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。     

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。     

一种新的简缩极化SAR图像H/α特征空间

现有简缩极化(Compact Polarimetry)SAR图像H/α经验特征空间存在两个问题:一是没有考虑简缩极化模式下的散射熵普遍高于全极化模式;二是在散射机制重叠区域,简缩极化H/α空间的分类能力较弱,尤其是多次散射。针对以上问题首先定量分析了DCP模式简缩极化SAR的散射角与全极化SAR数据散射角之间的关系,且在对7组不同传感器的SAR数据分析的基础上,提出了散射熵的替代参数ED,基于Monte Carlo模拟实验得到了H/α分解的各参数(熵H、平均散射角α和替代参数ED)分解的稳态条件;然后通过统计各散射机制在ED/α分布的密度空间,提出了一种新的简缩极化SAR图像ED/α特征空间。实验结果表明:替代参数ED与全极化熵具有良好相关性,而且ED/α特征空间提高了散射机制分类的精度。     

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。     

基于物理散射模型的全极化SAR图像增强滤波算法

针对传统的极化SAR滤波方法图像中城镇区域和植被区域地物在滤波中易被混淆, 导致滤波后图像中地物边缘保持效果下降的问题, 提出了一种增强的保持极化散射特性的滤波算法。利用一种增强的四分量极化分解方法获取更加精确的地物散射机制, 并将散射机制信息引入滤波方法中, 使滤波算法中像素的散射机制更精确。增强的四分量极化分解方法引入了极化SAR数据的定向角补偿技术、一种新的体散射模型以及两种散射功率限制条件, 来改进Freeman-Durden分解的结果。理论分析和实验结果表明, 改进后的方法获取了比传统的极化SAR图像滤波算法更加理想的计算结果。     

基于特征向量分解与散射机制判别指数的全极化SAR图像地物提取与分类

基于特征向量分解和基于散射模型的极化目标分解是全极化SAR非相干分解中的典型算法。本文对比研究了两种算法的特点及分解结果在地物识别分类方面的优势,在基于特征向量分解得到的H-Alpha特征平面的基础之上,引入散射机制判别指数来刻画地物的类别差异,从而能约束H-Alpha平面分割的界限以提高分类的精度,而且利用散射机制占优性强弱可辅助分类结果的解译。实验选取了鄱阳湖地区一景Radarsat-2标准全极化数据,实验结果对比表明一种散射机制占主导的地物,分类精度得到改善,特别是水域、形成二面角的目标区和成片分布的植被区域可以显著地提取出来。     

一种新的基于Wishart MRF的全极化SAR图像分类方法

无监督的Wishart分类算法在多次迭代后,容易出现错分现象,即多个类别属于同一类散射机制,或者多种散射都拥有相同的类别标签。针对此问题,提出了一种新的基于Wishart MRF的无监督全极化SAR图像分类方法。新方法改进了散射机制保持的方式,即并不是完全限制像素点的散射机制,而是根据像素点的散射机制在迭代过程中给定一个有限的范围。同时,使用一种自适应区域的MRF方法来提取像素点的先验信息。该方法不仅考虑了全极化SAR数据的散射性质,而且结合了统计特性和邻域信息,并在一定程度上保持了散射性质。实验结果证明,与传统的Wishart和基于散射机制保持的Wishart算法相比,该方法在JPL/NASA的AIRSAR数据上取得了更好的分类结果。     

简缩极化SAR数据信息提取与应用

全极化(FP)成像模式丰富了合成孔径雷达(SAR)数据的信息量,在地物分类、环境监测、目标探测等领域取得了广泛应用,但是全极化系统受设计和维护复杂度、功率消耗、覆盖范围和数据下传等因素影响,制约了全极化SAR的应用.简缩极化(CP)SAR系统不仅降低了全极化SAR系统的复杂度,还能在一定程度上保持全极化信息,在森林参数反演、地物分类、目标检测等领域已取得了初步的成果.本文简要介绍了简缩极化SAR系统的基本原理,阐述了简缩极化SAR的全极化信息重建及分解的主要方法,并总结其近十年的主要研究成果,最后给出了其发展趋势.     

面向极化目标分解的特征参数研究

为有效的解决极化特征分解中平均阿尔法角参数和熵参数的估计量偏低的问题,引入了加权平均函数、香农强度熵和极化度熵这3个参数,来描述地物散射回波的散射机制和散射随机性.给出了相干矩阵数据特征分解算法的实现流程,对AIRSAR数据集中的样本图像进行了定性的、定量的实验.实验结果表明,在不改变采样数量的前提下,新的参数值得到了提升.将新的参数应用于有监督威沙特距离分类,并通过蒙特卡罗仿真器验证了新的参数能够提高分类精度.     

基于RadarSat-2全极化数据的水稻识别

极化信息是雷达数据的独特优势,为雷达遥感应用研究开辟了新的途径。极化分解是一种新型的极化数据处理方法,它从数学物理的角度分析目标的散射机制。基于RadarSat\|2全极化数据,以贵州高原丘陵为试验区,研究水稻的极化响应特征及其时域变化规律,根据极化分解理论分析水稻及典型地物的散射机制及其差异,并根据水稻散射机制的特点提取水稻信息。     

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。     

以地物识别和分类为目标的高光谱数据挖掘

高光谱信息挖掘技术是高光谱数据应用延拓与深入的重要环节,其核心在于光谱信息的挖掘,基于高光谱遥感信息的特点,探讨分析以地物识别与分类目标的高光谱数据挖掘技术,包括基于模式识别的高光说诺于光谱波形特征的挖掘技术,以及亚象元光谱挖掘。     

利用SVM与灰度共生矩阵从QuickBird影像中提取枇杷信息

以福建省莆田市东圳水库库区为例,采用QuickBird卫星影像,利用主成分分析方法对灰度共生矩阵方法提取的地物纹理特征进行筛选,选择最佳的影像纹理特征,组成新的波段组合,并应用支持向量机方法(Support Vector Machine,SVM)进行枇杷树的提取分类,最后与只依靠光谱信息来分类的SVM法分类结果进行比较,其分类总精度由原来的71.33%提高到了86.67%,Kappa系数也由原来的0.6410提高到了0.8293,分类精度明显提高,表明光谱信息加入纹理特征信息能辅助并提升高分辨率遥感枇杷树信息提取的精度。     

基于面向对象的平潭岛大比例尺森林资源监测方法

利用高分辨率遥感影像对森林资源进行大比例尺动态监测可以有效提高林业部门对森林资源管理的时效性。以福州市平潭岛为研究区域,利用高分辨率的WorldView\|2遥感影像,结合大比例尺森林小班矢量图层,基于面向对象的分类思想,采用分层监督分类的方法,提取森林资源变化图斑,实现大比例尺森林资源的动态监测。此种方法有效利用了原始小班边界,快速提取了变化区域,总体分类精度达到了90.85%,表明利用该方法进行大比例尺森林资源变化区域提取是有效可行的。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题，提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息，然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型，最后通过随机样本选取构建随机森林（Random Forest,RF）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree,DT）分类算法模型提取地表信息。结果表明：①针对不同特征协同策略，在随机选取10%训练样本时，Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略；②针对不同地表信息提取算法模型，通过50次随机选取训练样本构建模型评价分类精度，验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息，为光学和雷达遥感协同地表信息提取提供新的思路。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题,提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息,然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型,最后通过随机样本选取构建随机森林（Random Forest,RF）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree,DT）分类算法模型提取地表信息。结果表明：①针对不同特征协同策略,在随机选取10%训练样本时,Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略;②针对不同地表信息提取算法模型,通过50次随机选取训练样本构建模型评价分类精度,验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息,为光学和雷达遥感协同地表信息提取提供新的思路。     

机载激光水下目标探测中GPS的应用

在机载激光对水下目标探测技术中,如何快速有效的搜索目标并得到目标的精确位置信息是其中的重要内容,为此,研究提出了将全球卫星定位系统（GPS）应用于机载激光水下目标探测的方法,将GPS信号作为探测信号的一个参数,与探测信号同时进行实时的传输与存储。基于此方法可以实现多机协同的高效搜索,并可对每个探测信号实现精确定位,使探测信息在脱线分析中也能得到充分利用。针对上述方法进行了仿真试验,证明了其可行性。     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

Building Height Estimation from GF-2 Image based on Morphological Shadow Index

GF-2 is a high resolution earth observing satellite with sub\|meter resolution which is developed by our own technique.To estimate urban building height based on GF\|2 remote sensing image combined with the idea of mathematical morphology and object\|oriented classification.First of all,segment image based on multi\|scale segmentation.Then extract shadow and calculate its length based on object\|oriented classification combined with spectral,shape,Morphological Shadow Index (MSI) and other features.In the end,estimate building height based on the geometrical model of satellite,sun and building and then accuracy evaluation and error analysis are carried out by using the field measurement data.Experimental results showed that 90% of the buildings’ absolute error is less than 1 m.This experiment demonstrate that the method can extract the height of urban building from the GF\|2 image effectively and the immense potential of domestic high resolution remote sensing image in applications on urban building information extraction.