趙泉華，郭世波，李曉麗，李 玉

遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院遙感科學(xué)與應(yīng)用研究所，遼寧 阜新 123000

海冰占據(jù)了全球海洋總面積的5%～8%(文獻[1])，是全球氣候系統(tǒng)的重要因子，對全球熱平衡、大氣環(huán)流、海洋水循環(huán)和溫鹽平衡起到至關(guān)重要的作用[2-3]，并作為一種全球性海洋災(zāi)害，特別是冬季高緯地區(qū)，嚴重威脅人類的海洋活動，因此海冰監(jiān)測顯得尤為迫切。海冰類型作為海冰重要參數(shù)之一，是獲取海冰覆蓋范圍、密集度、冰緣線等其他海冰信息的重要依據(jù)，也是海冰監(jiān)測的重要內(nèi)容[4]。為此，準確高效地實現(xiàn)海冰分類，具有重要的科學(xué)價值和現(xiàn)實應(yīng)用意義。

合成孔徑雷達技術(shù)(synthetic aperture radar,SAR)作為主動微波遙感傳感器，具有全天時、全天候、不受云霧及日光影響等優(yōu)點。因而，在過去數(shù)十年里SAR技術(shù)被越來越多地用于海冰監(jiān)測[5]。傳統(tǒng)方法通常是依據(jù)單極化SAR數(shù)據(jù)的強度(比)、后向散射系數(shù)、紋理等特征[6]。由于不同類型海冰的后向散射系數(shù)相近，在某些成像條件下甚至難以區(qū)分。因此，單純利用后向散射系數(shù)難以實現(xiàn)海冰的準確分類[7-8]。近年來利用灰度共生矩陣或馬爾科夫隨機場建立的紋理特征模型在單極化SAR海冰分類中取得了較好的結(jié)果[9-10]。雖然，這些方法考慮了空間鄰域關(guān)系，但是紋理特征在不同尺度以及復(fù)雜海冰分布場景中的表現(xiàn)不穩(wěn)定，因此其辨識海冰的作用并不顯著。近些年發(fā)展起來的全極化SAR技術(shù)(簡稱極化SAR)相對于一般單極化SAR而言，包含更多的極化測度，能夠獲取更加全面的海冰散射信息。為此，基于極化SAR數(shù)據(jù)的海冰分類具有極大的研究價值和廣闊的應(yīng)用前景。

常用的極化SAR海冰分類方法可以分為兩種。一種是基于統(tǒng)計分布的分類方法[8]。該類方法利用極化SAR數(shù)據(jù)服從的Wishart分布[11-12]、K分布[13]及G0分布[14]等統(tǒng)計規(guī)律，在貝葉斯分類準則下獲得對不同類型海冰的統(tǒng)計參數(shù)估計，從而實現(xiàn)海冰分類[14-15]。但是這種方法存在統(tǒng)計模型構(gòu)建復(fù)雜，且分類效率低等不足。另一種是基于特征的分類方法。該類方法包括特征提取和特征選擇，并結(jié)合人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)、支持向量機等機器學(xué)習(xí)的分類方法。這種方法處理流程簡單，采用的分類方法屬于非參數(shù)分類器，無需獲得先驗知識，分類效率較高。該類方法的關(guān)鍵在于有效選取特征。目前，常見的特征是H/α/A分解[16-17]特征，它是由相干矩陣特征分解獲得反映目標的極化特征參數(shù)極化熵H，極化散射角α，各向異性A，根據(jù)數(shù)據(jù)在上述三維參數(shù)平面上的分布，進而獲得不同類型海冰的更為深層次的散射機制信息。文獻[18]利用H/α分解、Freeman分解及極化基變換特征，通過二叉樹分類器，對C波段Radarsat-2 SAR海冰數(shù)據(jù)實現(xiàn)了5類冰水的識別。文獻[19]通過提取雙、全極化的不同極化特征(包括H/α/A分解)，研究其在L、S和X波段的海冰分類性能，并且利用互信息衡量提取特征間的相關(guān)性，最后依據(jù)ANN實現(xiàn)對4類冰水的分類。文獻[20]首次將基于模型的目標分解應(yīng)用于海冰，對改進Freeman分解分析，對散射機制、同極化比、圓極化相關(guān)系數(shù)與海冰類型間的關(guān)系進行了有益探索，并對C波段全極化海冰數(shù)據(jù)采用基于統(tǒng)計距離的自動分割算法實現(xiàn)海冰分類[21-22]。雖然上述研究一定程度上利用了SAR的極化信息，并探究特征間的相關(guān)性，但這些嘗試仍然存在選取的特征對海冰辨識性不高，并且對極化目標分解中最具優(yōu)勢的基于散射模型的目標分解缺乏深入探究。為此，本文將在目標分解理論基礎(chǔ)上構(gòu)建有意義的特征空間進行研究。

本文探究了L波段全極化SAR數(shù)據(jù)在海冰分類上的應(yīng)用潛力。首先，經(jīng)過多視化及濾波等極化處理獲得相干矩陣；然后，對相干矩陣進行目標分解，提取對應(yīng)分解特征參數(shù)，構(gòu)建特征空間，考慮到不同極化分解特征在分類過程中起到不同的作用，對特征相關(guān)性分析后進行降維；最后，將其輸入BP神經(jīng)網(wǎng)絡(luò)分類器中，得到海冰分類結(jié)果，并進行精度評價。此外，本文著重對基于模型的目標分解特征在海冰分類上的區(qū)分能力進行了深入討論，并得出相關(guān)結(jié)論。

1 算法描述

1.1 極化相干矩陣

(1)

(2)

作為分布式目標，海冰具有隨時間或空間變化而不穩(wěn)定的特點[14]。為了描述此類目標，在假設(shè)其滿足平穩(wěn)性、各向同性及各態(tài)歷經(jīng)性等條件下，可以用目標散射矢量k的二階矩表達，即極化復(fù)相干矩陣集T={Ti:i=1,2,…,M}，其中

(3)

式中，*表示共軛操作；〈·〉表示多視處理。多視處理后的極化相干矩陣集T0={T0m:m=1,2,…,M/N}，其中

(4)

式中，N為視數(shù)；m表示多視處理后影像中像素索引；方位向分辨率變?yōu)樵瓉?/N；距離向分辨率不變。為了消除SAR系統(tǒng)固有的相干斑噪聲影響，采用窗口大小為7×7的Refined Lee濾波[23]，得到濾波后極化相干矩陣集T1={T1m:m=1,2,…,M/N}，其中

(5)

1.2 極化特征矢量

1.2.1 特征矢量提取

海冰的散射機制一般為表面散射與體散射，海冰隨發(fā)育年齡、冰厚、SAR系統(tǒng)波長及入射角不同，其散射機理不同[24-25]?；谶@個考慮，本文主要提取極化目標分解參數(shù)作為特征矢量。極化目標分解將極化矩陣轉(zhuǎn)換為具有物理散射意義的參數(shù)組合，是進行后續(xù)分類處理等操作的重要預(yù)步驟，一般分為基于模型和基于特征值兩類目標分解。為了避免單一目標分解在刻畫地物散射機理上的局限性，本文經(jīng)過分析選取了3種不同分解：An分解[26]、Bhattacharya & Frery(B&F)四分量分解[27]、H/α/A分解[16]。

表1 特征參數(shù)

續(xù)表1

1.2.2 特征降維

本文所提取的極化特征存在著一些意義一致的特征，為了篩選出最好的特征，有必要對高相關(guān)的特征進行特征降維。本文采用衡量線性相關(guān)的簡單相關(guān)系數(shù)r作為特征相關(guān)性的度量指標

(6)

式中，cov(fu,fv)=E[(fu-E(fu))(fv-E(fv))T]；var(fu)=[(fu-E(fu))(fu-E(fu))T]；r(fu,fv)表示第fu和fv維特征矢量間的相關(guān)系數(shù)；cov表示特征矢量fu、fv間的協(xié)方差；var表示各特征矢量的方差；E(·)為均值運算符。

根據(jù)相關(guān)系數(shù)分布情況，選取|r|≧0.75作為高相關(guān)特征組的判定條件，對高相關(guān)特征組進行特征降維。采用主成分分析(principal component analysis,PCA)[29]進行降維：首先，將各維特征歸一化，計算各維數(shù)據(jù)的均值；其次，計算各維特征間的協(xié)方差矩陣并對其進行特征分解；再次，將特征向量按對應(yīng)特征值從大到小排列，取前三列組成矩陣；最后，可得到降維至三維后的數(shù)據(jù)，即前三主成分，此時保留信息量最多。對于低相關(guān)特征則保留不做降維處理。

圖1為特征空間中各特征矢量的相關(guān)系數(shù)圖?？梢钥闯觯卣骺臻g呈現(xiàn)分塊特征，許多特征之間存在較大的相關(guān)性，特別是f1—f9維特征即T11、oddB&F、oddAn、SE、span_db、T22、T33、volAn和volB&F間相關(guān)性較大，其中f1—f3、f4和f5、f7和f8相關(guān)性均高于0.9，這和各特征具有相似的物理意義相吻合。此外f10—f12維特征，f13和f14維特征間相關(guān)性也比較明顯，f15維特征即各向異性特征與其他特征間的相關(guān)性均比較低，所以應(yīng)該對前9維特征進行PCA降維操作。

圖1 特征相關(guān)系數(shù)Fig.1 Feature’s correlation coefficient

1.3 BP神經(jīng)網(wǎng)絡(luò)分類

BP神經(jīng)網(wǎng)絡(luò)分類器[30]是一種非參數(shù)的監(jiān)督分類器，由于單隱含層神經(jīng)網(wǎng)絡(luò)可以滿足絕大多數(shù)遙感應(yīng)用，因此本文采用單隱含層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。首先，設(shè)置迭代次數(shù)n及正則化系數(shù)λ，并隨機初始化權(quán)重向量Θ(l)

Θ(l)=2U(sl+1,sl+1)εinit-εinit

(7)

之后執(zhí)行一次前向傳播過程，通過sigmoid激活函數(shù)獲得每層神經(jīng)元的輸出結(jié)果hθ(x(i))，并計算本次傳播的損失函數(shù)J(θ)

(8)

1.4 算法流程

綜上所述，本文算法流程為(圖2)：

(1) 對全極化數(shù)據(jù)進行多視處理生成相干矩陣T0；為抑制相干斑影響，對T0進行Refined Lee濾波T1。

(2) 對極化相干矩陣T1進行極化目標分解，提取分解特征參數(shù)，構(gòu)建特征空間。

(3) 對特征參數(shù)相關(guān)性分析，計算15維特征參數(shù)間的相關(guān)系數(shù)，判定其相關(guān)性；對高相關(guān)特征PCA降維。

(4) 設(shè)計BP神經(jīng)網(wǎng)絡(luò)分類器，將特征矢量作為輸入層，實現(xiàn)海冰分類。

(5) 精度評價。

圖2 算法流程圖Fig.2 Flowchart of the algorithm

2 試驗與討論

2.1 研究區(qū)域

本文以格陵蘭海中部為研究區(qū)域(圖3中紅色矩形)，研究區(qū)域中心地理坐標為05°34′04.8″W，77°21′03.6″N，西距格陵蘭島171 n mile(1 n mile=1.852 km)，東北距離斯瓦爾巴特群島首府朗伊爾城273 n mile，處于海冰-海水的過渡地帶。格陵蘭海屬亞極地氣候，全年盛行北風(fēng)和東北風(fēng)；每年10月至翌年8月為冰期。冬季大部分海面封凍，夏季冰層融化，并且浮冰隨西岸的東格陵蘭寒流漂流南下，造成航運困難。作為近北極地區(qū)高緯海域，是地球變暖的前線，其海冰變化對大西洋乃至全球氣候變化有著重要意義。

2.2 試驗數(shù)據(jù)

本文采用的試驗數(shù)據(jù)為日本ALOS-1衛(wèi)星Level 1.1級產(chǎn)品(SLC產(chǎn)品)，L波段，包括4個極化方式(HH、HV、VH和VV)，成像時間為2010年11月16日，幅寬65×30 km，中心入射角為23°53′52.8″，距離向分辨率為23.1 m，方位向分辨率為3.6 m。對SLC數(shù)據(jù)進行多視、Refined Lee濾波等處理，由于實際交叉極化測量值(VH和HV)并不相同，在假設(shè)滿足互易定理條件下，單站交叉極化值采用實際測量值的平均值。如圖4所示，其中圖4(a)—(d)分別為HH、HV、VH和VV極化方式的多視SAR強度影像。

為了對研究區(qū)域冰情進行驗證，采用俄羅斯Arctic and Antarctic Research Institute(AARI)發(fā)布的冰況圖為參考數(shù)據(jù)(圖5(a))。由圖5(a)及專家解譯(圖5(b))可知，研究區(qū)域內(nèi)主要存在開放水域(包括冰間水道)、初期冰(厚度0～30 cm)、一年冰(厚度30～200 cm)3個冰水類型(如圖5(b)所示)。

2.3 試驗結(jié)果與討論

采用本文算法及對比算法對研究區(qū)域進行分類試驗，通過以冰況圖為標準對分類結(jié)果進行分析以驗證本文算法有效性。其中，對比算法分別為基于幾何擾動濾波的最大似然分類法(geometry perturbation filter,GPF)[31]、基于Wishart距離的最大似然分類法以及基于徑向基函數(shù)(radial basis function,RBF)的支持向量機(support vector machine,SVM)分類法。

圖6為本文算法及對比算法分類結(jié)果。其中，圖6(a)為3類冰水的訓(xùn)練樣本，黃色表示一年冰，藍色表示開放水域，天藍色表示初期冰，3類訓(xùn)練樣本點共計10.2萬個，單一類別樣本大約3.4萬；圖6(b)—(e)分別為GPF、Wishart和SVM 3種對比算法及本文算法的分類結(jié)果。

以冰況圖為標準，對分類結(jié)果進行視覺分析可以直觀地看出，4種方法對于藍色的開放水域分類較好，而對于初期冰和一年冰分類效果存在差異，其中使用GPF分類結(jié)果明顯較差于后3種分類方法；本文算法、Wishart及SVM法整體分類效果相近，局部區(qū)域有誤分現(xiàn)象，Wishart分類和SVM分類差異主要表現(xiàn)在周圍均為一年冰中分布少量初期冰情況，如圖6(c)、6(d)和6(e)中紅色橢圓框區(qū)域?qū)儆谝荒瓯秶?，但Wishart分類中出現(xiàn)較多初期冰，而在SVM及本文算法中較少，本文算法與SVM分類結(jié)果基本吻合。

由于海冰分布的復(fù)雜性，及其易受氣候影響的特點，全局的驗證數(shù)據(jù)獲取難度較大、精度較差。因此對整幅圖驗證比較困難，且存在較大誤差。為了更好地評價分類精度，同時針對BP網(wǎng)絡(luò)訓(xùn)練中存在的過擬合問題，本文采用部分樣本簡單交叉驗證方法。方法步驟如下：①從選取的訓(xùn)練數(shù)據(jù)(見圖6(a))中隨機選擇一定比例的樣本作為訓(xùn)練集，剩余的作為測試集；②對訓(xùn)練集進行訓(xùn)練，得到訓(xùn)練模型及相應(yīng)訓(xùn)練精度；③將測試集代入訓(xùn)練模型，得到測試集的標簽，求出分類正確率；④選擇具有最大分類率的模型。樣本驗證數(shù)據(jù)采用AARI發(fā)布的當(dāng)天左右冰況圖，依據(jù)其基本冰型分布，再通過選取各類同質(zhì)樣本得到；精度評價指標采用衡量各類冰型的總精度(overall accuracy,OA)以及衡量分類器總體分類性能的Kappa值。

各算法對各類型海冰的整體分類精度如表2所示，其中，總體精度(OA)表示樣本正確分類個數(shù)與樣本總個數(shù)之比，Kappa系數(shù)是分類器性能的一種常用度量，Kappa系數(shù)越接近于1，分類性能越優(yōu)良。由表2可知，各算法對針對各個時期的冰型分類效果不同。從各個冰型的分類精度來看，4種方法對開放水域的分類精度較高，均達到90%以上，其中最低的為GPF達到91.8%，分類精度最高為SVM，達到98.49%，本文算法也達到97.72%的精度；各類算法對初期冰和一年冰分類精度存在較大差異，GPF對初期冰和一年冰的分類相近，均接近70%，在4種算法中精度最低；本文算法對初期冰分類精度最高，達到97.05%；對一年冰分類精度稍低于SVM算法；Wishart方法對初期冰識別能力較強，達到96.69%，但對一年冰分類精度則低些，為85.96%；SVM對初期冰和一年冰的分類精度較高，在93%左右；本文算法在初期冰分類上比SVM高出5個百分點，一年冰精度與SVM相近。從4種算法的總體精度和Kappa指標來說，本文算法分類精度最高，SVM次之，Wishart再之，GPF法最低，在總體精度及Kappa系數(shù)上均不如其他3種方法，不適合海冰分類。

表2本文算法與對比算法分類精度比較

Tab.2Accuracycomparebetweentheproposedandotheralgorithms

冰型GPFWishartSVM本文開放水91.8%98.4%98.49%97.72%初期冰68.23%96.69%92.85%97.05%一年冰69.66%85.96%93.99%92.91%OA75.16%93.85%94.46%95.72%Kappa0.6240.90330.91380.9346

2.4 極化特征分析

為了具體考察單一特征對開放水域、初期冰及一年冰的區(qū)分能力，對各極化特征進行分析和討論。極化分解特征可分為兩種類型：一種是基于模型的目標分解特征，包括各分量具有物理散射含義的相干Pauli分解；另一種是基于相干矩陣特征值的H/α/A分解相關(guān)特征。通過分析3類冰水在兩類極化特征中的表現(xiàn)，評價其對極化SAR海冰分類能力。

2.4.1 基于模型的目標分解

為了分析各目標分解特征對上述3類冰水的區(qū)分能力，現(xiàn)從這3類冰水在各特征圖像的空間統(tǒng)計特征角度來分析。

圖7是Pauli分解的3個分量關(guān)于3類冰水的概率密度函數(shù)(probability density function,PDF)曲線圖?？梢钥闯霰砻嫔⑸浞至亢腕w散射分量的PDF重疊度較二次散射低，對3類冰水的區(qū)分度較好；圖8和圖9分別是An分解和B&F分解分量關(guān)于3類冰水的概率密度函數(shù)曲線圖；與Pauli分解結(jié)果類似，但二次散射分量的PDF重疊度更高，不適合海水分類；其中B&F分解的體散射分量范圍更廣，產(chǎn)生了兩個波峰。從圖7、8、9可以看出，海水功率在3種散射中均最低，初期冰最高，一年冰處于兩者之間；表面散射分量中海水功率較初期冰和一年冰的差別更大，體散射分量差別次之，二次散射分量差別最小，可以說明表面散射分量對于區(qū)分這3種冰水更為明顯。

圖10和圖11分別為散射總功率span_db圖像以及3類冰水的PDF圖。散射總功率是4種極化方式強度之和，能夠刻畫比單一極化強度更全面的散射信號?？梢钥闯?，相較于上述分解特征，總功率特征對區(qū)分3類冰更為明顯：初期冰散射功率值最高，一年冰次之，開放水域最低。

圖3 試驗區(qū)位Fig.3 Study area

圖4 全極化圖像Fig.4 Full-pol images

圖5 參考數(shù)據(jù)Fig.5 Referenced data

圖6 分類結(jié)果Fig.6 Classification result

圖7 Pauli分解分量的PDFFig.7 PDF of Pauli decomposition’s components

2.4.2 基于特征值的H/α/A分解

根據(jù)H/α/A分解理論，在特征H與α組成的二維平面中，大部分散射機制可被分為8類，對其成圖分析可以獲得海冰的散射類型分布信息。圖12分別是特征H與α、A與α、H與A二維成圖結(jié)果，其中紅色表示初期冰，藍色表示海水，綠色表示一年冰?？梢钥闯?，藍色和綠色區(qū)分較好，但紅色被綠色完全遮擋，說明冰水區(qū)別明顯，但初期冰與一年冰基本無法區(qū)分，因而對于H/α/A分解3個特征較上述分解對冰水區(qū)分不是很明顯。

圖13(a)—(c)分別為極化散射角α、極化熵H及各向異性A的海冰圖像。α的分布范圍在0°～60°之間，整體偏向藍色，角度較小，趨向于表面散射，海水區(qū)域α角相對較大，海冰區(qū)域因其表面光滑而α較低；H圖像中海水區(qū)域呈現(xiàn)紅色，說明去極化程度的極化熵較高，海冰區(qū)域為藍綠色，極化熵較低；A反映次級散射機制間的相對大小關(guān)系。由圖觀察可知，冰水區(qū)別較小，其中海水區(qū)域各向異性相對較大，海冰區(qū)則較小。

圖14(a)—(c)分別為極化特征香農(nóng)熵SE，其極化分量SEp，以及3類冰水在SE-SEp平面內(nèi)數(shù)據(jù)分布圖?？梢钥闯鲈赟E圖像中海水的SE較低，初期冰最高，一年冰處于兩者之間，區(qū)分較為明顯；在SEp圖像中，海水區(qū)域比海冰區(qū)的SEp值高，兩類冰僅依靠SEp無法區(qū)分，反而海水因風(fēng)速，粗糙性差異明顯；將其二維成圖可以看出，一年冰作為連接初期冰和海水的中間部分，雖有重疊，但整體區(qū)分性較好，適合于冰水的分類。

圖8 An分解分量的PDFFig.8 PDF of An decomposition’s components

圖9 B&F分解分量的PDFFig.9 PDF of B&F decomposition’s components

圖10 span_dbFig.10 span_db

圖11 span_db的PDFFig.11 PDF of span_db

圖12 H/α/A平面圖Fig.12 H/α/A plane plot

圖13 H/α/A分解Fig.13 H/α/A decomposition

圖14 香農(nóng)熵特征Fig.14 Shannon Entropy feature

2.5 降維分析

本文采用PCA作為高相關(guān)特征的降維方法，具有操作簡單，易于理解等特點。為了與其他降維方法的降維效果進行對比，現(xiàn)增加局部線性嵌入[32](locally linear embedding, LLE)進行對比分析。

LLE 假定在局部鄰域內(nèi)數(shù)據(jù)點是線性的，由重構(gòu)成本函數(shù)最小化求出最優(yōu)權(quán)值。LLE算法可以歸結(jié)為3步：首先，尋找每個樣本點的k個局部鄰域點；接著，由每個樣本點的近鄰點計算出該樣本點的局部重建權(quán)值矩陣；最后，由該樣本點的局部重建權(quán)值矩陣和其近鄰點計算出該樣本點的輸出值。

表3為采用PCA、LLE對15維及前9維特征降維運行時間以及降維后主分量特征的分類精度對比，LLE參數(shù)設(shè)置：從訓(xùn)練樣本中隨機選取10 000個特征點，經(jīng)多次試驗，取局部鄰域參數(shù)k=12，降維至3維。

表3不同降維方法的算法性能比較

Tab.3Comparisonwithvariousdimensionalityreductionalgorithmperformance

操作PCALLEf1,f2,…,f15f1,f2,…,f9f1,f2,…,f15f1,f2,…,f9運行時間/s0.170.104130分類精度/(%)95.9595.4579.4581.19

由表3可以看出，PCA處理算法效率比LLE高，特別是在運行時間上存在明顯差異，通過衡量兩種不同原理的降維方法的運行性能，本文所構(gòu)建的特征空間比較適合于基于線性相關(guān)的PCA降維，比復(fù)雜的非線性降維更優(yōu)越；局部線性嵌入作為經(jīng)典的非線性降維方法，盡管能夠反映數(shù)據(jù)的非線性關(guān)系并保持高維數(shù)據(jù)的內(nèi)在流形結(jié)構(gòu)，但是其計算原理復(fù)雜，用于分類效率低，且存在參數(shù)調(diào)優(yōu)，因而在實際操作時不如PCA有效。

此外，為了判斷降維特征對算法效率的影響，將其進行處理大尺度SAR圖像(4608×1248)的運行時間對比。本文算法采用MATLAB編程實現(xiàn)，并在Intel(R) Xeon(R) CPU E5-2609 v2 @ 2.50 GHz 8 G計算機上運行，運行時間如表4所示。

表4PCA降維對算法效率的影響

Tab.4Influenceoffeaturedimensionalityreductiontoalgorithm’sefficiency

特征f1,f2,…,f15PCA15f1,f2,…,f9PCA9f1,f4,f6,f7,f9,f10,f13,f15PCA8運行時間/s241018111611測試精度/(%)92.7486.4091.9087.4892.4086.19

通過對各個極化分解特征的具體分析，對其進行不同組合，分別將其作為輸入矢量輸入到分類器中，考察其分類性能。表4是輸入不同特征矢量時，BP神經(jīng)網(wǎng)絡(luò)所具有的不同分類精度：從表5可以看出，不同輸入特征對3類冰水的分類能力差異明顯。對單一目標分解來說，基于散射模型的目標分解其分類效果均在88%以上，適合于分類，其中B&F分解分類能力更好，而基于特征分解的H/α/A分解則分類精度較低，在55%左右，且根據(jù)試驗情況看結(jié)果不夠穩(wěn)定，說明在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練不夠準確，誤分情況嚴重，不適合海冰分類。就單一散射模型看，表面散射特征對3類冰水分類效果的貢獻率在3種散射機制中是最大的，體散射次之，二次散射貢獻率最低。而對于兩個基于特征值的極化特征參數(shù)香農(nóng)熵SE和香農(nóng)熵極化分量SEp則比較適合這3類冰水的區(qū)分。此外，由表3、4及表5可以看出，相對于非線性LLE降維算法效果，利用線性的PCA降維對構(gòu)建的特征空間是直接而有效的，一方面極大地提高了算法運行效率，盡管對分類精度有一定影響，平均下降了6個百分點，但也達到85%以上的分類精度，因而在對精度要求不高、實用情況下，可以采用PCA降維方法。

表5 不同極化特征的總精度

注：訓(xùn)練精度是指分類器對訓(xùn)練數(shù)據(jù)的擬合度，測試精度指利用已訓(xùn)練的分類器對測試數(shù)據(jù)的分類精度；PCA9指對高相關(guān)的前9維特征進行PCA，取前三主成分；PCA8指對挑選的各組相關(guān)性較低的特征進行PCA(f1,f4,f6,f7,f9,f10,f13,f15)；PCA6指對低相關(guān)的后6維特征進行PCA，取前三主成分。

3 結(jié) 論

本文以格陵蘭中部海域為例，采用L波段ALOS PALSAR全極化數(shù)據(jù)，提取極化目標分解特征參數(shù)，構(gòu)建特征空間，并對相關(guān)性大的特征進行PCA降維操作，最后輸入到BP神經(jīng)網(wǎng)絡(luò)分類器中，得到海冰分類結(jié)果。以冰況圖解譯的海冰類型為標準，對本文算法與對比算法的分類結(jié)果進行定性定量分析，可以驗證本文算法的有效性。此外，通過對各特征進行進一步分析，可以得出以下結(jié)論：基于模型的目標分解對冰水分類能力比H/α/A分解更有效，其中B&F分解的分類精度最高；從散射機理來說，表面散射和體散射是海冰的主要散射機制，二次散射所占貢獻較??；散射總功率span_db、香農(nóng)熵SE及其極化分量SEp對于海冰分類識別是個很好的極化參數(shù)；在大尺度海冰分類中，為了提高分類效率，對高維且分類效果較好的特征組應(yīng)當(dāng)考慮其相關(guān)性，在不致引起較大精度損失前提下，可以進行PCA等降維操作。本文還存在著一些不足，如冰型較少，僅單一頻段等，接下來將對更多冰型，特別是多年冰和一年冰的散射機理方面進行深入研究，以及進行多波段極化SAR數(shù)據(jù)海冰分類性能的比較研究。