基于ALOS PALSAR数据时相特征的土地覆盖识别

合成孔径雷达遥感具备全天时、全天候的观测能力,是多时相数据获取的有效保证。以福建省漳浦县为研究区,利用ALOS PALSAR双极化数据开展土地覆盖识别研究。首先基于多时相的强度数据构建时相稳定性指数,基于重复轨道干涉数据的相位信息计算相干性,以此分析和描述该地区典型地物的雷达数据时相特征。然后以典型地物的时相特征为基础,构建决策树分类器,进行土地覆盖识别。最后以实地考察数据、ALOS AVNIR\|2影像和Google Earth影像为参考,进行分类结果的精度评价,总体精度达到81.43%,比利用不同时期的后向散射强度图像为输入波段的最大似然法的分类精度(总体精度为63.06%)高出很多。结果表明:在分类中有效融合时相信息,可以充分提高地物的可分性。     

全极化SAR极化特征谱应用研究

在分析特征值分解结果,全部散射机制组合和极化特征谱性质的基础上,提出基于3个特征谱参数的假彩色合成方法,可以更加有效直观地反映地物散射特征,再对散射熵、散射角、反熵和4个极化特征谱参数进行特征选择分析,给出最佳的多维特征向量选择方案,从而实现传统遥感图像分类器如同ISODATA算法对极化SAR图像的分类。实验选择了一景Radarsat\|2标准全极化SAR数据,包含典型的城市、植被和水体三大类地物,实验结果表明:极化特征谱假彩色合成充分反映了各地物散射特征,特征谱和散射角组成了最佳特征向量,非监督分类结果表明:该方法克服了城市与植被在H\|Alpha平面上分布界限模糊的问题,分类精度高于H\|Alpha平面非监督分类,与Wishart-H-Alpha-A分类方法相当。     

双极化SAR目标分解方法研究及应用

在对常规雷达数据特征与地物分类研究的基础上,重点研究双极化SAR图像的目标分解方法,并基于神经网络将分解后得到的极化信息与常规雷达数据有机结合应用于植被的分类研究.结果表明,多种极化信息能够获取更多的地物信息,极大地提高了植被识别和分类能力.     

基于目标分解理论的全极化SAR图像神经网络分类方法

由于全极化合成孔径雷达(synthetic aperture radar)能够测量每一观测目标的全散射矩阵，即可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像，因此与常规的单极化和多极化SAR相比，在雷达目标探测、识别，纹理特征和几何参数的提取等方面，全极化SAR均具有很多优点，但是由于地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征，因而加大了地物信息提取的难度。同时由于这些极化合成图像具有较高的相关性，从而导致了图像分类精度的降低。为了提高全极化SAR图像的分类精度，基于新疆和田地区的SIR-CL波段全极化雷达数据，利用目标分解理论首先将地物回波的复杂散射过程分解为几种互不相关的单一的散射分量。由于这些单一的散射分量都对应于具有不同物理和几何特征以及分布特征的地物，从而提供了更加丰富的地表覆盖信息，这样就很大程度地改善了地物信息的分类精度；然后利用分解后单一散射分量数据结合传统的极化合成数据，可以得到更多的互不相关的数据源，再使用神经网络分类法对这些数据进行分类。分类结果表明，这种方法大幅度提高了全极化SAR数据用于实验区土地覆盖分类的精度。这种分类方法也可以广泛地用于SAR数据地表覆盖和土地利用动态监测和地表参数的提取。     

全极化SAR数据信息提取研究

全极化SAR(Synthetic Aperture Radar)测量的是每一像元的全散射矩阵,可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像。因此与常规的单极化和多极化SAR相比,在雷达目标探测、识别、纹理特征的提取等方面全极化SAR具有很多优点。基于新疆和田地区的SIR-C L波段全极化雷达数据,介绍了极化合成的基本原理和数据处理流程,分析了几种典型地物全极化信号的特点,并在此基础上用监督分类法进行了全极化SAR数据的信息提取。结果表明:全极化SAR数据比单极化和多极化SAR数据具有更高的分类精度,并有效地的提取出地表信息,为利用SAR数据反演地表参数打下了基础。     

极化SAR图像Pauli-Wishart非监督分类算法

针对全极化SAR影像经典非监督分类方法中H/α初始划分适应性有限及武断僵硬的问题,结合极化总功率提出一种结合Pauli分解与Wishart距离的极化SAR影像非监督分类方法。利用极化总功率Span对数据进行基于散射强度的初始划分;结合初分类结果与Pauli分解得到的HH,HV,VV 3个波段进行迭代分类;基于Wishart距离进行聚类得到分类结果。实验采用NASA-JPL实验室的2组L波段全极化SAR数据验证了基于Pauli基迭代改进分类方法的有效性,分类结果与传统的H/α-Wishart分类方法对比,分类精度和合理性都有提高。     

极化散射与SAR 遥感信息获取

合成孔径雷达(SAR ) 对地观测与成像技术是近20 年来空间微波遥感技术最重要的进展。JPL 的SIR-C SAR 与加拿大Radarsat SAR-2 等星载或机载SAR 的全极化散射测量提出了自然地表全极化散射信息获取与处理的关键性科学问题。充分理解自然地表极化散射特性, 进而发展自然地表特征信息的分类、识别和反演算法是SAR 遥感应用的关键问题。近年来, 对于极化SAR 遥感已有广泛的研究。自然地表全极化散射的数值建模与M ueller 矩阵模拟解、相干矩阵及其特征值分析、信息熵等都有了研究与应用。但是, 如何将SAR 图像相干矩阵特征值和信息熵的全极化散射测量与自然地表特征参数直接关联, 并由此发展地表的分类、识别与参数反演等信息获取与处理还有待于大量的研究。本文将论述我们在SAR 全极化散射理论与应用的若干研究进展。第一个问题是如何将SAR 图像相干矩阵特征值和信息熵与同极化、交叉极化后向散射系数的测量直接关联, 与M ueller 矩阵解一起研究地表的分类与识别。第二个问题是如何有全极化散射测量反演地面数字程(DEM )。第三个问题是如何利用多时相SAR 遥感识别、获取与评估地面特征时间上的变化。     

基于中间层特征的全极化SAR监督地物分类

提出了一种组合中间层特征(Middle Level Feature,MLF)和支持向量机(Support Vector Machine,〖JP2〗SVM)的全极化合成孔径雷达(Synthetic Aperture Radar,SAR)监督地物分类方法。选择监督方法的目的是直接区分实际地物类别,中间层特征在非监督聚类结果中获取,用于跨越底层特征与地物类别间的语义鸿沟。统计以某像素为中心的特征支持区域内各“中间成分”的占比作为该像素的MLF。这里“中间成分”对应于基于底层极化特征得到的非监督聚类类别。在覆盖武汉地区的Radarsat\|2全极化数据上,与基于经典全极化特征的SVM监督分类方法进行了对比,研究了不同中间成分获取方法以及特征支持窗口对于分类性能的影响,结果显示:该方法有很好的性能并有进一步提升的空间。〖JP〗     

基于SAR数据的山地冰川表面运动速度分析

合成孔径雷达(SAR)因其可全天时、全天候工作且不受云、雨的影响而成为遥感应用的前沿领域。SAR干涉测量(Inteferometry)利用SAR数据的相位信息可获得大地表面厘米级的形变而成为冰川表面流速监测广泛使用的手段;SAR图像相关方法(SRFT)能克服干涉测量方法因失相干严重而难以产生清晰的干涉条纹以及可见光图像质量由于云遮、雪盖限制的不足而成为目前山地冰川表面流速遥感监测的首选方式。为深入探讨SAR图像相关方法的适用性,以天山科契卡尔巴西冰川为研究区域,分析使用不同时间基线的ALOS PALSAR数据与ENVISat ASAR C-band 的图像相关方法估计冰川的表面流速,并使用实地测杆的DGPS(Differential GPS)测量流速进行对比验证,发现在冰川表碛覆盖区域使用图像相关方法测量的值与实测值有很好的一致性,而在裸露冰区域或坡度较大区域,误差比较大。比较长时间基线的SAR数据对特征识别的结果发现：时间基线为1 a的冬季获取的数据对估计值与实测值在表碛覆盖区域比较一致,这可能是由于前后两次获取图像时天气或地面状况比较接近。比较ALOS PALSAR 数据与ENVISat ASAR数据发现：波长较长的L-band(23.5 cm) 比C-band (5.7 cm)SAR数据更适合山地冰川的表面流速估计;另外在运用SAR数据特征匹配方法时也可能是极化方式的差异使得ALOS PALSAR (HH极化)数据比ENVISat ASAR(VV极化)数据更适合冰川研究。     

基于SAR纹理信息的农作物识别研究——以农安县为例

以吉林省农安县为研究区,以Sentinel-1B双极化数据为数据源,提取出典型农作物玉米、大豆、水稻的多个纹理特征值,筛选出最佳农作物识别纹理信息参数,结合eCognition软件中的规则库,充分挖掘SAR数据中农作物纹理特征包含的属性信息,构建决策树,基于面向对象分类方法对典型农作物进行提取,通过SAR农作物提取结果的分析,获得研究区农作物最佳分类时相及最佳农作物识别纹理信息组合,对各典型农作物进行分类制图,探讨基于SAR影像后向散射特征提高农作物识别精度的可行性。结果表明：SAR数据相对于光学数据,能提供更丰富的农作物纹理信息,选取合适的纹理信息作为分类辅助数据,可以有效解决光学数据中“异物同谱”现象,提高农作物识别精度,对于研究区农作物提取贡献最大的3种SAR纹理特征依次为：均值、方差和相异性。     

基于双极化ASAR数据的水稻信息提取

通过分析长乐市试验区2005年ENVISAT ASAR数据图像,研究水稻信息提取的方法。提出在分析两个时相、双极化ASAR水稻后向散射变化规律的基础上,构建基于两个时相、双极化的新波段图像的新方法,该方法不仅增强了水稻信息,还减少了水稻和其他背景地物的混淆度,只要采用简单的图像监督分类方法就可以很好地提取出水稻信息,其精度达到94.92%。研究表明,该方法能够有效的识别并提取出水稻信息。     

基于Yamaguchi分解模型的全极化SAR图像分类

针对利用Yamaguchi分解模型的四个散射分量直接进行类别归属判断精度不高并且所分类别有限的问题,结合模糊C均值的理论,提出了一种基于Yamaguchi分解模型的全极化SAR分类算法,把四个散射分量组成一组归一化的特征矢量,进行FCM聚类分析。并且用日本机载L波段PiSAR数据验证了该算法具有较高的分类精度和较好的视觉效果。     

全极化SAR数据土地覆盖分类精度分析

鉴于全极化SAR数据进行土地覆盖分类时不同特征组合会对分类结果带来巨大的影响,该文以美国国家土地覆盖数据为参考分析全极化SAR数据不同特征组合的土地覆盖分类精度。文中以分类精度为准则选取适用的分类方法,对比分析了不同分解组合和波段组合对分类结果的影响,同时给出同一时期成像的TM数据分类结果做比较。结果表明,SAR数据通过有效的分解组合能提高总体分类精度。同时,SAR数据不同分解特征之间有信息冗余和信息互补的关系,波段组合分类时需考虑其对分类结果的影响。波段组合分类得到了最高的总体分类精度71.6%和Kappa系数0.6,表明全极化SAR数据土地覆盖分类,尤其对于一些如"有林湿地"等待定类别,可以达到很好的分类质量。     

水云模型于L波段SAR和中国北方森林的适用性分析

水云模型假定来自植被体的体散射是主导散射机制,二面角散射可以忽略;这一假定是否适用于穿透性较强的L波段SAR和中国东北森林有待研究。本文以黑龙江省逊克县森林和ALOS PALSAR全极化数据为基础,分析典型地物的Yamaguchi极化分解散射分量的直方图,研究中国东北典型森林在L波段的散射机制,以确定水云模型的适用性。结果表明,体散射是该地区森林的主导散射机制,树干-地面的二面角散射可以忽略,水云模型的假设条件满足,可以应用于L波段SAR和中国东北森林。     

ALOS/PALSAR InSAR数学模型研究

日本ALOS卫星携带的相控阵型L波段合成孔径雷达(PALSAR),因其较长的波长使得相同时间间隔内地面具有较高的相干性,因而极具InSAR应用潜力。本文首先介绍ALOS PALSAR,进而详细分析该数据在InSAR数学模型(包括距离向频谱、干涉临界基线距、模糊高度、差分相位对形变的敏感度)中的特点,并与常见的ERS SAR数据进行比较。     

基于Sentinel-1双极化数据改进水体提取的Otsu算法

基于SAR图像的阈值分割法是水体信息有效提取的常用方法之一。针对Otsu算法对于SAR影像水体提取精度低、噪声大的问题,以C波段Sentinel-1 SAR为数据源,提出一种基于Otsu算法的SAR图像水体提取新方法。该方法首先基于双极化数据构建自然指数函数,优化原始Sentinel-1数据图像像元直方图分布,再结合Otsu算法对图像进行水体提取,最后基于DEM数据去除误提取的山体阴影。以同一天的Landsat 8光学影像作为真实水体样本进行精度评定,结果表明：在不同水体占比情况下,该方法水体提取精度均优于Otsu算法,在水体占比小于10%时综合精度提升约为20%—60%,而且噪声小、适用性强,可用于快速高效获取大范围内水体信息。     

面向土地利用类型识别的高分辨率SAR数据复合技术研究

2007年以来,相继发射了3颗1m/3m高分辨率SAR卫星,极大地丰富了土地利用动态遥感监测数据源。SAR图像增强是土地利用动态遥感监测必要的预处理步骤。本文针对直接基于SAR数据进行土地利用类型识别中存在的问题,提出了SAR与光学图像、多时相SAR图像、多极化SAR图像合成和单极化SAR图像彩色合成等4种影像复合方法,分析评价了SAR与光学图像融合的应用效果,研究结果可为高分辨率极化SAR数据业务化应用提供技术参考。     

基于雷达后向散射特性进行湿地植被识别与分类的方法研究

选择东北地区典型内陆沼泽湿地——三江平原洪河自然保护区作为研究区,结合SAR的极化特性,分析了多时相ENVISAT ASAR不同极化下洪河湿地保护区不同地物植被类型的散射特性,利用长波L波段PAL-SAR数据对植被的可穿透性及水分的敏感性,结合与光学影像TM融合后进行神经元网络分类的方法,应用决策树方法进行了多波段、多时相SAR合成湿地植被识别试验。本文将两种方法相结合,分两步完整识别出沼泽、灌丛、岛状林、草甸、开阔水体及少量农田。     

SAR目标极化识别方法研究

多极化SAR可以获得目标的极化散射矩阵,极化信息的开发和利用,极大地丰富了目标的特征参数。我们可以利用目标散射对极化敏感的特性,对目标进行分类和识别。本文对极化的基本概念进行了深入理解和研究,并给出了SAR目标极化识别的两种可行性方法,以期为实际的应用提供一定的理论依据。     

全极化合成孔径雷达影像地形纠正及其在雪冰制图中的应用

针对合成孔径雷达（SAR）影像由于地形起伏引起的图像畸变问题,文章提出了基于相干矩阵的全极化SAR影像地形纠正算法,并运用于雪冰制图。该方法首先采用距离多普勒模型建立SAR成像几何模型;然后利用全极化Cloude特征分解方法对全极化SAR图像进行融合,将融合后的SAR图像与模拟图像进行配准提高SAR影像几何定位精度;最后利用投影面积归一化和极化方位角移动补偿技术对地形引起的辐射畸变进行纠正。采用中国长江源区南部唐古拉山中段冬克玛底冰川区域的C波段Radarsat-2全极化SAR数据进行验证,配准模拟SAR和原始SAR影像的控制点方位向和距离向的均方根误差（RMSE）分别为7.765和14.586个像素;经过地形纠正后的地物分类精度达80%以上。结果表明：（1）该方法能够有效消除SAR影像中几何和辐射畸变的影响;（2）地形纠正后的SAR数据在雪冰制图中具有可行性。