CN103699784A - 一种基于全极化合成孔径雷达数据的聚类方法及系统 - Google Patents
一种基于全极化合成孔径雷达数据的聚类方法及系统 Download PDFInfo
- Publication number
- CN103699784A CN103699784A CN201310687162.2A CN201310687162A CN103699784A CN 103699784 A CN103699784 A CN 103699784A CN 201310687162 A CN201310687162 A CN 201310687162A CN 103699784 A CN103699784 A CN 103699784A
- Authority
- CN
- China
- Prior art keywords
- scattering
- target
- dominant
- ground object
- polarization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明适用于合成孔径雷达遥感信息处理技术领域,提供了一种基于全极化合成孔径雷达数据的聚类方法,包括:获取原始单视全极化POLSAR数据;对所述原始单视全极化POLSAR数据进行多视处理,构造描述地物目标的极化相干矩阵;判断所述地物目标是以分布式散射占优还是点目标散射占优;对以分布式散射占优的地物目标进行非监督分类;对以点目标散射占优的地物目标进行非监督分类。本发明避免了直接应用Freeman分解、Cloude分解进行目标分类所产生的错误,分类结果对地物实际状况的描述更加准确。
Description
技术领域
本发明属于合成孔径雷达遥感信息处理技术领域,尤其涉及一种基于全极化合成孔径雷达数据的聚类方法及系统。
背景技术
随着雷达技术的发展,极化SAR已成为SAR的发展趋势,极化SAR能够得到更丰富的目标信息,在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值,如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测,目标检测和海洋污染检测等。极化图像分类的目的是利用机载或星载极化传感器获得的极化测量数据,确定每个像素所属的类别。经典的极化SAR分类方法包括:
基于相干矩阵的特征矢量分析,Cloude于1986年提出了能够包含所有散射机理的分解定理,这种方法的优点在于:在不同极化基下能够保持特征值不变。3×3相干矩阵是半正定的Hermitian矩阵,根据半正定Hermitian矩阵的性质,相干矩阵可以表示为三个独立目标的相干和,每个目标的等价散射矩阵都表示确定性的散射机制。Cloude的初步工作主要是通过提取相干矩阵的最大特征值来分辨目标的主要散射机制,根据最大特征值对应的特征向量,将地物目标按散射机制分为三类:表面散射、二面角散射、体散射。
1998年,Freeman和Durden在van Zyl的工作基础上,为极化协方差(或相干)矩阵建立三种散射机制的模型:体散射,冠层散射体的模型是一组方向随机的偶极子集合;二次散射,其模型是二面角反射器;表面或单次散射,其模型是一阶布拉格表面散射体。
Freeman和Durden将自然分布地物表示为三类散射模型的相干和,这种分解方法是基于雷达散射的物理特征,而不仅仅是数学公式的推导,实验结果表明分解方法对于分类遭受洪灾与未遭受洪灾森林、森林与非森林区域非常有效。
然而,这两类主要方法都存在明显的不足,如对Freeman与Durden方法,该散射模型的一个基本假设是反射对称性。这种假设限制该算法的应用在水平平坦地表。与Cloude基于特征向量的分解不同,它不是旋转不变的。特别对于人造目标会出错误解译。例如,倾斜45°的两面角散射会被解译成体散射。对于地形起伏较大的地区,表面散射也可能被误认为体散射。而对于Cloude方法,由于其分类所依据的H-a平面边界划分具有一定的任意性,使得其分类结果差强人意。
发明内容
本发明的目的在于提供一种对极化SAR数据的划分更加严谨,对地物散射机理的反演更加准确的基于全极化合成孔径雷达数据的聚类方法及系统。
本发明是这样实现的,一种基于全极化合成孔径雷达数据的聚类方法,所述方法包括以下步骤:
获取原始单视全极化POLSAR数据;
对所述原始单视全极化POLSAR数据进行多视处理,构造描述地物目标的极化相干矩阵;
判断所述地物目标是以分布式散射占优还是点目标散射占优;
对以分布式散射占优的地物目标进行非监督分类;
对以点目标散射占优的地物目标进行非监督分类。
本发明的另一目的在于提供一种基于全极化合成孔径雷达数据的聚类系统,所述系统包括:
数据获取模块,用于获取原始单视全极化POLSAR数据;
多视处理模块,用于对所述原始单视全极化POLSAR数据进行多视处理,构造描述地物目标的极化相干矩阵;
判断模块,用于判断所述地物目标是以分布式散射占优还是点目标散射占优;
第一非监督分类模块,用于对以分布式散射占优的地物目标进行非监督分类;
第二非监督分类模块,用于对以点目标散射占优的地物目标进行非监督分类。
在本发明中,本发明所提出的基于极化合成孔径雷达数据的地物非监督分类方法,将地物目标按照判别准则首先归类为点目标散射占优或分布目标散射占优两类目标,然后对不同属性的目标,分别应用不同的进一步归类方法。该方法避免了直接应用Freeman分解、Cloude分解进行目标分类所产生的错误,分类结果对地物实际状况的描述更加准确。
附图说明
图1是本发明实施例提供的基于全极化合成孔径雷达数据的聚类方法的实现流程示意图。
图2是本发明实施例提供的分布式目标二维参数(H、alpha)分类平面的示意图。
图3是本发明实施例提供的基于全极化合成孔径雷达数据的聚类系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,为本发明实施例提供的基于全极化合成孔径雷达数据的聚类方法的实现流程,其包括以下步骤:
在步骤S101中,获取原始单视全极化POLSAR数据;
在步骤S102中,对所述原始单视全极化POLSAR数据进行多视处理,构造描述地物目标的极化相干矩阵;
在本发明实施例中,以极化相干矩阵T表示POLSAR数据。
在本发明实施例中,所述的多视处理是对原始单视全极化POLSAR数据的n*n窗口平均,并将地物目标以极化相干矩阵形式表示:
在步骤S103中,判断所述地物目标是以分布式散射占优还是点目标散射占优;
在本发明实施例中,判断所述地物目标是以分布式散射占优还是点目标散射占优的标准依据极化相干矩阵中的元素:
表示HH+VV与HH-VV两种散射机理的相关性;
判别标准如下:
γ12≤0.02且γ13≤0.02,则地物目标以分布式散射为主;
否则,地物目标以点目标散射为主。
在步骤S104中,对以分布式散射占优的地物目标进行非监督分类;
在本发明实施例中,对以分布式散射占优的地物目标进行非监督分类是指:对以分布式散射占优的地物目标,提取其最大的分布式散射分量TN:
TN=T-T0
T0是秩为1的稳态目标,TN是秩大于1的分布散射体,具有旋转不变性。
对分布式散射分量TN,进行Cloude分解,提取参数散射熵H和极化散射角alpha。
请参阅图2是分布式目标二维参数(H、alpha)分类平面。
按照图2所示,若二维参数(散射熵和极化散射角)(H、alpha)位于区间I,则目标散射为多次二面角散射,代表的地物为复杂城市;若二维参数位于区间II,则目标散射为体散射,代表的地物为分布式植被;若二维参数位于区间III,则表示目标散射为Bragg散射,代表的地物为水体、裸地或草坪。
在步骤S105中,对以点目标散射占优的地物目标进行非监督分类。
在本发明实施例中,对以点目标散射占优的地物目标进行非监督分类是指:对以点目标散射占优的地物目标,提取其最大的点目标散射分量T0:
其中
对点目标散射分量T0,应用SDH分解计算三散射分量相干球分量ks、二面角分量kd、螺旋体分量kh,
若螺旋体分量kh为三分量中最大,则表示目标散射以螺旋体散射为主,代表的地物为整齐分布的街道,其中街道走向与雷达入射方向夹角大于45度;
若二面角分量kd为三分量中最大,则表示目标散射以二面角散射为主,代表的地物为整齐分布的街道,其中街道走向与雷达入射方向夹角小于45度;
若相干球分量ks为三分量中最大,则表示目标散射以相干球散射为主,代表的地物为球体或三面角。
请参阅图3,为本发明实施例提供的基于全极化合成孔径雷达数据的聚类系统的结构。为了便于说明,仅示出了与本发明实施例相关的部分。所述基于全极化合成孔径雷达数据的聚类系统包括:数据获取模块101、多视处理模块102、判断模块103、第一非监督分类模块104、以及第二非监督分类模块105。所述基于全极化合成孔径雷达数据的聚类系统可以是软件单元、硬件单元或者是软硬件结合的单元。
数据获取模块101,用于获取原始单视全极化POLSAR数据;
多视处理模块102,用于对所述原始单视全极化POLSAR数据进行多视处理,构造描述地物目标的极化相干矩阵;
判断模块103,用于判断所述地物目标是以分布式散射占优还是点目标散射占优;
第一非监督分类模块104,用于对以分布式散射占优的地物目标进行非监督分类;
第二非监督分类模块105,用于对以点目标散射占优的地物目标进行非监督分类。
在本发明实施例中,
多视处理模块102,具体用于对原始单视全极化POLSAR数据进行n*n窗口平均。
在本发明实施例中,
判断模块103,具体用于依据极化相干矩阵中的元素来判断所述地物目标是以分布式散射占优还是点目标散射占优。
在本发明实施例中,
第一非监督分类模块104,具体用于对以分布式散射占优的地物目标,提取其最大的分布式散射分量TN。
在本发明实施例中,
第二非监督分类模块105,具体用于对以点目标散射占优的地物目标,提取其最大的点目标散射分量T0。
综上所述,本发明实施例所提出的基于极化合成孔径雷达数据的地物非监督分类方法,将地物目标按照判别准则首先归类为点目标散射占优或分布目标散射占优两类目标,然后对不同属性的目标,分别应用不同的进一步归类方法。该方法避免了直接应用Freeman分解、Cloude分解进行目标分类所产生的错误,分类结果对地物实际状况的描述更加准确。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于全极化合成孔径雷达数据的聚类方法,其特征在于,所述方法包括以下步骤:
获取原始单视全极化POLSAR数据;
对所述原始单视全极化POLSAR数据进行多视处理,构造描述地物目标的极化相干矩阵;
判断所述地物目标是以分布式散射占优还是点目标散射占优;
对以分布式散射占优的地物目标进行非监督分类;
对以点目标散射占优的地物目标进行非监督分类。
2.如权利要求1所述的方法,其特征在于,所述对所述原始单视全极化POLSAR数据进行多视处理,构造描述地物目标的极化相干矩阵的步骤,具体为:
对原始单视全极化POLSAR数据进行n*n窗口平均,并将地物目标以极化相干矩阵形式表示:
4.如权利要求1所述的方法,其特征在于,所述对以分布式散射占优的地物目标进行非监督分类的步骤,具体为:
对以分布式散射占优的地物目标,提取其最大的分布式散射分量TN。
5.如权利要求1所述的方法,其特征在于,所述对以点目标散射占优的地物目标进行非监督分类的步骤,具体为:
对以点目标散射占优的地物目标,提取其最大的点目标散射分量T0:
其中
对点目标散射分量T0,应用SDH分解计算三散射分量相干球分量ks、二面角分量kd、螺旋体分量kh,
若螺旋体分量kh为三分量中最大,则表示目标散射以螺旋体散射为主,代表的地物为整齐分布的街道,其中街道走向与雷达入射方向夹角大于45度;
若二面角分量kd为三分量中最大,则表示目标散射以二面角散射为主,代表的地物为整齐分布的街道,其中街道走向与雷达入射方向夹角小于45度;
若相干球分量ks为三分量中最大,则表示目标散射以相干球散射为主,代表的地物为球体或三面角。
6.一种基于全极化合成孔径雷达数据的聚类系统,其特征在于,所述系统包括:
数据获取模块,用于获取原始单视全极化POLSAR数据;
多视处理模块,用于对所述原始单视全极化POLSAR数据进行多视处理,构造描述地物目标的极化相干矩阵;
判断模块,用于判断所述地物目标是以分布式散射占优还是点目标散射占优;
第一非监督分类模块,用于对以分布式散射占优的地物目标进行非监督分类;
第二非监督分类模块,用于对以点目标散射占优的地物目标进行非监督分类。
7.如权利要求6所述的系统,其特征在于,
多视处理模块,具体用于对原始单视全极化POLSAR数据进行n*n窗口平均。
8.如权利要求6所述的系统,其特征在于,
判断模块,具体用于依据极化相干矩阵中的元素来判断所述地物目标是以分布式散射占优还是点目标散射占优。
9.如权利要求6所述的系统,其特征在于,
第一非监督分类模块,具体用于对以分布式散射占优的地物目标,提取其最大的分布式散射分量TN。
10.如权利要求6所述的系统,其特征在于,
第二非监督分类模块,具体用于对以点目标散射占优的地物目标,提取其最大的点目标散射分量T0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310687162.2A CN103699784A (zh) | 2013-12-12 | 2013-12-12 | 一种基于全极化合成孔径雷达数据的聚类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310687162.2A CN103699784A (zh) | 2013-12-12 | 2013-12-12 | 一种基于全极化合成孔径雷达数据的聚类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103699784A true CN103699784A (zh) | 2014-04-02 |
Family
ID=50361311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310687162.2A Pending CN103699784A (zh) | 2013-12-12 | 2013-12-12 | 一种基于全极化合成孔径雷达数据的聚类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103699784A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700110A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
CN107103280A (zh) * | 2017-03-10 | 2017-08-29 | 中国科学院遥感与数字地球研究所 | 极地冰盖冻融探测方法 |
CN108898074A (zh) * | 2018-06-12 | 2018-11-27 | 中国电子科技集团公司第二十九研究所 | 一种极化sar建筑物提取方法、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200426653A (en) * | 2003-05-30 | 2004-12-01 | Mercuries Data Systems Ltd | Radar information processing system and radar information processing method |
CN102262223A (zh) * | 2010-05-26 | 2011-11-30 | 中国科学院对地观测与数字地球科学中心 | 一种基于散射矩阵的相干目标分解方法 |
CN102472815A (zh) * | 2009-07-08 | 2012-05-23 | 欧洲遥感Tre公司 | 对从在相同区域上采集的sar图像获得的干涉图进行滤波的方法 |
-
2013
- 2013-12-12 CN CN201310687162.2A patent/CN103699784A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200426653A (en) * | 2003-05-30 | 2004-12-01 | Mercuries Data Systems Ltd | Radar information processing system and radar information processing method |
CN102472815A (zh) * | 2009-07-08 | 2012-05-23 | 欧洲遥感Tre公司 | 对从在相同区域上采集的sar图像获得的干涉图进行滤波的方法 |
CN102262223A (zh) * | 2010-05-26 | 2011-11-30 | 中国科学院对地观测与数字地球科学中心 | 一种基于散射矩阵的相干目标分解方法 |
Non-Patent Citations (9)
Title |
---|
ARMANDO MARINO等: "A new polarimetric change detector in radar imagery", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
ARMANDO MARINO等: "A polarimetric target detector using the huynen fork", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
HONG ZHONG LI等: "preservation of polarimetric properties filtering for TSX data based on barnes decomposition", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
HONGZHONG LI等: "Modifacation of SMA speckle filter for polarimetric terraSAR-X data", 《GEOINFORMATICS(GEOINFORMATICS),2012 20TH INTERNATIONAL CONFERENCE ON》 * |
HONGZHONG LI等: "Modifacation of SMB speckle filter for polarimetric terraSAR-X data", 《GEOINFORMATICS(GEOINFORMATICS),2012 20TH INTERNATIONAL CONFERENCE ON》 * |
JONG-SEN LEE等: "《POLARIMETRIC RADAR IMAGING:from basics to applications》", 31 December 2009, CRC PRESS * |
S.R.CLOUDE: "group theory and polarization algebra", 《OPTIC》 * |
代大海: "POLSAR图像模拟及目标检测与分类方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
李洪忠等: "基于相似性的POLSAR占优散射归类及非监督聚类", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700110A (zh) * | 2015-04-03 | 2015-06-10 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
CN104700110B (zh) * | 2015-04-03 | 2018-08-07 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
CN107103280A (zh) * | 2017-03-10 | 2017-08-29 | 中国科学院遥感与数字地球研究所 | 极地冰盖冻融探测方法 |
CN107103280B (zh) * | 2017-03-10 | 2021-01-01 | 中国科学院遥感与数字地球研究所 | 极地冰盖冻融探测方法 |
CN108898074A (zh) * | 2018-06-12 | 2018-11-27 | 中国电子科技集团公司第二十九研究所 | 一种极化sar建筑物提取方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing | |
Pradhan et al. | An easy to use ArcMap based texture analysis program for extraction of flooded areas from TerraSAR-X satellite image | |
Szuster et al. | A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones | |
Marino et al. | Detecting depolarized targets using a new geometrical perturbation filter | |
CN101498789B (zh) | 一种基于全极化合成孔径雷达的地物目标分类方法和装置 | |
CN102629378B (zh) | 基于多特征融合的遥感图像变化检测方法 | |
CN103456020A (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
Liu et al. | Joint use of ICESAT/GLAS and Landsat data in land cover classification: A case study in Henan province, China | |
CN103699784A (zh) | 一种基于全极化合成孔径雷达数据的聚类方法及系统 | |
Varghese et al. | Polarimetric classification of C-band SAR data for forest density characterization | |
Santamaría-del-Ángel et al. | Determining dynamic biogeographic regions using remote sensing data | |
Yang et al. | STATISTICAL MID-LEVEL FEATURES FOR BUILDING-UP AREA EXTRACTION FROM HIGH-RESOLUTION POLSAR IMAGERY. | |
Berquin et al. | A physics perspective on lidar data assimilation for mobile robots | |
Liu et al. | An Unsupervised Snow Segmentation Approach Based on Dual-Polarized Scattering Mechanism and Deep Neural Network | |
Jin | Polarimetric scattering modeling and information retrieval of SAR remote sensing---A review of FDU work | |
Yang et al. | Supervised land-cover classification of TerraSAR-X imagery over urban areas using extremely randomized clustering forests | |
Su et al. | Discrimination of land use patterns in remote sensing image data using minimum distance algorithm and watershed algorithm | |
Laverde-Barajas et al. | Spatiotemporal analysis of extreme rainfall events using an object-based approach | |
Verma et al. | Multifrequency spaceborne synthetic aperture radar data for backscatter-based characterization of land use and land cover | |
Xu et al. | Mapping rice planting area from Landsat 8 imagery using one-class support vector machine | |
Madanguit et al. | Application of support vector machine (SVM) and quick unbiased efficient statistical tree (QUEST) algorithms on mangrove and agricultural resource mapping using lidar data sets | |
Weekley et al. | Maximizing Multi‐Decadal Water Surface Elevation Estimates With Landsat Imagery and Elevation/Bathymetry Datasets | |
Ross et al. | ENSO dynamics in current climate models: an investigation using nonlinear dimensionality reduction | |
Nikraftar et al. | Novel Snow Depth Retrieval Method Using Time Series Ssmi Passive Microwave Imagery | |
Zhu et al. | A multi-resolution hierarchy classification study compared with conservative methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140402 |