CN107092933A - 一种合成孔径雷达扫描模式图像海冰分类方法 - Google Patents

一种合成孔径雷达扫描模式图像海冰分类方法 Download PDF

Info

Publication number
CN107092933A
CN107092933A CN201710272187.4A CN201710272187A CN107092933A CN 107092933 A CN107092933 A CN 107092933A CN 201710272187 A CN201710272187 A CN 201710272187A CN 107092933 A CN107092933 A CN 107092933A
Authority
CN
China
Prior art keywords
sea ice
synthetic aperture
sub
aperture radar
image
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
Application number
CN201710272187.4A
Other languages
English (en)
Inventor
李新武
张露
刘惠颖
谷昕炜
陈杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710272187.4A priority Critical patent/CN107092933A/zh
Publication of CN107092933A publication Critical patent/CN107092933A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开一种合成孔径雷达扫描模式图像海冰分类方法，包括以下步骤：图像预处理步骤，对合成孔径雷达扫描模式图像进行预处理，获得优化后待分类的合成孔径雷达图像；纹理信息提取及优化步骤，获得满足海冰分类要求的合成孔径雷达纹理信息；海冰分类步骤，基于所述合成孔径雷达纹理信息对海冰进行初步分类；以及海冰分类优化步骤，结合海冰几何信息对所述初步分类结果进行优化。本发明有效解决了合成孔径雷达扫描模式图像条纹噪声去除后纹理图像中条纹噪声依然明显的问题,并且增加了海冰类型的分类依据，提高了海冰分类精度。

Description

一种合成孔径雷达扫描模式图像海冰分类方法
技术领域
本发明涉及对地观测领域，具体涉及一种合成孔径雷达扫描模式图像海冰分类方法。
背景技术
海冰与全球气候、极地环境以及安全息息相关，海冰类型是海冰监测和研究的重要信息。合成孔径雷达(Synthetic Aperture Radar：SAR)的全天时、全天候以及穿透云雾的观测能力，使其成为海冰监测的有效工具，基于SAR数据的海冰分类研究已经广泛开展，并且成为海冰遥感研究的热点。SAR扫描模式(ScanSAR)是通过多个雷达子波束来获取数据的，其中每个子波束覆盖全部测绘带的一部分，所有子带图像拼接即可得到宽测绘带图像。ScanSAR图像以其超宽宽幅获取能力特别适合大面积海冰监测的需要。
然而，ScanSAR海冰分类存在如下问题：
1、海冰雷达回波信号相对较弱，易受到SAR传感器本底噪声的影响，加之，ScanSAR模式在平行飞行方向会产生条纹噪声，在垂直于飞行方向会产生周期性的扇贝效应，这些条纹噪声和扇贝效应影响了海冰分类效果。此外，已有的解决方法通常直接对SAR强度图像进行条纹噪声去除，然后去除条纹后的SAR图像获得的纹理图像依然存在较为明显的条纹，对海冰分类精度的影响依然存在；
2、ScanSAR图像入射角范围较大，导致同一类型海冰的后向散射系数在同一景图像中存在差异；
3、仅仅采用海冰SAR后向散射强度和纹理信息，易引起海冰类型之间的界限会有模糊，导致某些海冰类型不易区分，因此需要挖掘新的海冰类型识别敏感信息，提高海冰类型识别的精度。
发明内容
为了解决上述问题，本发明公开一种合成孔径雷达扫描模式图像海冰分类方法，包括以下步骤：图像预处理步骤，对合成孔径雷达扫描模式图像进行预处理，获得优化后待分类的合成孔径雷达图像；纹理信息提取及优化步骤，获得满足海冰分类要求的合成孔径雷达纹理信息；以及海冰分类步骤，基于所述合成孔径雷达纹理信息对海冰进行初步分类；以及海冰分类优化步骤，结合海冰几何信息对所述初步分类结果进行优化。
优选为，所述图像预处理步骤包括以下子步骤：归一化子步骤，面向合成孔径雷达扫描模式模式的合成孔径雷达数据的入射角后向散射归一化；去噪子步骤，去除合成孔径雷达图像的斑点噪声；以及条带扇贝条纹去除子步骤，进行面向合成孔径雷达图像的基于卡尔曼滤波的扇贝效应及子带拼接条纹去除，得到优化后待分类合成孔径雷达图像。
优选为，所述归一化子步骤中，将合成孔径雷达图像入射角归一化为40度。
优选为，所述纹理信息提取及优化步骤包括以下子步骤：纹理信息提取子步骤，利用灰度共生矩阵方法，明确最优纹理参数，获取纹理特征；判断子步骤，判断所述纹理信息是否满足海冰分类要求，如果判断为所述纹理信息满足海冰分类要求，则直接进入所述海冰分类步骤；以及纹理信息优化子步骤，在所述判断子步骤判断为所述纹理信息不满足海冰分类要求的情况下，直接针对纹理信息，基于卡尔曼滤波去除扇贝效应及子带拼接条纹。重复上述纹理信息提取子步骤、判断子步骤、和纹理信息优化子步骤，直到纹理信息满足海冰分类的要求。
优选为，所述纹理参数包括方差、均质性、对比度和相关性。
优选为，所述海冰分类步骤包括以下子步骤：样本提取子步骤，面向海冰类型提取纹理样本；分类器构建子步骤，基于径向基核函数构建支持向量机分类器；以及分类子步骤，对海冰进行初步分类，获得海冰分类初步结果。
优选为，所述海冰分类优化步骤包括以下子步骤：几何信息提取子步骤，利用海冰初步分类结果提取海冰几何信息；以及优化子步骤，结合所述海冰几何信息，基于决策树技术优化海冰分类结果。
优选为，所述海冰几何信息包括海冰密集度、冰沟。
优选为，所述合成孔径雷达扫描模式图像的幅宽为300～500km。
本发明的合成孔径雷达扫描模式图像海冰分类方法基于纹理对周期性条纹的敏感性，通过多次迭代处理，消除ScanSAR图像扇贝、子带拼接条纹，解决了SAR强度图像条纹噪声去除后，纹理图像中条纹噪声依然明显的问题。并且，综合考虑海冰纹理和几何信息，增加了海冰类型的分类依据，提高了海冰分类精度。
附图说明
图1是合成孔径雷达扫描模式图像海冰分类方法的流程图。
图2是图像预处理步骤的子流程图。
图3是纹理信息提取及优化步骤的子流程图。
图4是海冰分类步骤的子流程图。
图5是海冰分类优化步骤的子流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，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，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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它实施例，都属于本发明保护的范围。
图1是合成孔径雷达扫描模式图像海冰分类方法的流程图。如图1所示，合成孔径雷达扫描模式(ScanSAR)图像海冰分类方法包括以下步骤：首先在图像预处理步骤S1中，由于海冰分布面积广阔，采用合成孔径雷达扫描模式的超宽宽幅模式，幅宽例如在300～500km的SAR图像进行海冰分类。对合成孔径雷达扫描模式图像进行预处理，获得优化后待分类的合成孔径雷达图像。更具体地来说，如图2所示，ScanSAR模式SAR图像预处理步骤S1包括以下子步骤：在归一化子步骤S11中，由于ScanSAR数据入射角变化范围大，进行面向ScanSAR模式SAR数据的入射角后向散射归一化，将SAR图像入射角归一化为40度。在去噪子步骤S12中，去除SAR图像的斑点噪声。在条带扇贝条纹去除子步骤S13中，进行面向SAR图像的基于卡尔曼滤波的扇贝效应及子带拼接条纹去除，得到优化后待分类SAR图像。
接下来，在纹理信息提取及优化步骤S2中，获得满足海冰分类要求的合成孔径雷达纹理信息。在图3中示出了纹理信息提取及优化步骤的子流程图。具体而言，包括以下子步骤：纹理信息提取子步骤S21，利用灰度共生矩阵方法，明确最优纹理参数，获取包括方差、均质性、对比度、相关性等参数的纹理特征；判断子步骤S22，判断所述纹理信息是否满足海冰分类要求，如果判断为所述纹理信息满足海冰分类要求，则直接进入海冰分类步骤S3；以及纹理信息优化子步骤S23，在所述判断子步骤S22判断为所述纹理信息不满足海冰分类要求的情况下，直接针对纹理信息，基于卡尔曼滤波去除扇贝效应及子带拼接条纹。在纹理信息提取及优化步骤S2中，重复上述纹理信息提取子步骤S21、判断子步骤S22、和纹理信息优化子步骤S23，直到纹理信息满足海冰分类的要求。
之后，在海冰分类步骤S3中，基于SAR纹理信息对海冰进行初步分类。在图4中示出了海冰分类步骤的子流程图。具体来说，包括样本提取子步骤S31、分类器构建子步骤S32和分类子步骤S33。在样本提取子步骤S31中，进行面向海冰类型的纹理样本提取。在分类器构建子步骤S32中，构建基于径向基核函数(RBF)的支持向量机分类器。在分类子步骤S33中，针对海冰进行初步分类，获得海冰分类初步结果。
最后，在海冰分类优化步骤S4中，结合海冰几何信息对所述初步分类结果进行优化。在图5中示出了海冰分类优化步骤的流程图。如图5所示，具体包括几何信息提取子步骤S41和优化子步骤S42。在几何信息提取子步骤S41中，利用海冰初步分类结果提取海冰密集度、冰沟等海冰几何信息。在优化子步骤S42中，结合上述海冰几何信息，基于决策树技术优化海冰分类结果。
本发明基于纹理对周期性条纹的敏感性，通过多次迭代处理，消除ScanSAR图像扇贝、子带拼接条纹，解决了SAR强度图像条纹噪声去除后，纹理图像中条纹噪声依然明显的问题。并且，综合考虑海冰纹理和几何信息，有利于解决初生冰和多年冰的纹理信息易混淆问题，提高了海冰分类精度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
包括以下步骤：
图像预处理步骤，对合成孔径雷达扫描模式图像进行预处理，获得优化后待分类的合成孔径雷达图像；
纹理信息提取及优化步骤，获得满足海冰分类要求的合成孔径雷达纹理信息；
海冰分类步骤，基于所述合成孔径雷达纹理信息对海冰进行初步分类；以及
海冰分类优化步骤，结合海冰几何信息对所述初步分类结果进行优化。
2.根据权利要求1所述的合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
所述图像预处理步骤包括以下子步骤：
归一化子步骤，面向合成孔径雷达扫描模式的合成孔径雷达数据的入射角后向散射归一化；
去噪子步骤，去除合成孔径雷达图像的斑点噪声；
条带扇贝条纹去除子步骤，进行面向合成孔径雷达图像的基于卡尔曼滤波的扇贝效应及子带拼接条纹去除，得到优化后待分类合成孔径雷达图像。
3.根据权利要求2所述的合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
所述归一化子步骤中，将合成孔径雷达图像入射角归一化为40度。
4.根据权利要求1所述的合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
所述纹理信息提取及优化步骤包括以下子步骤：
纹理信息提取子步骤，利用灰度共生矩阵方法，明确最优纹理参数，获取纹理特征；
判断子步骤，判断所述纹理信息是否满足海冰分类要求，如果判断为所述纹理信息满足海冰分类要求，则直接进入所述海冰分类步骤；以及
纹理信息优化子步骤，在所述判断子步骤判断为所述纹理信息不满足海冰分类要求的情况下，直接针对纹理信息，利用卡尔曼滤波去除扇贝效应及子带拼接条纹，
重复上述纹理信息提取子步骤、判断子步骤、和纹理信息优化子步骤，直到纹理信息满足海冰分类的要求。
5.根据权利要求4所述的合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
所述纹理参数包括方差、均质性、对比度和相关性。
6.根据权利要求1所述的合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
所述海冰分类步骤包括以下子步骤：
样本提取子步骤，面向海冰类型提取纹理样本；
分类器构建子步骤，基于径向基核函数构建支持向量机分类器；以及
分类子步骤，对海冰进行初步分类，获得海冰分类初步结果。
7.根据权利要求1所述的合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
所述海冰分类优化步骤包括以下子步骤：
几何信息提取子步骤，利用海冰初步分类结果提取海冰几何信息；以及
优化子步骤，结合所述海冰几何信息，基于决策树技术优化海冰分类结果。
8.根据权利要求1所述的合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
所述海冰几何信息包括海冰密集度、冰沟。
9.根据权利要求1～8中任一项所述的合成孔径雷达扫描模式图像海冰分类方法，其特征在于，
所述合成孔径雷达扫描模式图像的幅宽为300～500km。
CN201710272187.4A 2017-04-24 2017-04-24 一种合成孔径雷达扫描模式图像海冰分类方法 Pending CN107092933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710272187.4A CN107092933A (zh) 2017-04-24 2017-04-24 一种合成孔径雷达扫描模式图像海冰分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710272187.4A CN107092933A (zh) 2017-04-24 2017-04-24 一种合成孔径雷达扫描模式图像海冰分类方法

Publications (1)

Publication Number Publication Date
CN107092933A true CN107092933A (zh) 2017-08-25

Family

ID=59638297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710272187.4A Pending CN107092933A (zh) 2017-04-24 2017-04-24 一种合成孔径雷达扫描模式图像海冰分类方法

Country Status (1)

Country Link
CN (1) CN107092933A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117883A (zh) * 2018-08-13 2019-01-01 上海海洋大学 基于长短时记忆网络的sar影像海冰分类方法及系统
CN110533665A (zh) * 2019-09-03 2019-12-03 北京航空航天大学 一种抑制扇贝效应和子带拼接效应的sar图像处理方法
CN110749882A (zh) * 2019-10-24 2020-02-04 中国科学院电子学研究所 基于频域滤波的图像域扇贝抑制方法及系统
CN111046885A (zh) * 2019-12-12 2020-04-21 厦门大学 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法
CN112750077A (zh) * 2020-12-14 2021-05-04 中国船舶重工集团公司第七0九研究所 一种并行化的合成孔径雷达图像子带拼接效应处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463222A (zh) * 2014-12-20 2015-03-25 西安电子科技大学 基于特征向量分布特性的极化sar图像分类方法
CN105069796A (zh) * 2015-08-12 2015-11-18 西安电子科技大学 基于小波散射网络的sar图像分割方法
CN105548981A (zh) * 2015-12-31 2016-05-04 中国科学院电子学研究所 一种校正合成孔径雷达回波数据的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463222A (zh) * 2014-12-20 2015-03-25 西安电子科技大学 基于特征向量分布特性的极化sar图像分类方法
CN105069796A (zh) * 2015-08-12 2015-11-18 西安电子科技大学 基于小波散射网络的sar图像分割方法
CN105548981A (zh) * 2015-12-31 2016-05-04 中国科学院电子学研究所 一种校正合成孔径雷达回波数据的方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘惠颖等: ""基于HJ-1C SAR数据的辽东湾海冰分类"", 《国土资源遥感》 *
陈仁元等: ""星载ScanSAR成像处理技术研究"", 《雷达SCANSAR成像处理技术研究》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117883A (zh) * 2018-08-13 2019-01-01 上海海洋大学 基于长短时记忆网络的sar影像海冰分类方法及系统
CN110533665A (zh) * 2019-09-03 2019-12-03 北京航空航天大学 一种抑制扇贝效应和子带拼接效应的sar图像处理方法
CN110533665B (zh) * 2019-09-03 2022-04-05 北京航空航天大学 一种抑制扇贝效应和子带拼接效应的sar图像处理方法
CN110749882A (zh) * 2019-10-24 2020-02-04 中国科学院电子学研究所 基于频域滤波的图像域扇贝抑制方法及系统
CN110749882B (zh) * 2019-10-24 2021-11-19 中国科学院电子学研究所 基于频域滤波的图像域扇贝抑制方法及系统
CN111046885A (zh) * 2019-12-12 2020-04-21 厦门大学 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法
CN111046885B (zh) * 2019-12-12 2023-04-07 厦门大学 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法
CN112750077A (zh) * 2020-12-14 2021-05-04 中国船舶重工集团公司第七0九研究所 一种并行化的合成孔径雷达图像子带拼接效应处理方法
CN112750077B (zh) * 2020-12-14 2023-01-20 中国船舶重工集团公司第七0九研究所 一种并行化的合成孔径雷达图像子带拼接效应处理方法

Similar Documents

Publication Publication Date Title
CN107092933A (zh) 一种合成孔径雷达扫描模式图像海冰分类方法
US8615362B2 (en) Near-surface geomorphological characterization based on remote sensing data
Mazur et al. An object-based SAR image iceberg detection algorithm applied to the Amundsen Sea
US11373314B2 (en) Land mask image generation for ocean surface and land surface
CN109583293A (zh) 星载sar图像中的飞机目标检测与鉴别方法
Grover et al. Quantitative estimation of tropical forest cover by SAR
KR101258668B1 (ko) 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법
US6052485A (en) Fractal features used with nearest neighbor clustering for identifying clutter in sonar images
CN105160648B (zh) 基于小波和恒虚警率的雷达目标及阴影分割方法
CN108229342B (zh) 一种海面舰船目标自动检测方法
CN104851086A (zh) 一种针对缆索表面缺陷的图像检测方法
Trinder et al. Aerial images and LiDAR data fusion for disaster change detection
Ali-Sisto et al. Forest change detection by using point clouds from dense image matching together with a LiDAR-derived terrain model
Shirowzhan et al. Enhanced autocorrelation-based algorithms for filtering airborne lidar data over urban areas
Ruban et al. The method for selecting the urban infrastructure objects contours
CN115690081A (zh) 一种树木计数方法、系统、存储介质、计算机设备及终端
Duarte et al. Addressing the class imbalance problem in the automatic image classification of coastal litter from orthophotos derived from UAS imagery
Sinai et al. Mine-Like Objects detection in Side-Scan Sonar images using a shadows-highlights geometrical features space
Middleton et al. Machine learning-based mapping of micro-topographic earthquake-induced paleo-Pulju moraines and liquefaction spreads from a digital elevation model acquired through laser scanning
Khadanga et al. Tree census using circular hough transform and grvi
CN104574394B (zh) 遥感影像数据处理方法和装置
Haroun et al. A review of vegetation encroachment detection in power transmission lines using optical sensing satellite imagery
CN112989940A (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
Gonçalves-Seco et al. Digital terrain model generation using airborne LiDAR in a forested area Galicia, Spain
Veljanovski et al. Comparison of three techniques for detection of flooded areas on ENVISAT and RADARSAT-2 satellite images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170825