PolSARpro v6.0之Sentinel-1A Wishart与SVM监督分类

（原创文章，转载请注明来源，谢谢！）

前言

（前方多图高能预警，万字长文，希望你能耐心看完！）

首先告诉大家一个好消息。Eric Pottier教授的PolSARpro已更新到V6.0版本，各位可以到网址（ https://www.ietr.fr/polsarpro-bio/ ）自行下载。但是该版本仍在开发中，经过本人的测试，存在不少bug（例如没有帮助文档），各位根据实际情况使用。该版本较V5版本的重大改进是在生物量估算模块方面，该版本的简单介绍文档见百度云盘链接：链接：https://pan.baidu.com/s/1FJkhxkhkwtiEoICDRD19-A
提取码：h9b1 。感谢Eric Pottier教授，也希望该版本在后面能逐步完善。

距离上次PolSARpro处理Sentinel 1A的文章已近三月，期间许多人问我相关的问题，其中问得较多的是感兴趣区域的提取（或者说是掩膜提取），本文将对该操作进行介绍，并介绍PolSARpro中的Wishart监督和SVM监督分类过程（上次因为时间原因，没有详细介绍监督分类步骤，这次补上），希望可以给PolSAR相关研究者带来帮助。根据我的经验，SVM监督分类是PolSARpro中监督分类效果比较好的一种，也是目前遥感图像分类中常用成熟、稳定的算法。这个分类PolSARpro V5.1.3版本也能做，但是两个版本都有点bug，都不完美。

两个版本的PolSARpro可以共存，像博主两个版本都在使用，推荐保留两个版本，因为两个版本都有一些bug，协同使用可以对比一下。

后面，博主打算介绍欧空局SNAP处理软件以及SNAP¹
的Python模块------snappy处理，以促进该开源处理遥感处理平台的推广使用及开发。

博主创建了一个关于SNAP处理的QQ群：群名：欧空局SNAP处理交流群；群号：665903216。欢迎感兴趣者加入，共同交流，共同进步！

数据源

本次使用的数据与我本人的第一篇博客数据是相同的，链接网址：https://blog.csdn.net/lidahuilidahui/article/details/86485372
你可以选用你自己的数据。

数据预处理

利用桌面的PolSARproV6.0快捷方式启动PolSARproV6.0:


点击Enter，再点击OK，进入模块选择界面：

点击Sentinel-1A/B mission(哨兵1A/1B卫星)模块（PolSARpro Bio模块也是可以的）点击Enter，即可进入以往的PolSARpro V5.1.3类似的界面(只是界面变成了灰色色调了而已，看到这个界面，竟想起许嵩的歌曲《灰色头像》)：

数据读入、多视与地理编码

请参照我的第一篇博客（https://blog.csdn.net/lidahuilidahui/article/details/86485372 ）完成数据读入、多视以及地理编码（含地理编码）操作，经过我的测试，如果感兴趣区（Region of Interest, ROI）提取操作早于地理编码前，后续将无法做地理编码，因为元数据文件metadata.xml文件（该文件含有控制点参数）会丢失。因此，感兴趣区的提取操作应在地理编码之后进行。这里选择的感兴趣区为上海市崇明区长兴岛和横沙岛，Swath带为IW2。在这个过程请保持耐心。地理编码成功后的界面如下（注意观察博主红色框标注部分）：

叠加到Google Earth

上次这个操作没有演示，这次展示一下，以后你可以用于PPT展示（It’s your show time! Wonderful!）。
关闭GIMP弹出的两个图片，查看生成的文件夹目录：

其中，config_acquisition.txt和GEARTH_POLY.kml是叠加至Google Earth所必需的文件，丢失了这两个文件将无法叠加至Google Earth。提取感兴趣区操作这两个文件会丢失，因此，博主在感兴趣区的提取步骤前展示这个叠加效果。

进入C2文件夹，看到的文件应该是这样的：

(如果你的界面中Display等菜单图标没有点亮，请退出后重新设置目录环境后进入，这时Display等菜单图标会点亮。估计是有点bug的缘故。)
选择Display—>Create KML File:

input BMP File框中，选择：

input GEARTH_POLY File框中，选择：

（Reduction Factor:衰减因子，Transparency:透明度，保持默认设置即可）

点击Run,等待一下，见证奇迹的时刻到了:

可以看到PauliRGB.bmp叠加至Google Earth上面了，并且吻合得很好（这表明两者的坐标系是完全一致的）。惊不惊喜，意不意外！

感兴趣区的提取

关闭Google Earth，退出Dispaly工具栏，进入下一操作。
选择Tools—>Data Set Management—>ROI Extraction（注意该操作仅能选一个感兴趣区）:

进入ROI Extraction 界面：

点击Graphic Editor，点击Yes，进入感兴趣区编辑界面：

选择PauliRGB.bmp作为勾选感兴趣区的图像，点击打开，进入如下界面：

在弹出的图像窗口中点击鼠标右键，显示编辑栏菜单，其中：
Select area，选择感兴趣区（可以是多边形）；
Delete area，删除感兴趣区;
Save configuration，将所勾选的感兴趣区保存为.txt文件;

该编辑工具快捷键（注意该工具与以往的图像处理软件快捷键不一样，例如ENVI,ArcGIS等）如下：
平移：按住鼠标左键拖动
放大：鼠标滚轮往后滚动
缩小：鼠标滚轮往前滚动

点击Select area，选择感兴趣区：
移动鼠标在合适的位置，点击鼠标左键放下一个多边形端点（锚点），移动鼠标，到另一个端点处，点击放下一个多边形端点，反复操作几次，直至勾选出整个感兴趣区（如果你多边形端点勾选错了，并不能仅仅修改或删除该个端点，仅能通过删除整个多边形，重新勾选多边形来实现修改），如图：

那么如何结束感兴趣的绘制呢？
点击鼠标右键，选择Save configuration，结束绘制感兴趣区并保存下来。选择如果选择Select area和Delete area，则可以重新绘制感兴趣区。再强调一次，该操作仅能选择一个感兴趣区。

点击Run，点击Yes，创建感兴趣区文件:

成功时，会弹出一个掩膜文件和生成一个IW2_SNAP_ROI文件夹：

进入IW2_SNAP_ROI文件夹，可以看到仅有一个C2文件夹，上一个步骤的仍能看到的config_acquisition.txt和GEARTH_POLY.kml两个文件均已丢失，已不能再叠加至Google Earth 上。进入C2文件夹中可以看到如下文件：

极化滤波

将目录环境设置为IW2_SNAP_ROI：
点击Save&Exit，保存目录环境设置。

极化滤波操作，请参考我的第一篇博客（https://blog.csdn.net/lidahuilidahui/article/details/86485372 ），这里不再复述。
滤波界面：

特征提取

实际上H-A-α分解就是提取极化散射特征的过程，分解得到的参数可以看作是一个分类特征。

双极化SAR数据的H-A-α分解操作，请参考我的第一篇博客（https://blog.csdn.net/lidahuilidahui/article/details/86485372 ），这里不再复述。

双极化SAR数据H-A-α分解参数界面:

博主这里选择的是H（Entropy），A(Anisotropy),α（Alpha）三个特征（极化参数），你可以选择其它的特征，个数也可以多余3个或者少于3个，多少是你的自由，但是分类精度和运行速度会受到影响。
这两个步骤之后，进入IW2_SNAP_ROI_LEE的子目录C2文件夹，可以看到如下文件：

可以看到C2文件夹中没有RGB文件或者PauliRGB文件，下面利用C2矩阵文件创建一个RGB假彩色图像用于选择训练样本。

其中矩形框为生成的RGB文件名，我们将用这个RGB1.bmp（如下图所示）来选择训练样本。

关闭生成的RGB1.bmp文件，点Exit退出Display工具栏，进入下一个步骤：监督分类。

监督分类

好了，快结束了。还能保持耐心吗？接下来会介绍Wishart、SVM监督分类，这里不会详细介绍其原理，相关的文献有许多，具体请自己查找相关文献（因为双极化SAR监督分类目前仅支持这两种方法的监督分类，不信的话，你可以测试下）

Wishart监督分类

这是早期到现在极化SAR数据常用的监督分类，该分类是基于复Wishart分布的极大似然分类，但是该分布仅在均匀区域中的建模中效果比较好，也就是说，Wishart监督分类一般只能在均匀区域地物分类中取得较好的效果，对于其它不均匀区域地物分类，往往分类效果不好。对于不均匀区域的多极化通道SAR图像的建模，至今仍是一个热点和难点所在，近几年，提出的K、Go分布、W分布都有其局限性。对其进行精确的建模，对于SAR滤波、目标识别、分类都具有非常重要的意义，尤其是在军事上的目标识别（例如舰艇、坦克等）。

Wishart分类器

需要指出的是：该分类器针对的是C2矩阵元素（即C11，C12，C21，C22，也就是这四个元素是可以看作服从复Wishart分布的）进行的。
开始操作吧：
选择Process—>Polarmetric Segmentation—>Wishart Supervised Classification。

参数设置如下：

其中，Window Size大小为boxcar filter器窗口的大小，实际Wishart等监督分类时往往会加一个滤波操作，如果你不想再滤波，只需设置窗口大小为1×1；

Color Map16只是定义样本标注的颜色，并不是说要选16个类别。

你也可以勾选Reject Class(拒绝类)，Reject Radio：5（默认值），实际上是一个距离度量。我也不太懂，具体你可以看下帮助文档。一般都不勾选，你也可以勾选和不勾选了对比一下结果。

创建训练样本

选择创建训练样本的图像，这里使用的是上一步创建的RGB1.bmp图像。
打开后，如下所示：

实际，在创建训练样本时，应该参考光学图像或者到地面实际调查测量。如果你想更精确地选择训练样本，你可以打开Google Earth 中查看相关信息。但是Google Earth 的影像不一定是最新的，最可靠的还是地面实际调查测量。

训练样本的创建：
在窗口中点击鼠标右键，会弹出一个菜单栏，其操作如下：
Add a new class:添加一个新类
Select area:选择一个样本区域
Delete area:删除一个样本区域
Save configuration:保存建立的样本区域，存储为.txt文件(勾选好全部样本点击这个选项，注意这个按键不是结束一个训练样本的绘制，而是直接结束了整个训练样本训练的程序)

该窗口工具与ROI Extract工具快捷键有点类似，但是有所不同，刚开始操作往往不习惯，需要慢慢适应（如下：
平移：按住鼠标左键拖动
放大：鼠标滚轮往后滚动
缩小：鼠标滚轮往前滚动

在窗口中鼠标右键，创建类别点击Add a new class（每次点击，Class Num都会加1，但是类别名（数字序号）无法编辑（例如改为字符串的形式“water”），因此，操作时你需要清楚你的选择的类别是什么）:

这个时候，你会发现，点击鼠标坐标，仍然选择不了样本。继续，鼠标右键，点击Select Area，这时，你会发现终于可以选择样本了。

移动鼠标到某个位置，放大（缩小）图像，鼠标左键放下一个多边形端点（锚点），再移动鼠标到某个位置，鼠标左键放下一个多边形端点，反复操作若干次，直至勾选出该个样本区域。（如果你多边形端点勾选错了，并不能仅仅修改或删除该个端点，仅能通过删除整个多边形，重新勾选多边形来实现修改）绘制多边形边界示意图如下：

那么如何结束绘制一个样本的操作本？答案是：鼠标右键，选择Select Area

早期的版本中value和样本数一致的，很遗憾，这几个版本都没。

然后你会发现，多边形绘制的确结束了，然而却多了一个烦恼，有一个端点在旁边，导致你无法移动到别处选择样本区域。怎么办？鼠标右键，选择Delete Area。OK,你会发现该端点消失

博主这里选了4个类别:建筑、水体、裸土（含耕地）、植被（森林、草地、农作物等），每个类别勾选4-5个。（仅用于实验目的，就不要计较精度了）。
移动鼠标至合适位置，继续勾选样本区域（鼠标右键，点击Select Area）。（重复几次，取决于你这个类别的训练样本数量）直至勾选完第一个类别的所有训练样本。

鼠标右键，新建一个类别（Add a new class），创建新建类别的训练样本区域（Select area），勾选训练样本区域边界端点。反复勾选几次。（上述操作重复几次）

直到勾选完4个类别的全部训练样本。（红色：建筑；绿色：水体；紫色：裸土；黄色：植被）

窗口中右键，选择Save configuration，保存样本区域数据。会发现Run Training Process 图标被点亮。

训练样本

点击Run Training Process，训练样本，完成后如下图所示：
会生成类别中心集（矩形框所示）

分类

点击Run，执行分类。

会弹出3个文件，其中，wishart_training_cluster_set.bmp为训练样本分布图；wishart_supervised_classs_3x3.bmp为分类结果图（其中3x3为滤波窗口大小），wishart_supervised_classs_3x3_RGB1，是对原来的选择的RBG1.bmp进行分类的结果，用处不大。我们需要的wishart_supervised_classs_3x3.bmp。

精度评价

我们把这三个图像关掉，点击CM Editor，查看混淆矩阵。

可以看到混淆矩阵如下：

可以看到分类的精度还是比较高（主要是类别和训练样本太少，不过建筑和水体的分类精度和光学影像进行对比，精度还是可以的）。
点击文本框的Exit退出混淆矩阵窗口。
点击Exit退出Wishart监督分类窗口。

查看分类结果

回到文件夹IW2_SNAP_ROI_LEE/C2中查看分类结果文件：

注意博主标记的三个bmp文件，文件1是样本区域的分类图（相当从从分类结果中对样本区域进行ROI（感兴趣区）提取）；文件2为对C2矩阵分类结果。文件3：创建的样本区域的分布图;

对这3幅图像进行联动操作,选择Display—>Display N BMP Files—>Open:

依次打开文件1，2，3（Open点击3次），结果如下图所示：

按住鼠标左键，移动至合适位置查看细节变化，鼠标滚轮控制放大缩小，可以看到三个图像有三个“十字丝”联动：

分类结果查看操作结束，关闭图像，点Exit退出，点Exit退出。（分类结果制图等还是需要ArcGIS、QGIS等来制作）。

SVM监督分类

很遗憾，PolSARpro V6.0的SVM监督分类有缺陷，具体你可以试下。博主这个SVM监督分类，使用PolSARpro V5.1.3版本来做的。

设置目录环境：

在分类之前，我们再做一个操作，将C2矩阵由线性单位转为分贝值，同时提取总功率Span分贝值用作分类特征（操作见下图）：

点击Run运行即可。

其中，Modulus表示取模（即复数的振幅，线性单位）；10log(Modulus)表示将模转化为分贝值;
Span表示总功率，其中 $Span=|S_1|^2+|S_2|^2$，对于C2矩阵 $Span=|C_{11}|+|C_{22}|$；

成功后，会弹出4个bmp图像窗口，分别是C11_db，C12_db, C22_db, span_db（db表示分贝值得意思），如图所示：

完成后关闭所有图像窗口，点击Exit，退出矩阵元素提取窗口。

SVM分类器

SVM(Support Vector Machine,支持向量机)算法具有小样本训练、支持高维特征空间的特点，可以很好地避免“维数灾难”和过学习问题。该算法成熟稳定，效果通常较好，目前在语音识别、自然语言处理、计算机视觉、遥感图像分类等多个领域仍在大量使用。

开始操作吧：
选择Process—>Polarmetric Segmentation—>SVM Supervised Classification。

进入页面：

可以看到图中GUI界面中有六个步骤，Step 1-Step 6，接下来完成这6步就可以。

创建训练样本

Step 1-Training Area(操作见下图):

博客这里选择是的上一步Wishart监督分类创建的感兴趣区域文件，你也可以选择Graphic Editor按钮打开RGB图像重新选择训练样本区域。为了和Wishart监督分类对比，博主使用了同样的样本区域。

训练样本

Step 2-Training Area:
保持默认即可。

Step 3-Color Maps(操作见下图):

SVM分类特征

Step 4-SVM Parameter Setting(操作见下图):

如果选择C2,仅有将C2的元素作为分类特征。楼主选择的是other,分类特征选择的是：

特征变量	alpha	anisotropy	C11_db	C12_db	C22_db	entropy	span_db
物理量	平均散射角α	反熵A	$C_{11}$的模（分贝值）	$C_{12}$的模（分贝值）	$C_{22}$的模（分贝值）	极化熵H	总功率Span（分贝值）

操作5，也可以不选，仅是一个类别概率图像。其它的参数可以自行选择。

SVM参数优化

Step 5-Kernel Parameter(操作如下图):

该步骤设置的是SVM核函数的类型（见矩形框所示）：
RBF(Radial Basis Function, 径向基核函数，最常用的核函数)，Polynomial(多项式核函数，其下的Degree设置的是多项式函数的阶数)，Linear(线性核函数，即一次函数)；(如果你对SVM算法很熟悉的话，应该一眼就能看明白)

操作1：RECOMMANDED(推荐参数)
（除非你SVM调参很厉害，否则建议你勾选这个选项）

操作2：点击Setup and Run,会弹出右边的小窗口；

操作3：点击Run RBF Kernel Paramete Optimisation：执行径向基核函数参数优化。这里使用的基于网格法对训练样本进行交叉验证（Cross Validation，CV）从而确定最优参数，主要确定参数C和G，其实C是前面的Cost(惩罚系数c),G是Gamma（核函数宽度g）。（其具体原理请查看相关文献）
执行后会弹出一个命令行窗口。
矩形框可以查看进度（百分比，%）。
完成后，右边小窗口可以看到找到的参数C和G的一个组合值。

点击Exit and Save CV Parameters，将会看到Cost和Gamma值发生了变化，正是寻优的结果值256,0.50000。

SVM分类

Step 6-Run Classification(执行分类):
执行后会弹出一个命令行窗口（接下来又是一个漫长的等待过程，请保持耐心），如下图所示：

矩形框显示的是SVM分类的进度（百分比，%）

事实上，PolSARpro的SVM分类算法很好，比ENVI等软件的SVM分类快得多，并且可以自动寻找参数优化值。（可以说是甩ENVI等几条街，也不过分！）

完成后会弹出一个bmp图像（但这不是分类结果，这是之前勾选的概率图像）。

可以把弹出的bmp图像关闭。

精度评价

很遗憾的是，这个版本的SVM分类仍然有点bug，看不到混淆矩阵。（据说早期版本是可以的，另外，Linux系统版本的bug会少很多，有条件的话可以装Linux系统版本的PolSARpro）。如果你点击 CM Editor，想查看混淆矩阵，很遗憾，找不到SVM的confusion_matrix.txt文件。所以，直接点Exit，退出SVM分类窗口就可以。

SVM分类结果

我们回到目录IW2_SNAP_ROI_LEE/C2，如图：
分类结果文件名为svm_classification_file:

请参考wishart监督分类的分类结果查看操作：

SVM与Wishart监督分类结果比较

我们依次打开下图所示的三个文件（文件1为SVM监督分类结果，文件2是SVM训练样本集，文件3是Wishart监督分类结果）：

对比结果如下：

可以看到SVM分类更细碎些（斑点较多），总体上看两者的分类精度应该差距不大。(对比完可以退出所有的窗口了！)

后语

好了，终于结束了！（你看完此文和操作，花了很长时间，同样地，我写完此文也花了很长时间，但愿你能有所收获！)

请允许我牢骚多几句！关于PolSARpro软件的功能还有许多，很难详尽地介绍清楚，要想更好地使用和开发PolSARpro，需要对极化SAR的理论知识有较深的了解（学习还是很重要的！）。很遗憾这里使用的是欧空局的Sentinel-1双极化SAR数据（使用这个数据的主要原因是这个数据可以免费下载），不是全极化SAR数据，大量的实验表明，全极化SAR数据的分类精度高于双极化SAR数据、单极化数据（当然，博客的方法对于全极化SAR数据也是使用）。

事实上，全极化SAR数据可以做更多的操作，无论是极化分解、分类、极化干涉测量等都有更多应用。其实，博主更希望的使用国产数据来做些实验的，然而，由于种种原因（数据不开放，国产数据质量、兼容性等），国产卫星数据的利用率远远低于国外卫星数据的利用率，不禁使人感到担忧，没有使用，很难有反馈，也就很难有改进。

目前而言，国产卫星数据相比国外卫星数据（欧空局、美国、日本等），仍有很大的差距！不管怎样，还是希望各位有条件的话，还是多多使用国产卫星数据。无论好坏，用自己国家的数据，多少更放心些。博主后面也打算也打算分享一下国产卫星数据的应用，各位如果有时间的话，也可以写点国产卫星数据的应用的文章，促进国产卫星数据的推广使用。

如果博客内容有错的话，请在评论区批评指正！谢谢！

再打一次广告，博主创建了一个关于SNAP处理的QQ群：群名：欧空局SNAP处理交流群；群号：665903216。欢迎感兴趣者加入，共同交流与进步！

参考文献

[1] (美)李仲森（Lee,J.),（法）鲍狄埃(Pottier,E.)，洪文等. 极化雷达成像基础与应用[M]. 北京：电子工业出版社, 2013.06
[2] 尤淑撑，行敏锋，何彬彬等. 极化SAR土地资源调查监测技术与应用[M]. 北京：科学出版社，2018.07
[3] 刘涛，崔浩贵，谢凯等. 极化合成孔径雷达图像解译技术[M]. 北京：国防工业出版社，2017.12
[4] 马建文等.遥感数据智能处理方法与程序设计 (第二版)[M]. 北京：科学出版社，2010.01
[5]微信公众号：遥感事. 推送文章：Dragon系列-PolSARpro之SVM监督分类（https://mp.weixin.qq.com/s?__biz=MzI0MDQ2NTU2Ng==&mid=2247483736&idx=1&sn=2abef8d7b789b80ce851bd24f42071cf&chksm=e91b22a9de6cabbf8772db08e0d6aa82e8fc4ce7f8ff705134c709e9ac9fe5247030d090d44c&mpshare=1&scene=23&srcid=#rd）

---

1. SNAP(Sentinel Application Platform)是欧空局为处理Sentinel卫星数据而开发的一个开源处理平台，功能强大，对欧空局相关卫星、美国、日本卫星等数据有很好的处理效果。 ↩︎