High resolution SAR image classification

Abstract

In this report we propose a novel classification algorithm for high and very high resolution synthetic aperture radar (SAR) amplitude images that combines the Markov random field approach to Bayesian image classification and a finite mixture technique for probability density function estimation. The finite mixture modeling is done by dictionarybased stochastic expectation maximization amplitude histogram estimation approach. The developed semiautomatic algorithm is extended to an important case of multi-polarized SAR by modeling the joint distributions of channels via copulas. The accuracy of the proposed algorithm is validated for the application of wet soil classification on several high resolution SAR images acquired by TerraSAR-X and COSMO-SkyMed. Key-words: SAR image classification, dictionary, amplitude probability density, stochastic expectation maximization, Markov random field, copula ∗ EPI Ariana, CR INRIA Sophia Antipolis Méditeranée, 2004, Route des Lucioles, B.P.93, FR-06902, Sophia Antipolis Cedex (France); Faculty of Computational Mathematics and Cybernetics, Lomonosov Moscow State University, 119991 Leninskie Gory, Moscow (Russia), e-mail: vl_krylov@mail.ru. † EPI Ariana, CR INRIA Sophia Antipolis Méditeranée, 2004, Route des Lucioles, B.P.93, FR-06902, Sophia Antipolis Cedex (France), e-mail: Josiane.Zerubia@sophia.inria.fr. in ria -0 04 33 03 6, v er si on 2 13 D ec 2 00 9 Classification des images RSO haute résolution Résumé : Dans ce rapport, nous proposons une nouvelle approche pour la classification des images de type Radar à Synthèse d’Ouverture (RSO) haute résolution. Cette approche combine la méthode des champs Markoviens pour la classification bayésienne et un modèle de mélange fini pour l’estimation des densités de probabilité. Ce modèle de mélange fini est realisé grace à une approche fondée sur une espérance-maximisation stochastique, à partir d’un dictionnaire, pour l’estimation des densités de probabilité d’amplitude. Cette approche semi-automatique est étendue au cas important des images RSO avec plusieurs polarisations, en utilisant des copulas pour modéliser les distributions jointes. Des résultats expérimentaux, sur plusieurs images RSO réelles (Dual-Pol TerraSAR-X et SingePol COSMO-SkyMed), pour la classification de zones humides, sont présentés pour montrer l’efficacité de l’algorithme proposé. Mots-clés : classification d’image RSO, dictionnaire, densité de probabilité d’amplitude, espérance-maximisation stochastique, champ Markovien, copula in ria -0 04 33 03 6, v er si on 2 13 D ec 2 00 9 High resolution SAR image classification 3

7 Figures and Tables

Cite this paper

@inproceedings{Krylov2009HighRS, title={High resolution SAR image classification}, author={Vladimir A. Krylov and Josiane Zerubia}, year={2009} }