ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2007, № 4, с. 8-14
МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ ^^^^^^
И ИНТЕРПРЕТАЦИИ КОСМИЧЕСКОЙ ИНФОРМАЦИИ
УДК 528.85
КЛАССИФИКАЦИЯ ПОВЕРХНОСТИ НА ПОЛЯРИМЕТРИЧЕСКИХ РЛИ С ИСПОЛЬЗОВАНИЕМ ТЕКСТУРЫ И РАЗЛОЖЕНИЯ ПО МЕХАНИЗМАМ РАССЕЯНИЯ
© 2007 г. Н. В. Родионова
Институт радиотехники и электроники РАН, Фрязино Московской обл.
E-mail: rnv@ire.rssi.ru Поступила в редакцию 08.06.2006 г.
Исследованы возможности процедур декомпозиции Freeman и Durden и текстурного анализа для классификации типов объектов на поляриметрических радиолокационных изображениях (РЛИ). Показано, что для улучшения распознавания и обеспечения детальной интерпретации объектов обе указанные процедуры должны сопровождаться фильтрацией спекл-шума. Для иллюстрации метода обработки поляриметрических РЛИ использовались материалы съемки территории Московской области радаром SIR-C/X-SAR SLC (Z-диапазон), полученные 9.10.1994 г.
ВВЕДЕНИЕ
Классификация объектов земной поверхности является одним из наиболее важных применений поляриметрических РСА (радиолокатор с синтезом апертуры) данных.
Первые алгоритмы классификации радарных поляриметрических данных основывались на статистических характеристиках этих данных [1-5].
В последующих алгоритмах стала использоваться уникальная возможность, даваемая полностью поляриметрическими данными, а именно - способность разделять механизмы рассеяния различной природы. Для этих целей получены различные методы декомпозиции, т.е. методы разложения по механизмам рассеяния [6]. Классификация объектов по радарным поляриметрическим данным свелась к двум этапам: на первом изображение классифицируется по фундаментальным механизмам рассеяния [7], а на втором, для дальнейшего деления в пределах одного класса рассеяния, используются статистические признаки, полученные из ковариационной матрицы (амплитудная, фазовая, текстурная информация и другие статистики) [8].
В работе [6] дано теоретическое обоснование применения теорем декомпозиции в радарной по-ляриметрии.
Известны три основных класса декомпозиции:
1. Метод Huynen [9], в котором извлекается единственная матрица рассеяния из усредненной матрицы Мюллера. Пример декомпозиции этого класса - декомпозиция Freeman и Durden [10].
2. Второй класс представлен теоремами когерентности. Когерентная матрица рассеяния [SJ разлагается на сумму элементарных матриц. Пример - декомпозиция Krogager^ [11].
3. Третий класс представлен через разложение по собственным векторам ковариационной матрицы или матрицы когерентности. Примеры таких декомпозиций даны в [6].
Следует отметить, что поскольку элементы ковариационной матрицы подвержены влиянию спекл-шумов, то для улучшения классификации на основе декомпозиции необходимо его подавление, что в настоящей работе осуществляется в ходе первого этапа классификации с помощью поляриметрического фильтра Lee [12].
Применение для классификации физических механизмов рассеяния и статистических характеристик было предложено авторами в [13]. Авторы [13] использовали декомпозицию Cloude и Pot-tier [6], а позднее декомпозицию Freeman и Durden [8], для начальной классификации, и затем - классификатор WishartX базирующийся на статистических характеристиках каждого пиксела. Классификатор Wishart^ применялся для пикселов, принадлежащих одному классу рассеяния волн зондируемыми объектами.
Данная схема классификации применима для MLC (multilook complex) данных; причем классификатор Wishart^ использует только амплитудные характеристики ковариационной матрицы для каждого пиксела, т.е. игнорируется пространственная информация, или текстура изображения.
Ряд авторов использовали текстуру для классификации поляриметрических РСА данных, не применяя декомпозицию. Так, в работе [14] описана классификация без предварительного обучения на базе нейронной сети SOM (self - organizing map), где пространство признаков образовано элементами ковариационной матрицы и текстурными признаками, вычисленными через матрицу
вероятности совместного появления уровней яркости GLCP (gray level co-occurrence probabilities) объектов [15]. В работе [16] показано увеличение разделимости классов при использовании текстурного признака "энтропия" для отношения поляризаций УУ/HH. Однако в этих работах не исследованы такие вопросы, как зависимость текстуры, описанной через GLCP, от поляризации и зависимость текстуры от фильтрации спекл-шума.
В статье для классификации поляриметрических РЛИ на первом этапе используется декомпозиция Freeman и Durden. Второй этап заключается в получении текстурных признаков, вычисленных по GLCP, в каждом из классов рассеяния. Исследуется влияние на текстуру поляризации и фильтрации спекл-шума, выясняется вопрос о влиянии использования текстурных признаков на разделимость классов в процессе классификации.
ИСХОДНЫЕ ДАННЫЕ
Исходными являются данные радара SIR-C/X-SAR SLC (single look complex), полученные 1994/10/09 при исследовании района Московской области. Они представляют собой один файл для каждой сцены изображения Z-диапазона. На каждый пиксел отводится 10 байт при четырех каналах поляризации (SHH, Syy, SHy, SyH). В файле изменение по строкам соответствует изменению по азимуту, а каждая строка состоит из отсчетов по дальности. В данном формате (SLC) не вводился масштабный фактор. Распаковка данных и построение по ним изображений осуществлялось на основании описания [17].
ДЕКОМПОЗИЦИЯ FREEMAN И DURDEN
Важной проблемой в анализе РСА-данных является понимание механизмов рассеяния. Авторы работы [10] предложили интересную и полезную трехкомпонентную модель рассеяния для поляриметрических РСА- данных, не требующую использования наземной информации. Три компоненты механизма рассеяния, входящие в модель, таковы: объемное рассеяние от случайно ориентированных диполей (крона деревьев и растительность), брэгговское рассеяние первого порядка от поверхности и механизм рассеяния с двойным переотражением.
В случае объемного рассеяния предполагается, что сигнал отражается от множества случайно ориентированных, очень тонких цилиндрических объектов. Двойное переотражение (четное рассеяние, [7]) моделируется рассеянием от двугранного уголкового отражателя, когда отражающие поверхности могут быть сделаны из различного диэлектрика. Две ключевые особенности этой модели состоят в том, что амплитуды SHH и Syy элементов матрицы рассеяния не равны, и раз-
ность фаз между SHH и Syy членами (т.е. аргумент (ShhS*v) или arg( а)) не должна быть равна ±п. Это необходимо для соответствия наблюдаемому рассеянию от многих природных объектов. Для всех трех компонент рассеяния предполагается, что Shv = Svh и ко- и кросс-поляризованные эхо-сигналы некоррелированы. Предполагая далее, что компоненты с поверхностным, объемным и двойным отражением не коррелируют, получаем следующую систему уравнений [10]:
<1 Shh\2> = Л1 в 2 + fd\а\ 2 + fv,
<|SJi 2> = fs + fd + f v, < ShhS*v> = fs в + fd а + f v /3, (1)
<| ShV 2> = f v /3,
< ShhShv> = < ShvS*v> = 0
где fs, fd и fv - вклад поверхностного рассеяния, двойного переотражения и объемного рассеяния. В системе (1) четыре уравнения для пяти неизвестных. Исключая вклад объемного рассеяния fv, получаем три уравнения для четырех неизвестных
< Shhi 2> = fs\pI 2+fs\а2,
<| Svvl 2> = fs + fd, (2)
< ShhS*v> = fs в + fd а.
Следуя положениям работы [7], определим доминирующий механизм рассеяния по знаку реальной части ShhS*V. Если ^(ShhS*v) положительна, то доминирует поверхностное рассеяние, и величина а = -1. Если ^(ShhS*v) отрицательна, то доминирует механизм рассеяния с двойным переотражением, и фиксируется в = 1. Тогда fs, fd, и а или в можно оценить из (2). Данный подход хорошо работает, когда fs или fd близки к нулю, или когда а или в близки к -1 или к 1.
Вклад каждого механизма рассеяния в выражение для полной мощности (span) P такой [13]:
P = Ps + Pd + Pv = (| Shh\2 + 2| Shvl 2 + |Svv| 2 ),
где
Ps = fs( 1 + IPI2),
Pd = fd( 1 + |а|2), (3)
Pv = 8 fv/3.
Отметим, что P следует поделить на 4 для получения обычного выражения для мощности.
Основным предположением данной модели рассеяния является отражательная симметрии,
65000 60000 55000 50000 45000 40000 35000 30000 25000 20000 15000 10000 5000
двойное переотражение
100 150 200
150 200
Рис. 2. Гистограммы исходных (1) и фильтрованных (2) Ps, Pp и P^-изображений.
что делает результаты неинвариантными относительно вращения и ограничивает применимость данного алгоритма только для горизонтальных и плоских поверхностей. Вследствие этого возможна неправильная интерпретация результатов классификации, особенно в случае искусственных объектов, когда они расположены относительно луча радара так, что эхо-сигнал классифицируется не как рассеяние с двойным переотражением, а в категории объемного рассеяния из-за высокого значения HV отклика [8].
Декомпозиция Freeman и Durden задает три канала в соответствии с тремя механизмами рассеяния PS, PD и PV. На рис. 1 показано разложение Freeman и Durden (PS - голубой цвет, PD - зеленый и PD - красный) до и после фильтрации спекл-шу-ма с помощью поляриметрического фильтра Lee c av = 0.2 (av - уровень шума, величина, равная отношению среднеквадратичного отклонения к среднему значению для однородного участка). Исходными данными служили РЛИ Z-диапазона северо-восточного района г. Москвы, фрагмент топографической карты которого показан на рис. 1 (в). Этот фрагмент включает окрестности поселка и деревни Вешки к северу от МКАД.
Сравнивая RGB-изображения декомпозиции Freeman и Durden с топографической картой, можно сделать следующие выводы:
- разложение Freeman и Durden по механизмам рассеяния дает достоверную и в достаточной мере детализированную первичную классификацию изображения по типам поверхности. На рис. 1 (см. цветную вклейку) четко распознаются строения (малиновый цвет), леса и парки (желто-зеленый цвет), дороги, водоемы (темно-синий и черный цвета), луга, пашни, пустыри (голубой цвет), садовые участки, заболоченные места;
- из сравнения рис. 1а и 16 следует, что фильтрация спекл-шума является необходимым элементом в декомпозиции, а
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.