin C J. LIBSVM-a library for support vector machines[OL].http:∥www.csie.ntu.edu.tw/～cjlin/libsvm/libsvm-3.20.zip. 2014.

[20] Luo X B, Zhao C H, Pan J P, et al.Remotesensingimageintelligentclassificationanditsapplication[M]. Beijing: Publishing House of Electronics Industry, 2011: 58-63.( 羅小波,趙春暉, 潘建平, 等. 遙感圖像智能分類(lèi)及其應(yīng)用[M].北京:電子工業(yè)出版社,2011: 58-63.)

[21] Doulgeris A P, Anfinsen S N, Eltoft T. Classification with a non-Gaussian model for PolSAR data[J].IEEETrans.onGeoscienceandRemoteSensing, 2008, 46(10): 2999-3009.

Terrain classification of SAR images based on Bhattacharyya similarity between regions

ZOU Huan-xin1, QIN Xian-xiang2, ZHOU Shi-lin1, KANG Hong-yan1, JI Ke-feng1

(1.CollegeofElectronicScienceandEngineering,NationalUniversityofDefenseTechnology,Changsha410073,China;2.InformationandNavigationCollege,AirForceEngineeringUniversity,Xi’an710077,China)

Terrains with large variance are difficult to be discriminated by the traditional pixel-based classification methods for synthetic aperture radar (SAR) images. Aiming at solving this problem, an algorithm for terrain classification of SAR images based on the Bhattacharyya similarity between regions is proposed. Firstly, a proper image segmentation technology is applied to obtain homogeneous regions of the SAR image. Then, the Bhattacharyya similarity measuring the statistical proximity between regions is defined, of which the analytical expression referring to the Gamma distribution is derived. Finally, with the previous image regions as classification elements, terrain classification is implemented by a criterion of maximizing the Bhattacharyya similarity between regions. The experimental results on the real SAR image validates the superiority of the proposed algorithm to the pixel-based maximum likelihood classification method, support vector machine classifier and the region-based method of minimizing the distance between regions.

synthetic aperture radar (SAR); terrain classification; Bhattacharyya similarity; Gamma distribution

2015-07-17;

2016-04-25;網(wǎng)絡(luò)優(yōu)先出版日期:2016-08-22。

國(guó)家自然科學(xué)基金(61331015, 61372163)資助課題

TN 957.52

A

10.3969/j.issn.1001-506X.2016.12.11

鄒煥新(1973-),男,副教授,碩士研究生導(dǎo)師,博士,主要研究方向?yàn)镾AR圖像解譯、多源信息融合。

E-mail:hxzou2008@163.com

秦先祥(1986-),男,博士,主要研究方向?yàn)镾AR圖像處理與應(yīng)用。

E-mail:qxxzhijia@126.com

周石琳(1965-),男,教授,博士研究生導(dǎo)師,主要研究方向?yàn)閿z影測(cè)量與遙感、計(jì)算機(jī)視覺(jué)、圖形圖像處理與可視化。

E-mail:slzhou@nudt.edu.cn

康紅宴(1982-),男,碩士,主要研究方向?yàn)镾AR圖像處理。

E-mail：nudtdd@aliyun.com

計(jì)科峰(1974-),男,副教授,碩士研究生導(dǎo)師,博士,主要研究方向?yàn)镾AR圖像解譯。

E-mail：jikefeng@nudt.edu.cn

網(wǎng)絡(luò)優(yōu)先出版地址:http:∥www.cnki.net/kcms/detail/11.2422.TN.20160822.1003.002.html