一种改进的模糊Wishar...极化SAR影像智能聚类算法_朱腾.pdf

测绘通报2023 年第 6 期引文格式:朱腾，高照忠，申晨，等 一种改进的模糊 Wishart-PSO 极化 SAR 影像智能聚类算法J 测绘通报，2023(6):88-92 DOI:10 13474/jcnki 11-2246 2023 00173一种改进的模糊 Wishart-PSO 极化 SAR 影像智能聚类算法朱腾1，2，高照忠1，2，申晨1，黄铁兰1，周惠苑3(1 广东工贸职业技术学院测绘遥感信息学院，广东 广州 510510;2 广东工贸职业技术学院测绘地理信息技术虚拟仿真实训基地，广东 广州 510510;3 广州南方测绘科技股份有限公司，广东 广州 510000)摘要:针对极化 SAR 影像聚类精度不高、极化参数数据量大、计算复杂的问题，本文提出了基于改进模糊 Wishart 距离的极化 SAR影像粒子群智能聚类方法。该方法首先针对极化 SAR 数据分布，结合模糊划分改进传统 Wishart 聚类评价准则，减小孤立点噪声影响;然后根据极化散射机理完成聚类初始划分;最后在迭代寻优步骤引入粒子群优化框架，提高聚类中心有效性与分类精度。试验分别采用 L 波段 AIRSAR 数据及 X 波段高分辨率极化 SAR 数据验证了模糊 Wishart-PSO 聚类算法的有效性，分类结果较传统的 H/-Wishart 方法合理性明显提高，聚类精度可达 90%。关键词:粒子群优化算法;模糊集;极化 SAR;非监督分类;Wishart 距离中图分类号:P237文献标识码:A文章编号:0494-0911(2023)06-0088-05An improved fuzzy Wishart-PSO polarimetric SAR image intelligentclustering algorithmZHU Teng1，2，GAO Zhaozhong1，2，SHEN Chen1，HUANG Tielan1，ZHOU Huiyuan3(1 School of Surveying and Remote Sensing Information，Guangdong Polytechnic of Industry and Commerce，Guangzhou 510510，China;2 Virtual Simulation Training Base of Surveying and Mapping Geographic Information Technology，Guangdong Polytechnic of Industry andCommerce，Guangzhou 510510，China;3 Guangzhou South Surveying and Mapping Technology Co，Ltd，Guangzhou 510000，China)Abstract:Aiming at the problems of low accuracy of polarized SAR image clustering，large data volume of polarization parameters andcomplicated calculation，this paper proposes an intelligent clustering method for particle swarm of PolSAR images based on improvedfuzzy Wishart distance The method improves the traditional Wishart clustering evaluation criterion by combining fuzzy division forPolSAR data distribution to reduce the influence of isolated point noise，then completes the initial division of clusters according to thepolarization scattering mechanism，and finally introduces the particle swarm optimization framework in the iterative optimization searchstep to improve the effectiveness of clustering centers and classification accuracy In the experimental part，the effectiveness of thefuzzy Wishart-PSO clustering algorithm is verified by using L-band AIRSAR data and X-band high-resolution polarized SAR datarespectively，and the classification results are significantly more reasonable than the traditional H/-Wishart method，and theclustering accuracy can reach 90%Key words:particle swarm optimization algorithm;fuzzy set;polarimetric SAR;unsupervised classification;Wishart distance全极化合成孔径雷达(polarimetric syntheticaperture radar，PolSAR)有全天候、全天时对地球表面进行观测的能力，并能利用 HH、HV、VH、VV 4种极化组合方式获取丰富的地物信息，因而使得极化 SAR 传感器在民用和军事方面发挥着越来越大的作用1。然而多种极化组合也使其数据受到相干斑噪声的严重影响，极大地提高了极化 SAR 影像的解译分类难度2。近十几年来，研究人员提出了大量关于极化 SAR 影像的分类方法3-4。其中，应用较广泛、分类效果较稳定的是文献 5 提出的 H/-Wishart 算法。但由于采用 K 均值迭代模式，一方面，H/-Wishart 算法存在聚类划分武断，对噪声较为敏感，受初始值影响严重等问题;另一方面，随着极化 SAR 系统的发展，数据空间分辨率不断提高，基于传统中低分辨率分布设计的聚类算法分类精度及方法稳定性不断下降6。针对分辨率提高情88收稿日期:2022-08-08基金项目:广东省普通高校青年创新人才类项目(2019GK QNCX020);广州市基础研究计划基础与应用基础研究项目(20210201298);广东工贸职业技术学院高层次人才专项(2021-gc-06);校级项目(2021-ZK-16)作者简介:朱腾(1989)，男，博士，讲师，现从事极化 SAR 影像解译方向研究工作。E-mail:jhgf_1234 sina com通信作者:申晨。E-mail:1541935325 qq com2023 年第 6 期朱腾，等:一种改进的模糊 Wishart-PSO 极化 SAR 影像智能聚类算法况的新分布，大数据量计算带来效率降低等问题，研究人员进行相应的改进，如基于改进分布的极化SAR 分类方法7-8、兼顾计算效率与全局寻优能力的集群智能分类方法等9-11。本文在改进距离度量准则的基础上，首先利用粒子群优化(particle swarmoptimization，PSO)框架进行极化 SAR 影像智能聚类方法研究，改善类别边界划分武断的问题，实现基于模糊 Wishart 距离的极化 SAR 影像智能聚类方法。最后使用两种不同波段和分辨率的 PolSAR 数据进行聚类对比，以验证本文方法的有效性。1PolSAR 数据与非监督分类方法全极化 SAR 数据的基本形式为S=SAASABSBASBB(1)式中，A、B 分别代表水平极化与垂直极化。当散射回波满足互易条件(单基极化 SAR 系统)时，SBA=SAB。此时可将散射矩阵按 Pauli 基分解得到极化相干矩阵 T 为T=3i=1iTi=1e1eF1+2e2eF2+3e3eF3(2)式中，i为相干矩阵特征值;ei为特征向量;F 表示转置。在此基础上文献 12依据信息论得到了极化参数散射熵 H(Entropy)和散射角，并根据经验参数划分提出 H/分类。此后经过进一步讨论乘法模 型 下 的 高 斯 分 布，得 到 极 化 SAR 数 据 的Wishart 最大似然距离为d T，V()=ln V+tr(V1T)(3)利用 H/分类作为初始划分依据，再结合归一化函数与最小距离准则，可完成对极化 SAR 影像的K 均值聚类，即极化 SAR 数据经典的 H/-Wishart分类方法。2基于模糊 Wishart 距离的极化 SAR 影像智能聚类算法2.1PSO 算法框架文献 10模拟了鸟群觅食行为表现出的集群智能，因此提出了粒子群优化算法。在 PSO 框架下，粒子代表优化问题在特征空间下的解。粒子的主要属性分别为位置和速度参数。在设定目标函数度量粒子的优异程度后，从每个粒子及它们曾经到达的位置即可评定个体及全局最优历史记录，最后让粒子的速度依据最优记录更新，粒子位置依据速度更新，即可完成迭代寻优13。记集群中粒子 i 在特征空间的位置参数为向量xi，表示位置改变量的参数为速度 vi，粒子个体最优位置为 pi，集群最优位置为 g，则集群中的个体均可迭代更新，完成寻优，公式为vij=vij+c1r1(pij xij)+c2r2(gj xij)(4)xij=xij+vij(5)2.2模糊 Wishart 聚类方法针对迭代过程中像元类别划分过于僵硬的问题，采用基于 Wishart 距离的模糊聚类14，使得一个像元可依一定概率同时隶属于多个类别，改进得到模糊 PSO 分类算法。不同于传统最小距离准则，根据模糊集理论，当点到某类中心距离足够小时，则该点对于此类的隶属度为 1，即完全属于此类，而对于其他类别的隶属度为 0;反之，则依据点到各聚类中心的距离确立相应的隶属度，对于距离越远的类别其隶属度越低。无论何时，某点对于各类的隶属度之和为 115。在确定隶属度后，计算新聚类中心的公式为Tj=ni=1Uijxini=1Uij(6)式中，Uij代表第 i 个像元对于第 j 类的隶属度。由于 Wishart 距离取值范围变化较大且包含负数，影响常规隶属度计算。对 Wishart 距离进行归一化12，公式为d=(dW?dw)/S(7)式中，以某点到各聚类中心的标准 Wishart 距离为一组样本，d 为归一化后的 Wishart 距离;S 为样本方差;?dw为样本均值;当满足条件 min d(xi，cj)pf(j=1，2，n)时，归一化后可设计模糊函数为U(xi，cj)=1 d(xi，ck)d(xi，cl)(l=1，2，n，lk)0 其他(8)式中，d(xi，cj)为第 i 个像素到第 j 类的归一化Wishart 距离;U(xi，cj)为第i个像素对第j类的隶属度;pf为一个可调节的模糊化参数，当第 i 个像素到某一类别(记为 k)的归一化 Wishart 距离足够小时(pf)，则认为该像素完全属于该类别，即此时U(xi，cj)=1(j=k)，U(xi，cj)=0(j k)。而不能满足此条件时，则该像素将同时属于多个类别，当满足条件 d(xi，cj)pf(j=1，2，n)时，公式为U(xi，cj)=0d(xi，cj)pf(pf min d(xi，cj)，pf2ni=1(pf min d(xi，cj)，pf2其他(9)98测绘通报2023 年第 6 期式中，当第 i 个像素到类别 k 的归一化 Wishart 距离大于上界(pf)时，则应认为该像素完全不属于该类别，即有 U(xi，cj)=0(j=k)。得到隶属度矩阵后即可计算适应度函数，公式为Fit=ni=1mj=1U(xi，cj)d(xi，cj)(10)式中，xi为第i个像素的T矩阵的值;cj为第j个聚类中心的 T 矩阵的值;U(xi，cj)为第 i 个像素对第 j 类的隶属度;d(xi，cj)为 xi至 cj的 Wishart 距离，适应度函数即各像素点到各聚类中心的加权和。2.3算法流程本文的主要思想为利用极化 SAR 散射机制完成初始分类，然后进一步使用 PSO 算法优化聚类中心，并在迭代过程中引入模糊划分降低噪声影响。算法流程如下:(1)数据预处理，分解得到相干矩阵 T 和极化参数 H、。(2)依据 H、值将数据分为 8 类。(3)初始化粒子群，其位置参数设为步骤(2)类中心(0.95，1.05)的随机分布，初始速度为 0。(4)依据式(9)式(10)更新隶属度矩阵、适应度、全局最优记录及各粒子的个体最优记录。(5)依据式(4)式(5)更新所有粒子的速度和位置。(6)检测是否满足终止条件，若全局最优记录的适应度值满足要求或达到规定的迭代次数，则退出运算并输出结果，否则执行步骤。3试验结果及分析为验证模糊 Wishart-PSO 算法对于 PolSAR 数据的有效性，选取两组数据进行聚类对比。第一组为美国旧金山湾 AIRSAR 机载 L 波段数据子集，试验影像大小为 805655 像素，分辨率为 10 m。图 1为试验数据伪彩色合成图及分类对比结果。由图 1(a)可知，该区域主要包括海洋、植被、城区、裸土等地物类别。图 1旧金山湾数据与分类结果由图 1(b)可知，H/-Wishart 算法用于中低分辨率 SAR 影像能够区分出散射机制不同的主要地物类型，如低熵表面散射为主的海洋和裸土区域。然而在散射机制比较复杂的森林和城市区域，其分类性能有所下降，部分山区、裸土存在误分为海洋的情况，这主要是由于基于像素的硬性划分算法难以克服斑点噪声对聚类精度的影响。利用模糊 PSO 算法进行非监督分类的结果如图 1(c)所示，分类结果目视效果较好，海洋类别仍被划分为两类，但其中一类主体接近噪声区，分布更加合理;城区及左上方山体区域的纹理更加清晰、丰富，同时被误分为海洋的像素明显减少，不足之处是海滩类别有向海洋的过度蔓延。将以上分类结果合并为植被、城区、水体、裸土等 4 类，并根据真实地物进行分类精度评价，结果见表 1。表 1模糊 Wishart-PSO 与 H/-Wishart 分类精度对比算法植被/(%)城区/(%)海水/(%)裸土/(%)总体精度/(%)Kappa 系数H/-Wishart83.8789.3297.7685.2786.370.837 6模糊 Wishart91.2695.8198.2187.3292.160.879 2092023 年第 6 期朱腾，等:一种改进的模糊 Wishart-PSO 极化 SAR 影像智能聚类算法由表 1 可知，模糊 Wishart-PSO 算法的总体分类精度达 92%，对比 H/-Wishart 方法，主要提升了城区和植被类别的分类精度。在 H/-Wishart 分类合并结果中，城区部分分布较多森林类别孤立点，而森林区域则存在误分为裸土的像素，利用 PSO 优化聚类中心和模糊聚类的方法，改善分类边界划分主观性较强的问题后，复杂区域的误分类问题得到了较好的改善。第二组试验采用了海南陵水高分辨率 X 波段数据子集，影像大小为 804573 像素，分辨率达1 m。图 2 为试验区伪彩色合成图、地面真实情况参考及两种分类方法的结果。从图 2(a)(b)可知，该区域主要包括水体、植被、裸土、道路等地物类别。图 2陵水数据与分类结果由图 2(c)中可知，H/-Wishart 算法的分类结果只有水体类别相对清晰。对于农作物茂密的田地区域划分散乱，耕地区域的裸土与田间道路被误划分为不同类别，右下角行状作物纹理损失严重，道路与树林阴影区域大量像素被误分为水体。而图 2(d)的模糊 Wishart-PSO 分类结果中，道路及树林阴影区域仅有极少量像素被误分为水体，右下角的行状农作物区域分类清晰，条带相间，呈现更好的目视效果。对于矮小茂密植株的辣椒田和作物相对稀疏的木瓜两类耕地，大体区分为两种色调。总体而言，由于高分辨率 SAR 影像单位像素内包含地物类别少的特点，分类结果中严重的椒盐现象难以避免，在两种算法的分类结果中，农田部分均显得较为混杂。对比耕地区域裸土、道路、树林阴影、水体的划分效果，可以看出，在耕地区域纹理保持能力等方面，模糊 Wishart-PSO 算法表现出更好的抗噪性与更强的聚类中心优化能力。4结语本文针对极化 SAR 数据分类中的精度有限与计算效率不高等问题，引入模糊 Wishart 度量与 PSO算法框架设计了模糊 Wishart-PSO 聚类方法。该方法首先使用极化参数完成算法初始化，然后在迭代聚类阶段不断优化聚类中心，最后利用模糊划分减少孤立点影响，提高分类精度与计算效率。试验结果表明，模糊 Wishart-PSO 方法能够有效处理极化SAR 数据聚类问题，尤其在高分辨率极化 SAR 数据的非监督分类中，能得到更好的分类结果。参考文献:1刘利敏，余洁，王彦兵，等 一种利用地物散射特性进行后续类别调整的极化 SAR 影像分类方法J 光19测绘通报2023 年第 6 期谱学与光谱分析，2014，34(1):151-156 2YUP，QINAK，CLAUSIDAUnsupervisedpolarimetric SAR image segmentation and classificationusing region growing with edge penaltyJ IEEETransactions on Geoscience and Remote Sensing，2012，50(4):1302-1317 3VOISINA，KRYLOVVA，MOSERG，etalClassification of very high resolution SAR images ofurban areas using copulas and texture in a hierarchicalMarkov random field modelJ IEEE Geoscience andRemote Sensing Letters，2013，10(1):96-100 4余莎莎，余洁，朱腾，等 一种改进的 MCSM/H-PSO全极化 SAR 影像分类方法J 测绘通报，2018(11):53-57 5LEE J S，GRUNES M R，AINSWORTH T L，et alUnsupervised classification using polarimetric decompositionandthecomplexWishartclassifier J IEEETransactions on Geoscience and Remote Sensing，1999，37(5):2249-2258 6梁雪萍，薛东剑，贾诗超 超像素在多极化 SAR 数据分类中的应用:以 ALOS PALSAR 为例J 测绘通报，2020(5):107-110 7HARANT O，BOMBRUN L，FALLOURD R，et alSegmentation and classification of polarimetric sar databased on the kummeru distributionJ Science andApplicationsofSARPolarimetryandPolarimetricInterferometry PoIInSAR 2009，2009:00371281 8管翔辉，秦先祥 一种基于 KummerU 分布的 SAR图像统计建模方法J 科学技术与工程，2016，16(28):235-240 9李林宜，李德仁 粒子群优化算法在遥感影像增强中的应用J 测绘科学技术学报，2010，27(2):116-119 10 KENNEDYJ，EBERHARTRParticleswarmoptimization C/Proceedings of ICNN95-InternationalConference on Neural Networks Perth，WA，Australia:IEEE，2002:1942-1948 11 蔡江辉，张继福，赵旭俊 基于 PSO 的二阶段光谱模糊聚类研究J 光谱学与光谱分析，2009，29(4):1137-1141 12 CLOUDESR，POTTIEREAnentropybasedclassification scheme for land applications of polarimetricSAR J IEEE Transactions on Geoscience and RemoteSensing，1997，35(1):68-78 13 SARIF B A B，ABD-EL-BARR M Functional synthesisusingdiscreteparticleswarmoptimization C/Proceedingsof2008IEEESwarmIntelligenceSymposium St Louis，MO，USA:IEEE，2008:1-8 14 ZHU Teng，YU Jie，LI Xiaojuan，et alPolarimetricsynthetic aperture radar image classification using fuzzylogic in the H/-Wishart algorithmJ Journal ofApplied Remote Sensing，2015，9(1):096098 15 MADHU A，KUMAR A，JIA P Exploring fuzzy localspatial information algorithms for remote sensing imageclassification J Remote Sensing，2021，13(20):4163(责任编辑:胡淼)(上接第 10 页)12HAN Lei，FANG Lu MILD:Multi-index hashing forappearancebasedloopclosuredetection C/Proceedings of 2017 IEEE International Conference onMultimedia and Expo(ICME)Hong Kong，China:IEEE，2017:139-144 13 刘经南，詹骄，郭迟，等 智能高精地图数据逻辑结构与关键技术 J 测绘学报，2019，48(8)939-953 14 王家耀 时空大数据时代的地图学J 测绘学报，2017，46(10):1226-1237 15 CHEN Long，WANGQing，LUXiankai，etalLearning driving models from parallel end-to-end drivingdata set J IEEE，2020，108(2):262-273 16 SCHLEICHERMartinNDSassociationchairman，welcome and introduction to the 3rd NDSPublicConferenceEB/OL 2022-11-10 https:/nds-association org/2021-nds-public-conference-recap 17 BACK GDataScript-Aspecificationandscriptinglanguage for binary data M/Generative ProgrammingandComponentEngineeringBerlin，Heidelberg:Springer，2002:66-77 18边缘计算产业联盟 边缘计算参考架构 2.0 EB/OL 2018-04-05http:/www ecconsortium net/Lists/index/cid/11 html 19 SATYANARAYANANMTheemergenceofedgecomputing J Computer，2017，50(1):30-39 20 SHI Weisong，CAO Jie，ZHANG Quan，et al Edgecomputing:vision and challenges J IEEE Internet ofThings Journal，2016，3(5):637-646 21 冯剑红，李国良，冯建华 众包技术研究综述J 计算机学报，2015，38(9):1713-1726(责任编辑:胡淼)29