Original paper

Maximum Likelihood Classification of Single Highresolution Polarimetric SAR Images in Urban Areas

Majd, Maryam Soheili; Simonetto, Elisabeth; Polidori, Laurent

Abstract

In this work, our aim is to assess the potential of a single polarimetric radar image of high spatial resolution for the classification of urban areas. For that purpose, we concentrate on a fine definition of urban land cover types including ground classes corresponding to different roof types and we test several supervised classification algorithms. In particular, we deal with maximum likelihood classification using several polarimetric and textural indices. At first, we propose a state-of-the-art statistical analysis of polarimetric synthetic aperture radar (SAR) data to study the statistical behaviours of these indices. We consider the Gauss, log-normal, Beta 1, Weibull, Gamma, K, and Fisher statistical models and estimate their parameters using two methods: maximum likelihood estimation (MLE), and method of log-moment (MoLM). The Fisher probability density function (pdf) is able to properly model all the descriptors. Then, we propose to introduce this information in an adapted supervised classification scheme based on maximum likelihood and the Fisher pdf. We compare the classification results with the Wishart-based maximum likelihood algorithm, a Gaussian-based one and SVM (support vector machine). Our experiments are based on an image of a suburban area, acquired by the airborne RAMSES SAR sensor of ONERA, the French Aerospace Lab. The results highlight the potential of such data to discriminate urban land cover types, and the overall accuracy reaches 84 %. However, the results from the tested classification methods show a problematic confusion between roofs and trees. Some possible solutions are discussed at the end of this paper.

Kurzfassung

Ziel dieser Arbeit ist es, das Potenzial eines einzelnen hoch aufgelösten polarimetrischen Radar-Bildes für die Klassifikation von urbanen Gebieten zu testen. Zu diesem Zweck zielen wir auf eine feine Unterscheidung von urbanen Landbedeckungsarten mit mehreren Objektklassen, die unter anderem auch verschiedenen Arten von Dächern entsprechen, und wir testen verschiedene überwachte Klassifikationsalgorithmen. Insbesondere verwenden wir die Maximum-Likelihood Klassifikation mit mehreren polarimetrischen und texturellen Indices. Zunächst schlagen wir eine Analyse der polarimetrischen Radar-Daten mit synthetischer Apertur (SAR) entsprechend des Standes der Forschung vor, um das statistische Verhalten dieser Indices zu untersuchen. Dabei berücksichtigen wir folgende statistischen Modelle: Gauss, log-normal, Beta 1, Weibull, Gamma, K, und Fisher. Wir schätzen die Parameter dieser Modelle mit Hilfe von zwei Methoden, nämlich Maximum Likelihood Schätzung (MLE) und Methode der log-Momente (MoLM). Die Wahrscheinlichkeitsdichte der Fisher Verteilung kann alle Deskriptoren ausreichend gut modellieren. Anschließend schlagen wir vor, diese Information in einer angepassten überwachten Klassifizierung auf Basis der Maximum Likelihood und der Fisher-Verteilung zu nutzen. Wir vergleichen die Klassifikationsergebnisse mit jenen aus einer Maximum-Likelihood Klassifikation auf Basis der Wishartbzw. der Gauss-Verteilung sowie mit jenen aus SVM (Support Vector Machine). Unsere Experimente basieren auf einer Szene im Vorstadtbereich, die mit Hilfe des ugzeuggestützten RAMSES SAR Sensors von ONERA aufgenommen wurde. Unsere Ergebnisse zeigen das Potenzial solcher Daten für die Unterscheidung von urbanen Landbedeckungsarten auf. Die Gesamtgenauigkeit der Klassifikation liegt bei 84 %. Allerdings zeigen unsere Ergebnisse auch Probleme, z. B. die häu ge Verwechslung von Dächern und Bäumen. Am Ende dieses Beitrages werden mögliche Lösungen für diese Probleme diskutiert.

Keywords

polsarurban areasupervised classificationmaximum likelihood