CN102998664A - 一种基于合成孔径雷达的水华识别方法及装置 - Google Patents

Abstract

本发明实施例提出了一种基于合成孔径雷达的水华识别方法及装置，依据计算得到的目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型识别出水华区域，因为后向散射、形状、纹理及时空特征属性均为面向合成孔径雷达水华遥感图像的特定属性，能够代表水华区域的特征，因此，依据所述属性，能够准确识别出目标区域中的水华区域。

Description

一种基于合成孔径雷达的水华识别方法及装置

技术领域

本发明涉及遥感领域，尤其涉及一种基于合成孔径雷达的水华识别方法及装置。

背景技术

基于光学遥感技术的水华监测识别技术被广泛应用，但是光学遥感技术极易受到天气的影响，在有云雾的天气状况下，光学遥感不能使用，例如，以太湖为例，每年4月是太湖蓝藻水华的主要爆发时期，而2007年至2011年的4月-11月期间每日太湖的MODIS/Terra的卫星遥感影像显示，在当年的4月份，无云覆盖的概率是22.23%，而被云层完全覆盖的概率为41.51%，由此可以看出，基于光学的水华遥感监测技术不能满足在云雾状态下水华监测的需求。

而基于合成孔径雷达的水华监测的则不受云雾的影响，因此能够替代基于光学的遥感监测，但是，合成孔径雷达图像依靠微波成像，与光学图像相比，具有低分辨率、低信噪比及波段少的特点，所以，现有的基于光学成像的水华识别方法不适用于合成孔径雷达水华遥感图像中水华区域的识别。

发明内容

有鉴于此，本发明实施例提供了一种基于合成孔径雷达的水华识别方法及装置，目的在于解决现有的基于光学成像的水华识别方法不适用于合成孔径雷达水华遥感图像中水华区域的识别的问题。

为了实现上述目的，本发明实施例公开了以下技术方案：

一种基于合成孔径雷达的水华识别方法，应用于合成孔径雷达水华遥感图像，包括：

从所述合成孔径雷达水华遥感图像中分割目标区域；

计算所述目标区域的后向散射、形状、纹理及时空特征属性；

依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型，识别所述目标区域中的水华区域。

优选地，所述目标区域的后向散射、形状、纹理及时空特征属性包括：

目标区域的后向散射系数均值；

目标区域的周围区域的后向散射系数均值；

目标区域的周围区域的后向散射系数标准差；

目标区域的灰度直方图峰度；

目标区域的面积；

目标区域的周长；

目标区域的最小面积外接矩阵长宽之比；

目标区域的最大内接圆的半径与目标面积等价圆的半径之比；

目标区域和其最小外接矩形面积之比；

目标区域的灰度共生矩阵的对比度均值及标准差；

目标区域的灰度共生矩阵的相关性均值及标准差；

目标区域的灰度共生矩阵的一致性均值及标准差；

目标区域灰度共生矩阵的能量均值及标准差；

目标区域的边界梯度均值；

水华爆发的时空特征。

优选地，所述从所述合成孔径雷达水华遥感图像中分割目标区域包括：

计算所述合成孔径雷达水华遥感图像的灰度直方图；

依据所述灰度直方图，确定分割阈值；

依据所述分割阈值，从所述合成孔径雷达水华遥感图像中分割目标区域。

优选地，所述预设的模型包括：

支持向量机。

优选地，所述支持向量机的确定过程包括：

选择径向基核函数作为核函数，构建支持向量机模型；

使用预设的图斑样本库训练所述支持向量机模型；

当所述支持向量机模型满足预设的识别精度时，确定所述支持向量机模型为确定的支持向量机。

优选地，在所述从所述合成孔径雷达水华遥感图像中分割目标区域之前，还包括：

对所述合成孔径雷达水华遥感图像进行预处理。

一种基于合成孔径雷达的水华识别装置，应用于合成孔径雷达水华遥感图像，包括：

分割模块，用于从所述合成孔径雷达水华遥感图像中分割目标区域；

属性计算模块，用于计算所述目标区域的后向散射、形状、纹理及时空特征属性；

识别模块，用于依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型，识别所述目标区域中的水华区域。

优选地，所述分割模块包括：

直方图计算单元，用于计算所述合成孔径雷达水华遥感图像的灰度直方图；

阈值计算单元，用于依据所述灰度直方图，利用双峰法确定分割阈值；

分割单元，用于依据所述分割阈值，从所述合成孔径雷达水华遥感图像中分割目标区域。

优选地，所述识别模块包括：

模型确定单元，用于选择径向基核函数作为所述支持向量机的核函数，构建支持向量机模型，并使用预设的图斑样本库训练所述支持向量机模型，当所述支持向量机模型满足预设的识别精度时，确定所述支持向量机模型为确定的支持向量机；

识别单元，用于依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用所述模型确定单元确定的支持向量机识别所述目标区域中的水华区域。

优选地，所述装置还包括：

预处理模块，用于对所述合成孔径雷达水华遥感图像进行预处理。

本发明实施例所述的基于合成孔径雷达的水华识别方法及装置，依据计算得到的目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型识别出水华区域，因为后向散射、形状、纹理及时空特征属性均为面向合成孔径雷达水华遥感图像的特定属性，能够代表水华区域的特征，因此，依据所述属性，能够准确识别出目标区域中的水华区域。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种基于合成孔径雷达的水华识别方法的流程图；

图2为本发明实施例公开的原始SAR水华遥感图像；

图3为本发明实施例公开的又一种基于合成孔径雷达的水华识别方法的流程图；

图4为图2所述的原始SAR水华遥感图像经过上述预处理过程后得到的预处理后图像；

图5为本发明实施例公开图4的灰度直方图；

图6为本发明实施例公开的预处理后图像分割后的图像；

图7为本发明实施例公开的又一种基于合成孔径雷达的水华识别方法的流程图；

图8为本发明实施例公开的基于合成孔径雷达的水华识别方法识别结果的示意图；

图9为本发明实施例公开的一种基于合成孔径雷达的水华识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于合成孔径雷达的水华识别方法，所述合成孔径雷达（Synthetic Aperture Radar，SAR），为一种微波成像雷达，利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成较大的等效天线孔径。

与光学遥感成像不同，基于合成孔径雷达的微波成像的原理为：水华阻尼了水面的毛细波，降低了微波的后向散射，因此，与水体区域相比，水华区域在雷达影像上形成黑色区域。

如图1所述，所述方法包括：

S101：从所述合成孔径雷达水华遥感图像中分割目标区域；

除了水华会造成微波的后向散射外，低速风也会造成微波的后向散射，因此，低速风经过的水面在合成孔径雷达水华遥感图像中也会形成黑色区域，这也是使用合成孔径雷达识别水华的主要干扰因素。

本实施例中，从合成孔径雷达水华遥感图像中分割出目标区域，是指分割出黑色区域，包括水华区域，也可能包括低速风经过的水面，后续步骤中，将识别出哪些黑色区域是真正的水华区域。

图像分割方法有多种，针对合成孔径雷达遥感图像可以采用基于直方图的图像分割方法。

S102：计算所述目标区域的后向散射、形状、纹理及时空特征属性；

如前所述，合成孔径雷达遥感图像中的黑色区域可能是水华区域，也可能是低风速造成的非水华区域，为了进行区别，需要对黑色区域的特征属性进行分析，结合微波成像的原理，本发明实施例中，优选目标区域的后向散射、形状、纹理及时空特征属性对目标区域即黑色区域进行分析。

进一步地，所述目标区域的后向散射、形状、纹理及时空特征属性包括：

目标区域的后向散射系数均值、目标区域的周围区域的后向散射系数均值、目标区域的周围区域的后向散射系数标准差、目标区域的灰度直方图峰度、目标区域的面积、目标区域的周长、目标区域的最小面积外接矩阵长宽之比、目标区域的最大内接圆的半径与目标面积等价圆的半径之比、目标区域和其最小外接矩形面积之比、目标区域的灰度共生矩阵的对比度均值及标准差、目标区域的灰度共生矩阵的相关性均值及标准差、目标区域的灰度共生矩阵的一致性均值及标准差、目标区域灰度共生矩阵的能量均值及标准差、目标区域的边界梯度均值以及水华爆发的时空特征。

其中包括20个具体特征属性，其中前18个为目标区域的基本属性，水华爆发的时空特征是指，某一水体水华爆发的呈现规律性的时间和空间特征，例如，太湖水华爆发具有一定的时空分布特点，研究发现每年3～12月蓝藻水华爆发次数有先增后降的趋势，而1、2月较少发生水华。太湖蓝藻水华主要发生在北部和西部湖区，东部和南部湖区发生次数较少。其原因一方面是西部和北部湖区有较多入湖河流，其带来的大量营养物质使该湖区富营养化较为严重，另一方面由于太湖地区夏季东南风居多，使蓝藻水华向下风向的西部和北部湖区聚集。利用太湖水华爆发的这种时空分布特征，对研究目标设置时间特征属性(OBJMONTH)和空间特征属性(OBJLOCATION)规则，如下表。

表1.SAR图像暗区图斑时空属性设置

依据上述时空特征，有利于识别水华区域和非水华区域。

S103：依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型，识别所述目标区域中的水华区域。

因为上述目标区域的特征属性不具有明显的线性特征，因此无法简单地使用阈值比较的方法识别出水华区域，因此，本发明实施例中采用非线性的模型对水华区域进行识别。

本实施例所述的基于合成孔径雷达的水华识别方法，依据微波成像图像中各个像素间对比度低及差异小的特点，没有采用基于像素的处理及识别方法，而采用面向合成孔径雷达遥感图像的分类识别方法，充分挖掘出水华区域和非水华区域的特征属性，从后向散射、形状、纹理和时空特征上描述目标区域的特征，因此，有利于水华区域的准确识别。

本发明实施例公开的又一种基于合成孔径雷达的水华识别方法，图2中为原始SAR水华遥感图像，可以看出，其中包括水体区域和陆地区域，水体区域中包括黑色区域即目标区域，本实施例中所述的方法，目的在于识别出黑色区域中的水华区域。如图3所示，所述方法包括：

S301：对所述合成孔径雷达水华遥感图像进行预处理；

为了便于后续的图像过程分割，本实施例中，在从所述合成孔径雷达水华遥感图像中分割目标区域之前，先对合成孔径雷达水华遥感图像进行预处理。

具体地，所述预处理过程可以包括：

将SAR水华遥感图像进行辐射校正及几何纠正，其中，辐射校正（radiometric correction）是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程；几何校正是指消除或改正遥感影像几何误差的过程。

使用Refined Lee滤波器和中值滤波器对辐射校正及几何校正后的SAR水华遥感图像进行滤波；

将经过滤波后的SAR水华遥感图像进行掩膜处理，所述掩膜处理是指，将所述经过滤波后的SAR水华遥感图像与预设的掩膜图像进行运算，以使得将经过滤波后的SAR水华遥感图像中的非目标区域，即陆地区域或其它非研究区域的像素值设置为1，或者设置为0，可以根据实际情况选择掩膜区的像素值。

图4为图2所述的原始SAR水华遥感图像经过上述预处理过程后得到的预处理后图像，可以看出，陆地区域及非研究水体区域均的像素值被设置为零，表现在图像中，这些区域均呈现白色，而灰白色的水体区域和黑色区域被保留。

S302：计算预处理后的SAR水华遥感图像的灰度直方图；

计算得到的图4的灰度直方图如图5所示，

S303：依据所述灰度直方图，确定分割阈值；

因为上述经过预处理后的SAR水华遥感图像的灰度直方图呈现双峰形态，因此，可以采用双峰法确定分割阈值，具体过程为：

（1）求出图5中所示直方图曲线的极大值与极小值。

（2）将每2个极大值和每1个极小值组成一个组合，过该极小值点作垂直于横轴的直线，该直线与2个极大值点连线相交，求得该极小值点与此交点的连线的长度，取此长度最长的组合的那2个极大值点作为该直方图的2个峰值点，例如图5中，选定的峰值点为p1，p2，并搜索到2个峰值点之间的最小的极小值点v。

（3）考虑灰度直方图的双峰的高度比以及其中的极小值点和双峰中点的距离，求得分割阈值：

T=(v+offset)/256

其中，offset=((p2+p1)/2-v)*(1-1/(ratio_p12+1))*0.9；T为分割阈值，ratio_p12为直方图2个峰值的高度比。

需要说明的是，在本发明的实践过程中证明，预处理后的SAR水华遥感图像绝大多数情况下均呈现双峰，若个别情况下可能出现极大值个数小于2或极小值个数小于1的情况，在此情况下，可以采用现有技术中的其它方法确定阈值，本实施例所述的阈值确定方法仅为优选方式。

S304：依据所述分割阈值，从所述合成孔径雷达水华遥感图像中分割目标区域。

依据上述确定的阈值，将预处理后的SAR水华遥感图像水体区域中的黑色区域分割出来，作为目标区域。从图4中分割出的目标区域如图5所示，其中，只包括黑色区域。

S305：计算所述目标区域的后向散射、形状、纹理及时空特征属性；

本实施例中，可以采用上述实施例中的具体的特征属性，这里不再赘述。

S306：依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型，识别所述目标区域中的水华区域。

基于上述非线性的特征属性，本实施例中优选非线性的模型进行识别，这里不做具体限定。

本实施例所述的基于合成孔径雷达的水华识别方法，在对图像进行分割之前，采用了预处理过程，以便于准确提取出图像中的目标区域，依据预处理后的图像的直方图呈现的特点，采用双峰法确定分割阈值，从图6中可以看出，采用本实施例确定的阈值，能够将目标区域准确地分割出来，为后续水华区域的识别奠定了良好的基础。

本发明实施例还公开了一种基于合成孔径雷达的水华识别方法，如图7所示，包括：

S701：选择径向基核函数作为核函数，构建支持向量机模型；

支持向量机（SVM）的主要思想是寻找一个最优超平面将输入的样本向量分成2类，并使得2类间空隙最大。而最优分类超平面就是由一些训练样本(就是支持向量机理论中所说的支持向量)来描述，以结构风险最小化原理为基础SVM具有小样本学习和推广泛化能力强的优点。因为含有水华的SAR图像数量有限，因此具有上述特性的SVM模型适用于SAR水华遥感图像中水华区域的识别。

本实施例中优选libsvm的C-SVC分类器来对SAR图斑信息进行分类预测，选择径向基（Radial Basis Function，RBF）核函数作为支持向量机模型的核函数。

S702：使用预设的图斑样本库训练所述支持向量机模型；

本实施例中，图斑样本库为预先划分好类别的黑色区域组成的样本库，即所述样本库中包括足够数量的黑色区域，这些黑色区域的类别已知，分别属于水华区、类似水华区和混合区3个类别。水华区是指对应光学图像上有水华特征的区域。类似水华区是指对应光学图像上无水华特征的区域。混合区是指只有部分区域在对应光学图像上有水华特征的区域，它是由水华区和类似水华区连在一起而形成。

在使用上述图斑样本库对支持向量机模型进行训练时，先进行样本数据的预处理，把训练集和测试集归一化到[-1，1]之间，接着采用交差验证的方法确定最优参数（惩罚参数c和核函数参数g），然后使用训练集对支持向量机模型进行训练。

S703：当所述支持向量机模型满足预设的识别精度时，确定所述支持向量机模型为确定的支持向量机。

对所述支持向量机模型训练完成后，使用测试集对支持向量机模型进行识别测试，即使用支持向量机模型对测试集中的图斑进行识别，比照图斑样本库，判断识别结果是否正确，并记录识别正确和错误的概率，当所述支持向量机模型满足预设的识别精度时，确定所述支持向量机模型为确定的支持向量机。

本实施例中，也可以使用准同步光学影像辅助判断测试的精度，当使用准同步光学影像辅助时，可以在预处理过程中将SAR水华遥感图像进行空间分辨率的重采样，将SAR水华遥感图像的空间分辨率调整到与光学图像相同的空间分辨率。

以上为确定支持向量机的过程，除此以外，在确定支持向量机之前或之后，本实施例所述的方法还可以包括与上述实施例相同的预处理的过程，这里不再赘述。

S704：从所述合成孔径雷达水华遥感图像中分割目标区域；

S705：计算所述目标区域的后向散射、形状、纹理及时空特征属性；

本实施例中，采用与上述实施例中相同的特征属性，这里不再赘述。

需要说明的是，S704和S705可以在S701至S703之前执行，也可以在其之后执行，这里不做限定。

S706：依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用S703中确定的支持向量机，识别所述目标区域中的水华区域。

如图8所示，将依据上述方法，将图6中的黑色区域分别识别为水化区及类似水华区，为了使得水华区及类似水华区在水体中的位置更为直观，图8中，将识别出的各个区域叠加于分割之前的原始图像中。

本实施例所述的方法，依据特征属性的特点，选择支持向量机进行识别，从图8中可以看出，识别效果良好，说明本实施例采用的基于合成孔径雷达的水华识别方法适用于合成孔径雷达水华遥感图像中水华区域的识别。

与上述方法实施例相对应的，本发明实施例还公开了一种基于合成孔径雷达的水华识别装置，如图9所示，包括：

分割模块901，用于从所述合成孔径雷达水华遥感图像中分割目标区域；

其中，分割模块具体包括：

直方图计算单元，用于计算所述合成孔径雷达水华遥感图像的灰度直方图；

阈值计算单元，用于依据所述灰度直方图，利用双峰法确定分割阈值；

分割单元，用于依据所述分割阈值，从所述合成孔径雷达水华遥感图像中分割目标区域。

属性计算模块902，用于计算所述目标区域的后向散射、形状、纹理及时空特征属性；

识别模块903，用于依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型，识别所述目标区域中的水华区域。

识别模块中可以具体包括：

模型确定单元，用于选择径向基核函数作为所述支持向量机的核函数，构建支持向量机模型，并使用预设的图斑样本库训练所述支持向量机模型，当所述支持向量机模型满足预设的识别精度时，确定所述支持向量机模型为确定的支持向量机；

识别单元，用于依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用所述模型确定单元确定的支持向量机识别所述目标区域中的水华区域。

本实施例所述的基于合成孔径雷达的水华识别装置，以面向对象的特征属性为依据，采用预设的支持向量机模型对SAR水华遥感图像中的水华区域进行识别，而非采用像素等级的处理及识别方法，结果证明，本实施例所述的装置能够适用于SAR水华遥感图像中的水华区的识别。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备（可以是个人计算机，服务器，移动计算设备或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于合成孔径雷达的水华识别方法，其特征在于，应用于合成孔径雷达水华遥感图像，包括：

从所述合成孔径雷达水华遥感图像中分割目标区域；

计算所述目标区域的后向散射、形状、纹理及时空特征属性；

依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型，识别所述目标区域中的水华区域。

2.根据权利要求1所述的方法，其特征在于，所述目标区域的后向散射、形状、纹理及时空特征属性包括：

目标区域的后向散射系数均值；

目标区域的周围区域的后向散射系数均值；

目标区域的周围区域的后向散射系数标准差；

目标区域的灰度直方图峰度；

目标区域的面积；

目标区域的周长；

目标区域的最小面积外接矩阵长宽之比；

目标区域的最大内接圆的半径与目标面积等价圆的半径之比；

目标区域和其最小外接矩形面积之比；

目标区域的灰度共生矩阵的对比度均值及标准差；

目标区域的灰度共生矩阵的相关性均值及标准差；

目标区域的灰度共生矩阵的一致性均值及标准差；

目标区域灰度共生矩阵的能量均值及标准差；

目标区域的边界梯度均值；

水华爆发的时空特征。

3.根据权利要求1所述的方法，其特征在于，所述从所述合成孔径雷达水华遥感图像中分割目标区域包括：

计算所述合成孔径雷达水华遥感图像的灰度直方图；

依据所述灰度直方图，确定分割阈值；

依据所述分割阈值，从所述合成孔径雷达水华遥感图像中分割目标区域。

4.根据权利要求1所述的方法，其特征在于，所述预设的模型包括：

支持向量机。

5.根据权利要求4所述的方法，其特征在于，所述支持向量机的确定过程包括：

选择径向基核函数作为核函数，构建支持向量机模型；

使用预设的图斑样本库训练所述支持向量机模型；

当所述支持向量机模型满足预设的识别精度时，确定所述支持向量机模型为确定的支持向量机。

6.根据权利要求1所述的方法，其特征在于，在所述从所述合成孔径雷达水华遥感图像中分割目标区域之前，还包括：

对所述合成孔径雷达水华遥感图像进行预处理。

7.一种基于合成孔径雷达的水华识别装置，其特征在于，应用于合成孔径雷达水华遥感图像，包括：

分割模块，用于从所述合成孔径雷达水华遥感图像中分割目标区域；

属性计算模块，用于计算所述目标区域的后向散射、形状、纹理及时空特征属性；

识别模块，用于依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用预设的模型，识别所述目标区域中的水华区域。

8.根据权利要求7所述的装置，其特征在于，所述分割模块包括：

直方图计算单元，用于计算所述合成孔径雷达水华遥感图像的灰度直方图；

阈值计算单元，用于依据所述灰度直方图，利用双峰法确定分割阈值；

分割单元，用于依据所述分割阈值，从所述合成孔径雷达水华遥感图像中分割目标区域。

9.根据权利要求7所述的装置，其特征在于，所述识别模块包括：

模型确定单元，用于选择径向基核函数作为所述支持向量机的核函数，构建支持向量机模型，并使用预设的图斑样本库训练所述支持向量机模型，当所述支持向量机模型满足预设的识别精度时，确定所述支持向量机模型为确定的支持向量机；

识别单元，用于依据所述目标区域的后向散射、形状、纹理及时空特征属性，使用所述模型确定单元确定的支持向量机识别所述目标区域中的水华区域。

10.根据权利要求7所述的装置，其特征在于，还包括：

预处理模块，用于对所述合成孔径雷达水华遥感图像进行预处理。

Images