Unsupervised amplitude and texture based classification of SAR images with multinomial latent model

We combine both amplitude and texture statistics of the Synthetic Aperture Radar (SAR) images for classification purpose. We use Nakagami density to model the class amplitudes and a non-Gaussian Markov Random Field (MRF) texture model with t-distributed regression error to model the textures of the classes. A non-stationary Multinomial Logistic (MnL) latent class label model is used as a mixture density to obtain spatially smooth class segments. The Classification Expectation-Maximization (CEM) algorithm is performed to estimate the class parameters and to classify the pixels. We resort to Integrated Classification Likelihood (ICL) criterion to determine the number of classes in the model. We obtained some classification results of water, land and urban areas in both supervised and unsupervised cases on TerraSAR-X, as well as COSMO-SkyMed data. Key-words: High resolution SAR, TerraSAR-X, COSMO-SkyMed, classification, texture, multinomial logistic, Classification EM, Jensen-Shannon criterion ∗ Koray Kayabol carried out this work during the tenure of an ERCIM ”Alain Bensoussan” Postdoctoral Fellowship Programme. Classification non supervisée d’images RSO fondée sur l’amplitude et la texture à l’aide d’une modèle multinomial latent Résumé : Nous combinons les statistiques fondées sur l’amplitude et la texture d’images Radar à Synthése d’Ouverture (RSO) à des fins de classification. Nous utilisons la densité de Nakagami afin de modéliser les amplitudes des classes et un champ de Markov non-gaussien pour modéliser la texture, en utilisant l’erreur de régression t-distribuée afin de modéliser les textures des classes. Un modéle non-stationnaire Logistique Multinomial (LMn) d’étiquettes de structure latente est utilisé comme densité du mélange afin d’obtenir des segments de classe lissés spatialement. L’algorithme de Classification Espérance-Maximisation (CEM) est utilisé pour estimer les paramétres des classes et classer les pixels. Nous avons recours au critère ICV (Integrated Classification Vraisemblance) pour déterminer le nombre de classes dans le modèle. Nous avons obtenu des résultats de classification pour l’eau, les sols et les zones urbaines dans les cas supervisé ou non-supervisé sur des données TerraSAR-X ainsi que COSMO-SkyMed. Mots-clés : RSO haute résolution, TerraSAR-X, COSMO-SkyMed, classification, texture, modèle logistique multinomial, Classification EM, critére de Jensen-Shannon Unsupervised classification of SAR images 3