CN109946670A - 一种光学影像驱动的雷达极化信息提取方法 - Google Patents
一种光学影像驱动的雷达极化信息提取方法 Download PDFInfo
- Publication number
- CN109946670A CN109946670A CN201910225402.4A CN201910225402A CN109946670A CN 109946670 A CN109946670 A CN 109946670A CN 201910225402 A CN201910225402 A CN 201910225402A CN 109946670 A CN109946670 A CN 109946670A
- Authority
- CN
- China
- Prior art keywords
- pixel
- sar
- optical image
- image
- neighborhood territory
- 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.)
- Granted
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种光学影像驱动的雷达极化信息提取方法,步骤如下:S1、配准SAR影像和光学影像;S2、以目标像素为中心在SAR和光学影像上选取邻域像素,组成滑动窗口;S3、计算光学影像滑动窗口内邻域像素与目标像素的欧氏距离,计算SAR影像滑动窗口内邻域像素与目标像素的Wishart矩阵相似距离;S4、将S3中的距离转换为概率,并计算其联合分布概率;S5、根据阈值分割法计算联合分布概率的阈值,概率大于阈值的像素为同质像素;S6、重复S2‑S5,获得所有同质像素;S7、结合同质像素,抑制相干斑获得强度信息;S8、利用同质像素进行目标分解,获得雷达极化特征。本发明方法可以正确选择同质点并有效抑制相干斑,改善地物边缘模糊现象,保持极化数据的细节信息。
Description
技术领域
本发明涉及一种利用光学影像的极化信息提取方法,属于极化SAR数据处理技术领域。
背景技术
自上世纪90年代开始,雷达遥感技术蓬勃发展,极化SAR通过收发不同极化状态的电磁波相比单极化SAR能够更完整的描述地物散射特性。如何从极化SAR数据中准确提取特征参数描述地物散射特性一直是极化SAR的研究热点。目标分解方法是解译极化数据的主要方法,然而现有的许多目标分解方法受到物理散射模型的约束,在提取过程中易丢失细节信息,无法准确描述目标散射机制。
H-Alpha算法作为一种典型的目标极化分解方法,在目标识别、地物分类方面应用广泛。该方法不需要知道数据的概率分布状态就可以对极化数据进行合理的解译,在参数提取时,假设邻域像素属于同一地物,通过正方形窗口平均邻域像素进行极化分解。但是,正方形窗口往往包含部分异质点,会造成参数估计偏高,地物边缘易出现模糊现象,细节信息难以保持。
此外,目前大部分研究在进行极化信息提取时考虑不够,往往会忽略相干斑等干扰因素,提取特征参数的精度不够。
发明内容
针对现有技术中提取极化SAR数据的特征参数的精度不够、细节信息易丢失的问题,本发明提出了一种光学影像驱动的雷达极化信息提取方法,通过配准同一地物的光学影像和SAR影像,计算影像中的同质像素,并利用同质像素抑制SAR影像的相干斑,在目标分解后获得高精度的SAR极化信息。
为解决上述技术问题,本发明采用了如下技术手段:
一种光学影像驱动的雷达极化信息提取方法,具体包括以下步骤:
S1、获取同一区域的SAR影像和光学影像,两个影像的获取时间需要相近,影像之间不能存在较大的差异变化。配准SAR影像和光学影像,配准时以分辨率较高的影像作为配准的主影像,配准误差要求小于0.5个像元。
S2、选取一个像素作为目标像素,以目标像素为中心,在SAR和光学影像上分别选取目标像素的邻域像素,组成N×N大小的滑动窗口。
S3、在光学影像的滑动窗口内,分别计算邻域像素与目标像素的欧氏距离dopt,在SAR影像的滑动窗口内,分别计算邻域像素与目标像素的Wishart矩阵相似距离dSAR。
S4、根据高斯核函数分别将距离dopt和dSAR转换为相似性概率popt和pSAR,并计算popt和pSAR的联合分布概率pjoint作为邻域像素和目标像素的相似性度量。
S5、根据阈值分割法计算联合分布概率的阈值,当滑动窗口内某一邻域像素的联合分布概率大于阈值,判断该邻域像素为目标像素的同质像素。
S6、重复步骤S2-S5,在SAR影像和光学影像中逐像素计算,获得所有同质像素。
S7、利用局部最小均方误差法结合同质像素对SAR影像进行滤波,抑制影像相干斑,获得SAR影像强度信息。
S8、利用同质像素进行目标分解,获得雷达极化特征。
进一步的,所述的N=9。
进一步的,光学影像中邻域像素与目标像素的欧氏距离dopt的计算公式如下:
其中,xpi表示邻域像素p第i个波段的观测值,xci表示目标像素c第i个波段的观测值,i=1,2,…,M,M为波段数量。
进一步的,SAR影像中邻域像素与目标像素的Wishart矩阵相似距离dSAR的计算公式如下:
dSAR=ln|X|+ln|Y|-2ln|X+Y| (2)
其中,X、Y分别表示邻域像素和目标像素的协方差矩阵。
进一步的,步骤S4根据高斯核函数分别将距离dopt和dSAR转换为相似性概率popt和pSAR,具体转换公式如下:
其中,表示光学影像滑动窗口中邻域像素j的相似性概率,表示光学影像中邻域像素j与目标像素的欧氏距离,表示SAR影像滑动窗口中邻域像素j的相似性概率,表示SAR影像中邻域像素j与目标像素的Wishart矩阵相似距离。
进一步的,所述的阈值分割法为Ostu分割算法,基于直方图迭代计算阈值。
进一步的,步骤S7中抑制影像相干斑的具体公式如下:
其中,为滤波后的SAR影像协方差矩阵,为同质像素协方差矩阵均值,C为未滤波的SAR影像协方差矩阵,b为加权系数,span为同质像素协方差矩阵对角线元素的和,σv表示相干斑的协方差且σv为常数。
进一步的,步骤S8中目标分解采用H-Alpha分解法,具体公式如下:
其中,H为散射熵,d为极化SAR数据维度,λk为k维度协方差矩阵的特征值,k=1,…,d,α为散射角,αk表示特征值λk对应的散射角。
采用以上技术手段后可以获得以下优势:
本发明提出了一种光学影像驱动的雷达极化信息提取方法,配准同一地物的光学影像和SAR影像,与传统方法不同,本发明方法通过计算滑动窗口内邻域像素与目标像素的相似度概率,判断滑动窗口内哪些像素是目标像素的同质像素,解决了传统方法中参数提取时异质点过多导致参数估计偏高的问题。此外,本发明方法通过同质像素抑制影像的相干斑噪声,可以更加精准地提取SAR影像中的极化信息,较清晰的保留地物边缘及细节信息。
附图说明
图1为本发明一种光学影像驱动的雷达极化信息提取方法的步骤流程图。
图2为本发明方法与传统极化信息提取方法的实验结果图;其中,(a)是传统正方形窗口下SAR影像滤波结果图,(b)是边缘对齐窗口下SAR影像的滤波结果图,(c)是本发明方法SAR影像滤波结果图,(d)是传统的正方形窗口的同质点选择结果图,(e)是边缘对齐窗口的同质点选择结果图,(f)是本发明方法的同质点选择结果图。
图3为本发明方法与传统极化信息提取方法的散射熵H的提取结果图;其中,(a)是正方形窗口下散射熵H的提取结果图,(b)是边缘对齐窗口下散射熵H的提取结果图,(c)是本发明方法光学影像驱动的散射熵H的提取结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明:
一种光学影像驱动的雷达极化信息提取方法,如图1所示,具体包括以下步骤:
S1、获取同一区域的SAR影像和光学影像,两个影像的获取时间需要相近,影像之间不能存在较大的差异变化。配准SAR影像和光学影像,配准时以分辨率较高的影像作为配准的主影像,配准误差要求小于0.5个像元。
本具体实施例中极化SAR数据采用L波段Sentinel-1A多极化数据,图像入射角度范围为41.648°-46.005°,空间分辨率为2.33m×13.913m(距离向×方位向)。光学影像为Sentinel-2A影像,其中红绿蓝以及近红外波段为10米分辨率。SAR影像和光学影像的获取时间分别为2018年6月16日和2018年6月15日。
S2、选取一个像素作为目标像素,以目标像素为中心,在SAR和光学影像上分别选取目标像素的邻域像素,组成9×9大小的滑动窗口。
S3、在光学影像的滑动窗口内,分别计算邻域像素与目标像素的欧氏距离dopt,计算公式如下:
其中,xpi表示邻域像素p第i个波段的观测值,xci表示目标像素c第i个波段的观测值,i=1,2,…,M,M为波段数量。
在SAR影像的滑动窗口内,分别计算邻域像素与目标像素的Wishart矩阵相似距离dSAR,计算公式如下:
dSAR=ln|X|+ln|Y|-2ln|X+Y| (9)
其中,X、Y分别表示邻域像素和目标像素的协方差矩阵。
S4、根据高斯核函数分别将距离dopt和dSAR转换为相似性概率popt和pSAR,具体转换公式如下:
其中,表示光学影像滑动窗口中邻域像素j的相似性概率,表示光学影像中邻域像素j与目标像素的欧氏距离,表示SAR影像滑动窗口中邻域像素j的相似性概率,表示SAR影像中邻域像素j与目标像素的Wishart矩阵相似距离。
计算和的联合分布概率pjoint作为邻域像素j和目标像素的相似性度量。
S5、根据阈值分割法计算联合分布概率的阈值,本具体实施例采用的是Ostu阈值分割算法,基于直方图迭代计算阈值。
当滑动窗口内某一邻域像素的联合分布概率大于阈值时,判断该邻域像素为目标像素的同质像素。
S6、重复步骤S2-S5,在SAR影像和光学影像中逐像素计算,获得所有同质像素。
S7、利用局部最小均方误差法结合同质像素对SAR影像进行滤波,抑制影像相干斑,获得SAR影像强度信息,公式如下:
其中,为滤波后的SAR影像协方差矩阵,为同质像素协方差矩阵均值,C为未滤波的SAR影像协方差矩阵,b为加权系数,span为同质像素协方差矩阵对角线元素的和,σv表示相干斑的协方差且σv为常数。
S8、利用同质像素进行目标分解,获得雷达极化特征。本发明采用的是H-Alpha目标分解法,具体公式如下:
其中,H为散射熵,d为极化SAR数据维度,λk为k维度协方差矩阵的特征值,k=1,…,d,α为散射角,αk表示特征值λk对应的散射角。
为了验证本发明方法的效果,本具体实施例分别采用传统的正方形窗口、边缘对齐窗口和本发明方法对同一个SAR影像进行极化信息提取,结果如图2所示,图2中的(a)是传统正方形窗口下SAR影像滤波结果,图2中的(b)是边缘对齐窗口下SAR影像的滤波结果,图2中的(c)是本发明方法利用局部最小均方误差法结合同质像素的滤波结果,可以看出传统的正方形窗口、边缘对齐窗口滤波结果交模糊,尤其是地物边缘地带细节信息难以保持,本发明方法则可以更加完整的保持地物的边缘特征,大大改善了滤波后的模糊现象。
此外,本实施例还研究了同一个目标像素同一大小滑动窗口下同质点的选择结果,图2中的(d)是传统的正方形窗口的同质点选择,传统正方形窗口会选取窗口内的所有像素点作为同质像素,这样选择往往会包含大量的异质点,不利于后续目标分解;图2中的(e)是边缘对齐窗口的同质点选择,精致Lee滤波方法虽然通过边缘对齐窗口去除了部分地物,一半选择窗口内一半的像素点,但是选取的像素点中仍有许多异质点存在;图2中的(f)是本发明方法的同质点选择,与前两种方法不同,本发明方法通过阈值计算同质像素,可以比较正确的选择目标像素的同质点,因此滤波结果更加平滑且保留了影像分辨率。
在极化特征中,散射熵H受噪声影响最为明显,因此本具体实施例比较了不同方法下散射熵H的提取结果,如图3所示,图3中的(a)是正方形窗口下散射熵H的提取结果图,图3中的(b)是边缘对齐窗口下散射熵H的提取结果图,图3中的(c)是本发明方法光学影像驱动的散射熵H的提取结果图,与强度信息一样,可以明显看出本发明方法提取的特征更加光滑,且高熵、低熵的地物区分更加明显,能够更加准确的描述地物散射特征。
上面结合附图对本发明的实施方式作了详细地说明,但是本发明并不局限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种光学影像驱动的雷达极化信息提取方法,其特征在于,包括以下步骤:
S1、获取同一区域的SAR影像和光学影像,并配准SAR影像和光学影像;
S2、选取一个像素作为目标像素,以目标像素为中心,在SAR和光学影像上分别选取目标像素的邻域像素,组成N×N大小的滑动窗口;
S3、在光学影像的滑动窗口内,分别计算邻域像素与目标像素的欧氏距离dopt,在SAR影像的滑动窗口内,分别计算邻域像素与目标像素的Wishart矩阵相似距离dSAR;
S4、根据高斯核函数分别将距离dopt和dSAR转换为相似性概率popt和pSAR,并计算popt和pSAR的联合分布概率作为邻域像素和目标像素的相似性度量;
S5、根据阈值分割法计算联合分布概率的阈值,当滑动窗口内某一邻域像素的联合分布概率大于阈值,判断该邻域像素为目标像素的同质像素;
S6、重复步骤S2-S5,在SAR影像和光学影像中逐像素计算,获得所有同质像素;
S7、利用局部最小均方误差法结合同质像素对SAR影像进行滤波,抑制影像相干斑,获得SAR影像强度信息;
S8、利用同质像素进行目标分解,获得雷达极化特征。
2.根据权利要求1所述的一种光学影像驱动的雷达极化信息提取方法,其特征在于,所述的步骤S2中的N=9。
3.根据权利要求1所述的一种光学影像驱动的雷达极化信息提取方法,其特征在于,步骤S3中光学影像中邻域像素与目标像素的欧氏距离dopt的计算公式如下:
其中,xpi表示邻域像素p第i个波段的观测值,xci表示目标像素c第i个波段的观测值,i=1,2,…,M,M为波段数量。
4.根据权利要求1所述的一种光学影像驱动的雷达极化信息提取方法,其特征在于,步骤S3中SAR影像中邻域像素与目标像素的Wishart矩阵相似距离dSAR的计算公式如下:
dSAR=ln|X|+ln|Y|-2ln|X+Y|
其中,X、Y分别表示邻域像素和目标像素的协方差矩阵。
5.根据权利要求1所述的一种光学影像驱动的雷达极化信息提取方法,其特征在于,步骤S4根据高斯核函数分别将距离dopt和dSAR转换为相似性概率popt和pSAR,具体转换公式如下:
其中,表示光学影像滑动窗口中邻域像素j的相似性概率,表示光学影像中邻域像素j与目标像素的欧氏距离,表示SAR影像滑动窗口中邻域像素j的相似性概率,表示SAR影像中邻域像素j与目标像素的Wishart矩阵相似距离。
6.根据权利要求1所述的一种光学影像驱动的雷达极化信息提取方法,其特征在于,所述的步骤S5中的阈值分割法为Ostu分割算法,基于直方图迭代计算阈值。
7.根据权利要求1所述的一种光学影像驱动的雷达极化信息提取方法,其特征在于,步骤S7中抑制影像相干斑的具体公式如下:
其中,为滤波后的SAR影像协方差矩阵,为同质像素协方差矩阵均值,C为未滤波的SAR影像协方差矩阵,b为加权系数,span为同质像素协方差矩阵对角线元素的和,σv表示相干斑的协方差且σv为常数。
8.根据权利要求7所述的一种光学影像驱动的雷达极化信息提取方法,其特征在于,步骤S8中目标分解采用H-Alpha分解法,具体公式如下:
其中,H为散射熵,d为极化SAR数据维度,λk为k维度协方差矩阵的特征值,k=1,…,d,α为散射角,αk表示特征值λk对应的散射角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225402.4A CN109946670B (zh) | 2019-03-25 | 2019-03-25 | 一种光学影像驱动的雷达极化信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225402.4A CN109946670B (zh) | 2019-03-25 | 2019-03-25 | 一种光学影像驱动的雷达极化信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946670A true CN109946670A (zh) | 2019-06-28 |
CN109946670B CN109946670B (zh) | 2022-03-18 |
Family
ID=67011556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910225402.4A Active CN109946670B (zh) | 2019-03-25 | 2019-03-25 | 一种光学影像驱动的雷达极化信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946670B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN113609898A (zh) * | 2021-06-23 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
CN117475310A (zh) * | 2023-11-09 | 2024-01-30 | 生态环境部卫星环境应用中心 | 一种基于sar影像的人类活动变化检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6781540B1 (en) * | 2003-02-21 | 2004-08-24 | Harris Corporation | Radar system having multi-platform, multi-frequency and multi-polarization features and related methods |
CN103778613A (zh) * | 2014-02-21 | 2014-05-07 | 武汉大学 | 一种窗口自适应的极化sar影像滤波方法 |
CN105445712A (zh) * | 2015-11-11 | 2016-03-30 | 中国测绘科学研究院 | 极化sar多成分目标分解方法 |
CN105676203A (zh) * | 2016-01-23 | 2016-06-15 | 中国人民解放军国防科学技术大学 | 一种全极化雷达目标极化相干特征的可视化方法 |
CN108387898A (zh) * | 2018-02-27 | 2018-08-10 | 河海大学 | 基于同质点选取的极化特征参数提取方法 |
-
2019
- 2019-03-25 CN CN201910225402.4A patent/CN109946670B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6781540B1 (en) * | 2003-02-21 | 2004-08-24 | Harris Corporation | Radar system having multi-platform, multi-frequency and multi-polarization features and related methods |
CN103778613A (zh) * | 2014-02-21 | 2014-05-07 | 武汉大学 | 一种窗口自适应的极化sar影像滤波方法 |
CN105445712A (zh) * | 2015-11-11 | 2016-03-30 | 中国测绘科学研究院 | 极化sar多成分目标分解方法 |
CN105676203A (zh) * | 2016-01-23 | 2016-06-15 | 中国人民解放军国防科学技术大学 | 一种全极化雷达目标极化相干特征的可视化方法 |
CN108387898A (zh) * | 2018-02-27 | 2018-08-10 | 河海大学 | 基于同质点选取的极化特征参数提取方法 |
Non-Patent Citations (1)
Title |
---|
吴尚蓉 等: "基于三分量分解优化模型的农用地SAR影像提取方法", 《农业工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN111028213B (zh) * | 2019-12-04 | 2023-05-26 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN113609898A (zh) * | 2021-06-23 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
CN113609898B (zh) * | 2021-06-23 | 2023-09-29 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
CN117475310A (zh) * | 2023-11-09 | 2024-01-30 | 生态环境部卫星环境应用中心 | 一种基于sar影像的人类活动变化检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109946670B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
Bernecker et al. | Continuous short-term irradiance forecasts using sky images | |
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN106023133B (zh) | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 | |
CN108780569A (zh) | 用于图像分辨率增强的系统和方法 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
Li et al. | Hyperspectral pansharpening via improved PCA approach and optimal weighted fusion strategy | |
CN109946670A (zh) | 一种光学影像驱动的雷达极化信息提取方法 | |
CN111007039B (zh) | 中低分辨率遥感图像亚像元级水体自动提取方法和系统 | |
CN112529910B (zh) | 一种sar图像快速超像素合并及图像分割方法 | |
CN105894520B (zh) | 一种基于高斯混合模型的卫星影像自动云检测方法 | |
Cui et al. | Single image dehazing by latent region‐segmentation based transmission estimation and weighted L1‐norm regularisation | |
Zhang et al. | Preprocessing and fusion analysis of GF-2 satellite Remote-sensed spatial data | |
CN107609571A (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
CN107688776A (zh) | 一种城市水体提取方法 | |
CN108387898A (zh) | 基于同质点选取的极化特征参数提取方法 | |
Jiang et al. | Unmixing-based spatiotemporal image fusion accounting for complex land cover changes | |
Ni et al. | Hurricane eye morphology extraction from SAR images by texture analysis | |
CN111598115B (zh) | 一种基于交叉皮质神经网络模型的sar影像融合方法 | |
CN111523451A (zh) | 一种构建高时空分辨率ndvi数据的方法 | |
CN115457325A (zh) | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 | |
CN108932520A (zh) | 结合先验概率估计的sar影像水体概率制图方法 | |
CN114792322A (zh) | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 | |
CN110263777B (zh) | 基于空谱结合的局部保持投影算法的目标检测方法及系统 | |
CN114018834A (zh) | 一种硅基多光谱信号的智能识别目标方法及探测装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |