CN111046885A - 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法 - Google Patents

一种基于哨兵一号合成孔径雷达图像的海冰测绘方法 Download PDF

Info

Publication number
CN111046885A
CN111046885A CN201911274515.XA CN201911274515A CN111046885A CN 111046885 A CN111046885 A CN 111046885A CN 201911274515 A CN201911274515 A CN 201911274515A CN 111046885 A CN111046885 A CN 111046885A
Authority
CN
China
Prior art keywords
sea ice
sentinel
image
pixels
segmentation
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
Application number
CN201911274515.XA
Other languages
English (en)
Other versions
CN111046885B (zh
Inventor
李军
谈炜楷
陈一平
朱庆
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN201911274515.XA priority Critical patent/CN111046885B/zh
Publication of CN111046885A publication Critical patent/CN111046885A/zh
Application granted granted Critical
Publication of CN111046885B publication Critical patent/CN111046885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，包括以下步骤：S1、结合研究的目的和区域特性选取海冰测绘区域；S2、特征选择和提取，确定双极化Sentinel‑1图像中区分不同海冰类型的重要特征；S3、依据所得特征对海冰图像进行分割和测绘；S4、评估双极化Sentinel‑1图像的海冰分割结果。本发明所述的方法具有较好的适用性、稳定性和鲁棒性。

Description

一种基于哨兵一号合成孔径雷达图像的海冰测绘方法
技术领域
本发明涉及本发明涉及合成孔径雷达图像处理技术领域，具体涉及一种基于哨兵一号合成孔径雷达图像的海冰测绘方法。
背景技术
海冰测绘对加拿大海岸至关重要，其应用领域包括海洋运输、环境分析和资源管理，尤其在当前气候变化背景下更为重要。合成孔径雷达(SAR)传感器是海冰测绘重要的数据来源，例如RADARSAT-2是加拿大当前海冰测绘的重要来源，但RADARSAT-2频率有限，造成每日的测绘量有限。RADARSAT星座项目预计将于2018年推出，期间数据缺失可用其他来源的图像填补。哨兵-1(Sentinel-1)是由欧洲空间局(ESA)于2014年底发射，在宽幅模式下和RADARSAT-2具有相似性能。本发明的主要目的是通过半自动图像分割方法来检验海冰测绘中Sentinel-1图像的性能。
加拿大是一个受冰面影响最大的国家，冬季加拿大海域覆盖冰层超过400万平方公里(CIS，2016)，其面积接近加拿大陆地面积的一半。自然界的冰以海冰，湖冰，河冰，冰山等形式呈现，并以不同的方式发挥重要作用，包括海上运输，捕鱼，离岸资源管理，娱乐，短期天气和长期气候(CIS，2016)。当前全球变暖正影响着北极地区的海洋冰层分布，北极海冰面积急剧下降：与20世纪末及早期的历史平均水平相比，记录的冰层损失超过100万平方公里21世纪(国家冰雪数据中心[NSIDC]，2016)。除此之外，海冰的厚度也在急剧减小。
鉴于海冰对气候和人类活动的重大影响，及时准确地监测海冰范围和条件尤为重要。由于海冰的大范围和快速变化的性质，地球观测卫星是海冰测绘的重要来源。由于冰的反照率高，光学传感器在冰区测绘中是有效的，但是它们只能在白天且晴朗的情况下才能提供高质量的图像。相比之下，合成孔径雷达(SAR)系统适用于海冰测绘，一个重要的原因是其可以在照明和大气条件变化的情况下获取有效数据。这使得SAR可以在恶劣的天气或夜晚，同样获取常规图像，从而实现对海冰的可靠和长期监测。此外，极地地区通常有长时间的多云时期，严重限制了光学传感器的使用，因此卫星SAR图像预计将成为加拿大海冰测绘不可或缺的来源。
尽管加拿大相关部门在日常业务中使用SAR图像已经超过三十年，在海冰监控中仍旧面临两个主要挑战：一、由于RADARSAT-1卫星在2013年停止服务，CIS已经严重依赖RADARSAT-2，而RADARSAT-2已经超过其服务的设计寿命，因此数据可用性严重制约了基于SAR图像的高品质海冰测绘服务。Sentinel-1是由欧空局开发的一项新的SAR卫星任务，提供C波段SAR图像，包括两颗卫星：2014年4月推出的Sentinel-1A和2016年4月推出的Sentinel-1B。Sentinel-1可提供大约400公里的宽幅SAR的极化SAR图像，是海冰测绘的理想选择。二、图像和海冰测绘生成的解释大量依赖于专家的手工处理，且由于工作量繁重，该过程是苛刻的。此外，针对SAR图像的自动处理算法仍需要海冰专家确定类别数量。因此，自动处理SAR图像或较少人为监控的算法仍然空缺。
发明内容
本发明的目的在于提供一种基于哨兵一号合成孔径雷达图像的海冰测绘方法。
为实现上述目的，本发明采用以下技术方案：
一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，包括以下步骤：
S1、选取海冰测绘区域；
S2、特征选择和提取，确定双极化Sentinel-1图像中区分不同海冰类型的重要特征；
S3、依据所得特征对海冰图像进行分割和测绘；
S4、评估双极化Sentinel-1图像的海冰分割结果。
进一步地，步骤S2具体包括：
S21、获取实验数据:在海冰分割中使用来自Sentinel-1A的EW模式的若干个场景，对场景的宽度、像素间距及大小进行优化，各场景都是包含HH和HV的双极化模式；
S22、对图像进行预处理，去除图像的边界噪声及热噪声，并完成辐射校准与多视图处理，掩盖图像上的陆地区域；
S23、删除第一个测绘带；
S24、选择训练样本；
S25、根据要描述的GLCM特征和纹理特征，对窗口尺寸、像素间距离和方向进行调整；
S26、采用正向搜索的随机森林算法选取特征。
进一步地，步骤S22具体包括：
S221、从服务器检索轨道文件；
S222、运用轨道文件去除图像的边界噪声；
S223、根据查找表去除热噪声；
S224、执行辐射校准：将图像的幅度变换为σ0，σ0为地面上雷达反向散射的测量值；
S225、多视图处理：对原始图像进行像素平均，直至获得所需的图像大小；
S226、掩盖陆地区域。
进一步地，步骤S26具体包括：
S261、对所有的n个变量按重要性降序排列，重要性最小的变量被删除，剩下m个变量；
S262、选择产生误码率最低的k个变量，k＝1到m；
S263、当平均errOOB显著减少时，基于选取的k个变量，使用升序序列形成随机森林。
进一步地，步骤S263中，阈值由与前一步骤中所留下的变量的平均errOOB差值确定，则有，
Figure BDA0002315177140000041
式中，errOOB(j)表示使用j个最重要变量的平均errOOB，该步骤从l＝1开始，只有当errOOB(l+1)-errOOB(l)大于阈值时，才保存第l+1个变量。
进一步地，步骤S3具体包括：
S31、利用标签成本动态确定标签数量，将图片分割问题转化为多标签优化问题，则有能量函数：
Figure BDA0002315177140000042
其中，数据成本
Figure BDA0002315177140000043
wd代表数据成本的权重，xp表示像素p处的6个变量的所有值，μl表示具有标签l的所有像素的每个变量的平均值；
其中，平滑成本
Figure BDA0002315177140000044
ws代表平滑成本的权重,lp为像素p分配标签，lq为像素q分配标签；
其中，标签成本
Figure BDA0002315177140000045
wl表示标签成本的权重；
S32、解决能量函数E(l)的能量最小化问题，产生最终分割图。
进一步地，步骤S32中采用α-扩展方法解决能量函数E(l)的能量最小化问题，具体为：
S321从初始标记L开始；
S322、L中每个标签上进行α-扩展，找到最小E(l)；
S323、若E(l)<E(L)，L＝1，保存标注结果并迭代S322和S323；
其中，初始标记是通过K-means无监督标记产生的，优化过程保持迭代，直到少于1％的像素通过最后一次迭代进行平均化，或迭代次数达到100次，从而产生最终分割图。
进一步地，步骤S4具体为：根据图像分割的结果，手动选择和合并可能的水域，对每个分割场景生成用于准确度评定的误差矩阵，计算总体准确度，用户准确度和分割水域的准确度:
其中，所述总体准确度为正确标记的像素数与总像素的比值；所述用户准确度为正确标记为水域的像素数与标记为水域的像素数；所述分割水域的准确度为正确标记为水域的像素数与地面实际中水域的像素数之间的比例。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
1、本发明针对海冰分割和测绘并提取出六个最重要的特征。利用GLCM特征对于海冰分类的有效性，为了描述GLCM特征和纹理特征，针对性的对窗口尺寸、像素间距离和方向等都进行了相应的设计，并基于正向搜索的随机森林算法选取出重要特征，这些特征对于后续的海冰测绘起到至关重要的作用。
2、本发明提出的半自动分割方法可将Sentinel-1图像分为少于六种水域。针对海冰测绘中难以确定分割的种类数目的问题，利用标签成本的优化算法动态确定标签的最佳数量，并将图片分割问题转化为多标签优化问题，提出了包括数据成本，平滑成本和标签成本的能量函数。
3、本发明提出的海冰测绘算法取得了高达95％的准确度。为了有效提取特征并测绘，研究Sentinel-1图像的特性：Sentinel-1图像与以前的传感器相比，第一年冰具有相似的响应，但在交叉极化带中具有不同的噪声模式，并计算总体准确度，用户准确度和分割水域的准确度。
附图说明
图1本发明所述SAR图像的海冰测绘方法的流程示意图；
图2 Sentinel-1观测到的15个场景；
图3图片预处理流程；
图4 2016年1月18日由Sentinel-1拍摄的场景，其中(a)为σHH场景，(b)为σHV场景；
图5 2016年1月18日由Sentinel-1拍摄的RGB场景和训练样本；
图6为GLCM特征集；
图7为选取出来的六个最重要特征；
图8为准确度评定的误差矩阵。
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，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。
实施例
请参考图1所示，本发明公开了一种基于哨兵一号合成孔径雷达图像的海冰测绘方法,包括以下步骤：
S1、结合研究的目的和区域特性选取研究区域；
S2、在特征选择中，确定双极化Sentinel-1图像中区分不同海冰类型的重要特征；
S3、依据所得特征对海冰图像进行分割和测绘；
S4、评估双极化Sentinel-1图像在海冰监测中的能力。
其中，S1具体为：本发明的研究区域是拉布拉多海岸，位于加拿大纽芬兰省和拉布拉多省的大部分地区，经纬度大致为51.9°至60.6°N和55.4°至64.6°W之间。拉布拉多海和巴芬湾的20％覆盖冰层，并且是在过去30年中海冰覆盖率最低的地区之一。拉布拉多海的海冰变化对深层对流和大气环流模式有直接的影响，这可能对气候产生深远的影响。拉布拉多海也是加拿大海运交通的重要通行地区，因为它是西北航道的起点。综合各种因素，及时准确监测拉布拉多海岸的海冰状况具有重要意义。
S2具体为：
S21、获取实验数据。如图2所示是在海冰分割中使用了来自Sentinel-1A的EW模式的15个场景列表，其宽度大约为400公里。像素间距约为40×40米，场景大小约为10000×10000像素。如图4所示，所有场景都是包含HH和HV的双极化模式。
S22、图片预处理，如图3所示，其可以通过以下步骤进行：
S221、从服务器检索轨道文件：在获取Sentinel-1数据大约两周后，可以从欧空局获取更精确的轨道参数；
S222、运用检索轨道文件去除边界噪声；
S223、根据GRDM产品中的查找表去除热噪声；
S224、执行辐射校准，将其幅度变换为σ0，即地面上雷达反向散射的测量值，幅度值以dB为单位进行变换；
S225多视图处理：
目前的方法可以处理超过2000×2000像素的图像大小，而实验方法使用的图像尺寸较小，约为1000×1000像素。因此，本实施例提出一个实验工作流，以1000×1000将代表原型算法处理全景图像。即将10000×10000像素的原始图像进行像素平均，平均8次，即可得到实验方法使用的图像大小(大约1250×1250像素)。
S226、使用飞行雷达地形任务(SRTM)数字高程模型(DEM)3弧秒(约90m)产品以掩盖陆地区域。
S23、删除第一个测绘带(sub-swath)，以减少Sentinel-1图像中噪声模式的影响；
S24、选择训练样本：综合考虑冰层情况等因素，从2016年1月18号、1月4号、3月16号、4月2号拍摄的影像中选择约三千像素的方形区域作为训练样本。
S25、根据要描述的GLCM特征和纹理特征，对窗口尺寸、像素间距离和方向等都进行调整。如图6所示的是GLCM特征集。
该步骤中窗口尺寸等是根据经验进行选择的，本文选择相应的尺寸是计算多个窗口的大小，以此来确定最有效的特征。
S26、采用正向搜索的随机森林算法选取特征，其通过以下步骤进行：
S261、对所有n个变量的重要性按降序排列，最小的被删除，剩下m个变量。交叉极化比(σHH/σHV)的好差将影响到网络覆盖和上行质量，因此，该指标统一适用于海边图像的研究，此处用交叉极化比判断结果的好坏，如图7所示的是选取出来的六个最重要的特征。
S262、选择产生误码率最低的k个变量(k＝1到m)。
S263、当平均errOOB显著减少时，基于选取的k个变量，使用升序序列形成随机森林。
其中，阈值由前一步骤中所留下的变量的平均errOOB差值确定，如下所示：
Figure BDA0002315177140000081
在此方程中，errOOB(j)表示使用j个最重要变量的平均errOOB。该步骤从l＝1开始，这是最重要的变量，只有当errOOB(l+1)-errOOB(l)大于阈值时，才保存第l+1个变量。因此，可以忽略重要性较低的变量和具有高相关性的变量。之后，确定l个最小的变量。
由于在具有不同窗口大小的GLCM特征之间可能存在高相关性，并且在图像分割步骤中仅需要一组。影响计算速度的第一个参数设置是随机森林中的树数，选取50个树数以确保选择结果的一致性。影响效率的另一个参数设置是三个阈值的系数。其中，系数较大，则将留下较少的变量。
S3具体包括以下步骤：
S31、在海冰测绘中，海冰级别种类众多，很难在图像分割中确定合适的种类数目。利用标签成本的优化算法，该算法可以动态确定标签的最佳数量。针对标签数量的确定，利用标签成本动态确定数量。图片分割问题转化为多标签优化问题，考虑三个因素(数据成本，平滑成本和标签成本)的能量函数：
Figure BDA0002315177140000091
其中，数据成本
Figure BDA0002315177140000092
lp表示像素p的分配标签(label Lpof a pixel p)，xp表示像素p处的6个变量的所有值，μl表示具有标签l的所有像素的每个变量的平均值，wd表示数据成本的权重。
其中，平滑成本
Figure BDA0002315177140000093
ws表示平滑成本的权重，lq表示像素q的分配标签。
像素p围的8个相邻像素被定义为邻居，如果像素q在像素p的邻域Np内，Vpq就会惩罚分割，即将将hl设置成1。
Vpq遵循以下三个条件：
1)Vpp＝0,
2)Vpq＝Vqp≥0，
3)Vpq≤Vpr+Vrq.
平滑成本用于测量相邻像素之间的标签一致性，用来解决图像分类中难以取舍的问题。标签l的顺序未被预先设定，并且每个标签没有特定的类名。在图像分割过程中，若发现标签子集l可导致较小的总能量，可能会将其合并到其他标签中。
其中，标签成本
Figure BDA0002315177140000094
用来惩罚过多数量的标签，wl表示标签成本的权重，hl为像素q与像素p之间不连续的惩罚。
本实施例中，数据成本、平滑成本及标签成本的权重均为1。
数据成本，平滑成本和标签成本的能量最小化问题可以使用图形切割来解决，即步骤S32采用扩展版本的α-扩展方法来实现能量优化，α-扩展方法能够通过图形切割同时切换大量像素的标签，与传统的逐像素交换相比，可以更快接近能量最小化。
其具体为：
S321、从初始标记L开始；
S322、对L中每个标签上进行α-扩展，找到最小E(l)；
S323、如果E(l)<E(L)，L＝1，保存标注结果并迭代S322与S323。在这个过程中，一些标签可以合并到α标签中，从而减少标签的数量。
初始标记是通过K-means无监督标记产生的，优化过程保持迭代，直到少于1％的像素通过最后一次迭代进行平均化，或迭代次数达到100次，从而产生最终分割图。
为了评估拟议的海冰分割工作流程的有效性，需精度评估算法区分冰和水的正确性。选取的15个场景共存在3类：水，冰和土地，土地可由DEM或其他地图确定，因此需要验证冰或水的地面真实性，而CIS提供的冰图可划分为两类：水和其他。
图像分割的结果可能包含不同类别的范围，故可能的水域被手动选择和合并，其他类也相应合并。如图8所示，针对每个分割场景生成误差矩阵，并计算总体准确度，用户准确度和分割水域的准确度。
总体准确度是正确标记的像素数与总像素数的比值，用于评估整体性能，表示为：(A+B)/(A+B+C+D)。用户准确度是从用户的角度，评估结果的可靠性，，其为正确标记为水域的像素数与标记为水域的像素数的比值，其表示为：A/(A+C)。分割水域的准确度是从测绘者角度评估分割准确度，其为正确标记为水域的像素数与地面实际中水域的像素数之间的比例，表示为：A/(A+D)。这三个测量值可用于选取参数集。
以上所述，仅为本发明较佳的具体实施方式，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。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，其特征在于，包括以下步骤：
S1、选取海冰测绘区域；
S2、特征选择和提取，确定双极化Sentinel-1图像中区分不同海冰类型的重要特征；
S3、依据所得特征对海冰图像进行分割和测绘；
S4、评估双极化Sentinel-1图像的海冰分割结果。
2.根据权利要求1所述的一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，其特征在于，步骤S2具体包括：
S21、获取实验数据:在海冰分割中使用来自Sentinel-1A的EW模式的若干个场景，对场景的宽度、像素间距及大小进行优化，各场景都是包含HH和HV的双极化模式；
S22、对图像进行预处理，去除图像的边界噪声及热噪声，并完成辐射校准与多视图处理，掩盖图像上的陆地区域；
S23、删除第一个测绘带；
S24、选择训练样本；
S25、根据要描述的GLCM特征和纹理特征，对窗口尺寸、像素间距离和方向进行调整；
S26、采用正向搜索的随机森林算法选取特征。
3.根据权利要求2所述的一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，其特征在于：步骤S22具体包括：
S221、从服务器检索轨道文件；
S222、运用轨道文件去除图像的边界噪声；
S223、根据查找表去除热噪声；
S224、执行辐射校准：将图像的幅度变换为σ0，σ0为地面上雷达反向散射的测量值；
S225、多视图处理：对原始图像进行像素平均，直至获得所需的图像大小；
S226、掩盖陆地区域。
4.根据权利要求2所述的一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，其特征在于，步骤S26具体包括：
S261、对所有的n个变量按重要性降序排列，重要性最小的变量被删除，剩下m个变量；
S262、选择产生误码率最低的k个变量，k＝1到m；
S263、当平均errOOB显著减少时，基于选取的k个变量，使用升序序列形成随机森林。
5.根据权利要求4所述的一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，其特征在于：步骤S263中，阈值由与前一步骤中所留下的变量的平均errOOB差值确定，则有，
Figure FDA0002315177130000021
式中，errOOB(j)表示使用j个最重要变量的平均errOOB，该步骤从l＝1开始，只有当errOOB(l+1)-errOOB(l)大于阈值时，才保存第l+1个变量。
6.根据权利要求1所述的一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，其特征在于：步骤S3具体包括：
S31、利用标签成本动态确定标签数量，将图片分割问题转化为多标签优化问题，则有能量函数：
Figure FDA0002315177130000022
其中，数据成本
Figure FDA0002315177130000023
wd代表数据成本的权重，xp表示像素p处的6个变量的所有值，μl表示具有标签l的所有像素的每个变量的平均值；
其中，平滑成本
Figure FDA0002315177130000024
ws代表平滑成本的权重,lp为像素p分配标签，lq为像素q分配标签；
其中，标签成本
Figure FDA0002315177130000031
wl表示标签成本的权重；
S32、解决能量函数E(l)的能量最小化问题，产生最终分割图。
7.根据权利要求6所述的一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，其特征在于：步骤S32中采用α-扩展方法解决能量函数E(l)的能量最小化问题，具体为：
S321从初始标记L开始；
S322、L中每个标签上进行α-扩展，找到最小E(l)；
S323、若E(l)<E(L)，L＝1，保存标注结果并迭代S322和S323；
其中，初始标记是通过K-means无监督标记产生的，优化过程保持迭代，直到少于1％的像素通过最后一次迭代进行平均化，或迭代次数达到100次，从而产生最终分割图。
8.根据权利要求1所述的一种基于哨兵一号合成孔径雷达图像的海冰测绘方法，其特征在于：步骤S4具体为：根据图像分割的结果，手动选择和合并可能的水域，对每个分割场景生成用于准确度评定的误差矩阵，计算总体准确度，用户准确度和分割水域的准确度:
其中，所述总体准确度为正确标记的像素数与总像素的比值；所述用户准确度为正确标记为水域的像素数与标记为水域的像素数；所述分割水域的准确度为正确标记为水域的像素数与地面实际中水域的像素数之间的比例。
CN201911274515.XA 2019-12-12 2019-12-12 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法 Active CN111046885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911274515.XA CN111046885B (zh) 2019-12-12 2019-12-12 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911274515.XA CN111046885B (zh) 2019-12-12 2019-12-12 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法

Publications (2)

Publication Number Publication Date
CN111046885A true CN111046885A (zh) 2020-04-21
CN111046885B CN111046885B (zh) 2023-04-07

Family

ID=70236406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911274515.XA Active CN111046885B (zh) 2019-12-12 2019-12-12 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法

Country Status (1)

Country Link
CN (1) CN111046885B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005291782A (ja) * 2004-03-31 2005-10-20 National Institute Of Information & Communication Technology Ｓａｒによる氷厚推定方法
CN102176012A (zh) * 2010-12-07 2011-09-07 北京理工大学 一种二维浅海水下地形合成孔径雷达影像仿真的方法
CN104050474A (zh) * 2014-06-10 2014-09-17 上海海洋大学 一种基于LiDAR数据的海岛岸线自动提取方法
CN107092933A (zh) * 2017-04-24 2017-08-25 中国科学院遥感与数字地球研究所 一种合成孔径雷达扫描模式图像海冰分类方法
CN109447993A (zh) * 2018-10-25 2019-03-08 哈尔滨工程大学 一种基于混合真伪样本策略的海冰图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005291782A (ja) * 2004-03-31 2005-10-20 National Institute Of Information & Communication Technology Ｓａｒによる氷厚推定方法
CN102176012A (zh) * 2010-12-07 2011-09-07 北京理工大学 一种二维浅海水下地形合成孔径雷达影像仿真的方法
CN104050474A (zh) * 2014-06-10 2014-09-17 上海海洋大学 一种基于LiDAR数据的海岛岸线自动提取方法
CN107092933A (zh) * 2017-04-24 2017-08-25 中国科学院遥感与数字地球研究所 一种合成孔径雷达扫描模式图像海冰分类方法
CN109447993A (zh) * 2018-10-25 2019-03-08 哈尔滨工程大学 一种基于混合真伪样本策略的海冰图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗丽程等: "基于Sentinel-1卫星的北冰洋海冰信息提取", 《上海航天》 *

Also Published As

Publication number Publication date
CN111046885B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Wang et al. Dynamic detection of water surface area of Ebinur Lake using multi-source satellite data (Landsat and Sentinel-1A) and its responses to changing environment
US11521379B1 (en) Method for flood disaster monitoring and disaster analysis based on vision transformer
Rahman et al. Detecting, mapping and analysing of flood water propagation using synthetic aperture radar (SAR) satellite data and GIS: A case study from the Kendrapara District of Orissa State of India
Brisco et al. A semi-automated tool for surface water mapping with RADARSAT-1
Sanyal et al. Application of remote sensing in flood management with special reference to monsoon Asia: a review
CN107463901A (zh) 多尺度区域洪涝灾害危险性遥感评估方法和系统
Yagoub et al. Monitoring coastal zone land use and land cover changes of Abu Dhabi using remote sensing
Gegiuc et al. Estimation of degree of sea ice ridging based on dual-polarized C-band SAR data
CN112990657B (zh) 一种通过长时序卫星遥感评价湿地退化的方法
Iacozza et al. An examination of the distribution of snow on sea‐ice
CN105139396B (zh) 一种全自动遥感影像云雾检测方法
Dammann et al. Traversing sea ice—linking surface roughness and ice trafficability through SAR polarimetry and interferometry
CN114359243B (zh) 一种季节性小微湿地动态监测方法
Karvonen Estimation of Arctic land-fast ice cover based on dual-polarized Sentinel-1 SAR imagery
CN109472804A (zh) 基于遥感影像的陆表水体提取方法和装置
CN109211798A (zh) 一种基于遥感影像光谱特征的一年生海冰分布信息提取方法
Dierking et al. SAR polarimetry for sea ice classification
CN111046885B (zh) 一种基于哨兵一号合成孔径雷达图像的海冰测绘方法
Fassnacht et al. Mapping snow cover and snow depth across the Lake Limnopolar watershed on Byers Peninsula, Livingston Island, Maritime Antarctica
Surampudi et al. Flood Depth Estimation in Agricultural Lands From L and C-Band Synthetic Aperture Radar Images and Digital Elevation Model
CN110633674B (zh) 一种基于遥感影像与降雨监测数据的雨水去向不确定性分析方法及系统
Karvonen et al. Kara and Barents sea ice thickness estimation based on CryoSat-2 radar altimeter and Sentinel-1 dual-polarized synthetic aperture radar
Borde et al. A direct link between feature tracking and height assignment of operational atmospheric motion vectors
Luojus et al. Enhanced SAR-based snow-covered area estimation method for boreal forest zone
Hillebrand et al. Application of textural analysis to map the sea ice concentration with sentinel 1A in the western region of the Antarctic Peninsula

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