CN111983609B

CN111983609B - 基于雷达遥感影像的湿芦苇提取方法

Info

Publication number: CN111983609B
Application number: CN202010750007.0A
Authority: CN
Inventors: 张美美; 陈方
Original assignee: Aerospace Information Research Institute of CAS
Current assignee: Aerospace Information Research Institute of CAS
Priority date: 2020-07-30
Filing date: 2020-07-30
Publication date: 2022-02-08
Anticipated expiration: 2040-07-30
Also published as: CN111983609A

Abstract

本申请公开了一种基于雷达遥感影像的湿芦苇提取方法，涉及图像处理技术领域。包括：获取包括芦苇的雷达遥感影像，芦苇包括干芦苇和湿芦苇；预设芦苇的散射机制，计算雷达遥感影像中芦苇对应的相干系数，得到对应的相干系数幅度值；根据相干系数幅度值建立干芦苇和湿芦苇的概率密度函数，应用基于相干系数幅度值建立的干芦苇和湿芦苇的概率密度函数，生成不同水文状态芦苇的概率分布图；根据不同水文状态芦苇的概率分布图，提取湿芦苇的空间分布范围。通过采用相干系数开展湿地植被水文状态的监测研究，能够有效提取不同湿地类型的水文覆盖信息，为湿地有效面积的可靠评价及其退化程度的分析提供了重要价值。

Description

基于雷达遥感影像的湿芦苇提取方法

技术领域

本申请涉及图像处理技术领域，具体地说，涉及一种基于雷达遥感影像的湿芦苇提取方法。

背景技术

湿地生态系统是地球上三大生态系统之一，处于陆地和水体之间的过渡地带，在保护生物多样性、净化水资源、调节局部地区气候、蓄洪防旱等方面发挥了非常重要的作用。然而由于湿地围垦、大型水利工程建设、湿地水资源的过度利用，导致部分地区的湿地水文环境遭到破坏，湿地生态系统不断退化。芦苇作为分布最为广泛的湿地类型，是世界各地造纸的主要来源，还能有效缓解干旱和风沙扬尘等陆地气象灾害。芦苇湿地可作为直接的水源或补充地下水，防止土壤次生盐渍化。其下垫面的水文环境为每年成千上万的水禽提供了重要的繁殖与栖息场所，还是许多鸟类迁徙路线的重要组成部分。因此，监测芦苇下垫面的水文环境变化非常重要，它是衡量湿地生态系统健康程度的重要指示，也是维护湿地生物多样性的有效途径。

传统的湿地水文监测方法主要是采用水文观测站和野外实测的技术手段，虽然获取的数据精度较高，但是只能得到观测和测量站点数据，无法获取湿地水文格局的空间分布信息，使得湿地水文监测的结果往往被低估。特别是对于那些面积大且危险的沼泽区域，或者位于偏远、交通不便地区的湿地，要在短期内快速完成湿地资源的大规模调查和动态变化监测等研究工作，常规的野外测量技术覆盖范围小、效率低、成本高，难以普适化应用。

卫星遥感数据能够为湿地环境变化监测提供大规模、实时、重复观测的信息。光学遥感技术已经广泛应用于湿地分类制图、生物量估算以及景观格局变化等研究，其中Landsat系列卫星和中分辨率成像光谱仪(MOD IS)的光学图像在湿地生态和季节性洪水监测方面取得很大的进展。然而大多数湿地区域的植被都被水体覆盖，在光学影像上，不同淹没状态下植被的光谱特征具有相似性，因而采用光学遥感难以探测到湿地植被下垫面的水体信息，更无法准确识别并监测湿地资源及环境。部分研究尝试将红外遥感应用于湿地植被类型制图，但效果并不理想。

然而，目前以上大多数的研究都集中于湿地分类制图和湿地植被覆盖下的水文波动，几乎没有或较少关注淹没和非淹没湿地类型的区分。当下，亟待提出大范围湿地植被干湿状态的遥感变化监测方法，这对于湿地有效面积的可靠评价及其退化程度的分析具有重要价值。

发明内容

有鉴于此，本申请提供了一种基于雷达遥感影像的湿芦苇提取方法，用以改善当下技术无法对大范围湿地植被干湿状态进行区分的问题。

为了解决上述技术问题，本申请有如下技术方案：

一种基于雷达遥感影像的湿芦苇提取方法，包括：

获取包括芦苇的雷达遥感影像，芦苇包括干芦苇和湿芦苇；

预设芦苇的散射机制，计算雷达遥感影像中芦苇对应的相干系数，得到对应的相干系数幅度值；其中，相干系数幅度值的计算公式为：

其中，t为相干系数幅度值，p和q分别为两景重轨数据的单视复数影像，R为共轭相乘运算；

根据相干系数幅度值建立干芦苇和湿芦苇的概率密度函数，概率密度函数的统计表达式为：

f_t(t|T)＝2(N-1)(1-T²)^Nt(1-t²)^N-2×H(N,N；1；T²t²)

其中，t和T分别代表样本的相干系数幅度值和实际相干系数幅度值，N为雷达遥感影像的等效视数，H为超几何方程；

应用基于相干系数幅度值建立的干芦苇和湿芦苇的概率密度函数，生成不同水文状态芦苇的概率分布图；

根据不同水文状态芦苇的概率分布图，提取湿芦苇的空间分布范围。

可选地，其中：

在根据相干系数幅度值建立干芦苇和湿芦苇的概率密度函数之前，提取方法还包括建立并分析湿芦苇和干芦苇的相干系数的统计直方图，具体为：

在相干系数幅度值对应的图像中分别选取部分干芦苇和部分湿芦苇的样本区域，并建立相应的相干系数的统计直方图，分析样本区域的相干系数幅度值的统计分布情况。

可选地，其中：

应用基于相干系数幅度值建立的干芦苇和湿芦苇的概率密度函数，生成不同水文状态芦苇的概率分布图，具体为：

利用样本的相干系数幅度值为实际相干系数幅度值的最大似然估计，结合样本区域的统计分布情况，构建干芦苇和湿芦苇的概率密度函数的统计表达式，并绘制干芦苇和湿芦苇的相干系数的概率密度曲线；生成干芦苇和湿芦苇的相干系数幅度的概率分布图。

可选地，其中：

提取湿芦苇的空间分布范围，具体为：

应用概率分布图，识别干芦苇和湿芦苇的分布情况，提取湿芦苇空间分布范围。

可选地，其中：

还包括计算样本的相干系数幅度值t的偏差U(t):

其中，G代表gamma函数。

可选地，其中：

实际相干系数幅度值T通过对样本的相干系数幅度值求空间平均获得：

其中，t_i代表样本i的相干系数幅度值。

可选地，其中：

任一样本区域包括至少1000个像元。

可选地，其中：

获取包括芦苇的雷达遥感影像，具体为：

获取包括芦苇的至少两景L波段雷达波的同向极化重轨数据。

可选地，其中：

在计算芦苇对应的相干系数得到相干系数幅度值之前，提取方法还包括：

使用自适应光谱滤波消除雷达遥感影像中的斑点噪声。

可选地，其中：

干芦苇的散射机制为冠层体散射；湿芦苇的散射机制为双向散射。

与现有技术相比，本申请所述的基于雷达遥感影像的湿芦苇提取方法，达到了如下效果：

本申请提供的基于雷达遥感影像的湿芦苇提取方法，通过计算雷达遥感影像中不同水文环境下的芦苇的相干系数幅度值，并建立相应的概率密度函数，进而生成不同水文状态芦苇的概率分布图，最后根据不同水文状态芦苇的概率分布图，提取湿芦苇的空间分布范围。通过采用相干系数开展湿地植被水文状态的监测研究，能够有效提取不同湿地类型的水文覆盖信息，且对于湿地面积的覆盖范围大、提取效率高、成本低，能够实现普适化的应用，为湿地有效面积的可靠评价及其退化程度的分析提供了重要价值。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1所示为本申请实施例所提供的基于雷达遥感影像的湿芦苇提取方法的一种流程图；

图2所示为本申请实施例所提供的基于雷达遥感影像的湿芦苇提取方法的另一种流程图；

图3所示为本申请实施例所提供的基于雷达遥感影像的湿芦苇提取方法的再一种流程图；

图4所示为本申请实施例所提供的研究区的相干系数幅度图；

图5所示为本申请实施例所提供的干芦苇和湿芦苇相干系数幅度的概率密度曲线和样本的统计直方图；

图6所示为本申请实施例所提供的湿芦苇的空间分布图。

具体实施方式

如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。

现有技术中，传统的湿地水文监测方法覆盖范围小、效率低、成本高，难以普适化应用，且无法准确识别并监测湿地资源及环境。此外，目前大多数的研究都集中于湿地分类制图和湿地植被覆盖下的水文波动，几乎没有或较少关注淹没和非淹没湿地类型的区分；因此，亟待提出大范围湿地植被干湿状态的遥感变化监测方法，这对于湿地有效面积的可靠评价及其退化程度的分析具有重要价值。

以下结合附图和具体实施例进行详细说明。

图1所示为本申请实施例所提供的基于雷达遥感影像的湿芦苇提取方法的一种流程图，请参照图1，本申请提供了一种基于雷达遥感影像的湿芦苇提取方法，包括：

步骤101、获取包括芦苇的雷达遥感影像，芦苇包括干芦苇和湿芦苇；

步骤102、预设芦苇的散射机制，计算雷达遥感影像中芦苇对应的相干系数，得到对应的相干系数幅度值；其中，相干系数幅度值的计算公式为：

步骤103、根据相干系数幅度值建立干芦苇和湿芦苇的概率密度函数，概率密度函数的统计表达式为：

f_t(t|T)＝2(N-1)(1-T²)^Nt(1-t²)^N-2×H(N,N；1；T²t²)

步骤104、应用基于相干系数幅度值建立的干芦苇和湿芦苇的概率密度函数，生成不同水文状态芦苇的概率分布图；

步骤105、根据不同水文状态芦苇的概率分布图，提取湿芦苇的空间分布范围。

具体地，本申请提供了一种基于雷达遥感影像的湿芦苇提取方法，包括通过步骤101来获取包括有芦苇的雷达遥感影像，其中芦苇包括有干芦苇和湿芦苇，也即所获取的雷达遥感影像中包括有不同水文环境下的植被(芦苇)；通过步骤102根据本技术领域的常识预先设置好不同水文环境下的芦苇的散射机制，进而计算在步骤101所获取的雷达遥感影像中不同水文环境下的芦苇对应的相干系数，得到例如干芦苇和湿芦苇的相干系数幅度值。本申请还提供了相干系数幅度值的计算公式为：

其中，t为相干系数幅度值，p和q分别为两景重轨数据的单视复数影像，R为共轭相乘运算。相干系数幅度值的范围在0-1之间，相干性越好，相应的幅度值越高。0代表两景SAR(合成孔径雷达)影像之间完全不相关，1代表完全相关。

进而通过步骤103根据步骤102中所计算的干芦苇的相干系数幅度值建立干芦苇的概率密度函数，根据步骤102中所计算的湿芦苇的相干系数幅度值建立湿芦苇的概率密度函数；本申请提供了概率密度函数的统计表达式为：

f_t(t|T)＝2(N-1)(1-T²)^Nt(1-t²)^N-2×H(N,N；1；T²t²)

其中，t和T分别代表样本的相干系数幅度值和实际相干系数幅度值，N为雷达遥感影像的等效视数，H为超几何方程。

然后在步骤104中应用基于相干系数幅度值建立的干芦苇和湿芦苇的概率密度函数来生成不同水文状态下芦苇的概率分布图；最后根据不同水文状态下芦苇的概率分布图，实现大范围的干芦苇和湿芦苇的分离和提取，从而得到湿芦苇的空间分布范围，同时也能够得到干芦苇的空间分布范围。

需要说明的是本申请使用雷达遥感影像，是由于合成孔径雷达(SAR)是一种全天时、全天候的成像系统，它主动发射电磁波，能有效穿透湿地植被的冠层而与其下垫面的水体相互作用，因此对于淹没植被的水文特征研究提供了新的途径。先进的SAR技术手段例如采用干涉条纹测量、极化指数和面向对象的分割方法已逐渐被应用到湿地环境监测研究。干涉测量利用SAR影像的相位获取地表变化信息，其精度已经达到毫米级别，在水储量的估算、相对水位变化的信息提取方面具有很大的应用潜力。极化指数能全面反应电磁波、芦苇及其覆盖下的水体间的散射机制，可提供比散射强度更为丰富的观测信息，更好的辅助进行湿地识别及特征提取。面向对象的分割方法充分利用SAR影像的散射、纹理和空间信息，能实现湿地植被的精确制图以及不同湿地类型的分割。

本申请提出大范围湿地植被干湿状态的遥感变化监测方法，对于湿地有效面积的可靠评价及其退化程度的分析具有重要价值。由于干涉测量中的相干系数对于不同水文条件下湿地植被的散射机制较为敏感，因此能作为湿地植被下垫面水文状态的探测器。本发明分析了干湿芦苇相干系数的统计分布情况，提出了基于概率变化检测的方法提取湿芦苇的空间分布区域。这是首次采用相干系数开展湿地植被水文状态的监测研究，该方法也能有效提取其他湿地类型的水文覆盖信息；本申请所提供的方法对于湿地面积的覆盖范围大、提取效率高、成本低，且能够实现普适化的应用。

图2所示为本申请实施例所提供的基于雷达遥感影像的湿芦苇提取方法的另一种流程图，请参照图2，可选地，在根据相干系数幅度值建立干芦苇和湿芦苇的概率密度函数之前，提取方法还包括步骤1021、建立并分析湿芦苇和干芦苇的相干系数的统计直方图，具体为：

具体地，在步骤103中“根据相干系数幅度值建立干芦苇和湿芦苇的概率密度函数”之前，本申请提供的基于雷达遥感影像的湿芦苇提取方法还包括步骤1021、建立并分析湿芦苇和干芦苇的相干系数的统计直方图；步骤1021的具体过程为：在相干系数幅度值对应的图像中，即在相干系数幅度图上，分别选取一定数量的干芦苇和湿芦苇的样本数据，建立相应的相干系数直方图，进而分析样本数据(样本区域)的样本相关系数幅度值的统计分布情况。

本申请提出采用相干系数探测湿地植被的水文环境变化，其原因在于相干系数幅度值对植被覆盖下的水文条件非常敏感，对于较少或几乎没有水体覆盖的干芦苇而言，通常体散射占据主导地位，其相干性由于体散射的衰减而大幅度降低；而永久被水体淹没的芦苇以其垂直茎秆和下垫面水面之间产生的双向散射效应，可保持很强的相干性。

请继续参照图2，可选地，应用基于相干系数幅度值建立的干芦苇和湿芦苇的概率密度函数，生成不同水文状态芦苇的概率分布图，具体为：

具体地，步骤104“应用基于相干系数幅度值建立的干芦苇和湿芦苇的概率密度函数，生成不同水文状态芦苇的概率分布图”的具体过程为：利用步骤1021中得到的样本的相干系数幅度值为实际相干系数幅度值的最大似然估计，结合样本相干系数的统计分布特点，进而构建干芦苇和湿芦苇的概率密度函数的统计表达式，并绘制干芦苇和湿芦苇的相干系数的概率密度曲线，从而分别生成干芦苇和湿芦苇对应的相干系数幅度的概率分布图，或是建立识别干芦苇和湿芦苇的概率变化检测方法。

本申请通过充分考虑样本相干系数的统计分布特征，采用最大似然原理的估计方法，获取实际相干系数的幅度值。构建了干芦苇和湿芦苇概率密度函数的统计表达式，它是相干系数幅度、等效视数和超几何方程的函数。然后绘制不同水文状态芦苇的概率分布图，能够有效探测芦苇下垫面的覆水程度，并更为精确地提取湿芦苇的空间分布范围。

请参照图1或图2，可选地，提取湿芦苇的空间分布范围，具体为：

具体地，步骤105中“提取湿芦苇的空间分布范围”的具体内容为：应用步骤104中所得到的概率分布图，有效探测芦苇下垫面的覆水程度，识别出不同水文状态下的芦苇的分布情况，也即识别出干芦苇和湿芦苇的分布情况，进而提取出湿芦苇的空间分布范围。或是说应用建立的基于相干系数幅度值的概率变化检测方法，生成不同水文状态芦苇的概率分布图，实现芦苇覆水状态的有效探测以及大面积干湿芦苇的快速分离，并制作湿芦苇的空间分布图。

请继续参照图1或图2，可选地，还包括计算样本的相干系数幅度值t的偏差U(t):

其中，G代表gamma函数。

具体地，在相干性很差的区域，样本相干系数的幅度值有很大的偏差，这种偏差随着等效视数的下降也会明显增大，因此需要计算样本相干系数幅度的偏差，以便进行的无偏估计，它们之间的关系式为：

G代表gamma函数，通常情况下，样本数为S的相干系数幅度t_s与U(t)近似相等，故T的无偏估计可在U(t)＝t_s处求逆得到。

请继续参照图1或图2，可选地，实际相干系数幅度值T通过对样本的相干系数幅度值求空间平均获得：

其中，t_i代表样本i的相干系数幅度值。

具体地，相干系数幅度还可以通过对样本的相干系数幅度值求空间平均获得。本发明采用查找表的方式，以1/10000为间隔离散化相干系数幅度值的分布范围，并选择在U(t)＝t_s处求逆得到的与

最为接近的值作为相干系数幅度T的无偏估计。最后，在去除样本相干系数幅度t的偏差并完成相干系数幅度T的无偏估计之后，应用概率密度函数的统计表达式分别建立识别干芦苇和湿芦苇的概率变化检测方法。

请继续参照图1或图2，可选地，任一样本区域包括至少1000个像元。

具体地，在建立并分析干芦苇和湿芦苇相干系数的统计直方图时，根据研究区的野外调查实测数据，可以在相干系数幅度图上各选取20个干芦苇和湿芦苇的样本区域。为保证样本数据具有足够的代表性，每个样本区域最好包含约1000个以上的像元，并且覆盖地面同一种类型。然后建立不同干湿状态芦苇其样本相干系数的统计直方图，详细分析相干系数幅度值的统计分布特征。

请继续参照图1或图2，可选地，获取包括芦苇的雷达遥感影像，具体为：

获取包括芦苇的至少两景L波段雷达波的同向极化重轨数据。

具体地，本申请提出的雷达遥感影像的获取，在波段方面，L波段雷达数据以其对几乎所有类型的森林和草本沼泽较强的穿透性，成为湿地应用领域的首选。在极化方面，相比VV极化，HH极化对植被结构的差异及水文影响更为敏感，可为湿地水文环境的探测提供丰富的信息。因此，研究采用L波段、HH极化的ALOS PALSAR数据进行不同干湿状态下草本湿地监测的方法研究。所有影像均为重轨且覆盖同一区域，确保干涉相干系数的有效估计。

请参照图2，可选地，在计算芦苇对应的相干系数得到相干系数幅度值之前，提取方法还包括：

步骤1011、使用自适应光谱滤波消除雷达遥感影像中的斑点噪声。

具体地，步骤102中“在计算芦苇对应的相干系数得到相干系数幅度值”之前，还包括步骤1011、分别对每景雷达影像应用窗口大小为32的自适应光谱滤波，以消除雷达影像固有的斑点噪声，提高相干图像的信噪比，然后进行相干系数的幅度值估计。

请参照图1或图2，可选地，干芦苇的散射机制为冠层体散射；湿芦苇的散射机制为双向散射。

具体地，对于步骤102中所提到的芦苇的散射机制，由于不同水文状态下湿地植被的主导散射机制会显著影响相干系数的分布范围，因此采用相干系数幅度值作为湿地植被水文环境变化的探测器。干芦苇常年无水或较少被水体覆盖，通常情况下，其植被冠层的体散射占据主导地位，由此产生的相干性受到体散射的衰减而降低。而湿芦苇的下垫面长期覆盖水体，雷达波、芦苇的垂直茎秆还有水面之间产生的双向散射始终为主要的散射机制，具有足够的相干性。

结合具体实验提供一实施例如下：

图3所示为本申请实施例所提供的基于雷达遥感影像的湿芦苇提取方法的再一种流程图，图4所示为本申请实施例所提供的研究区的相干系数幅度图，图5所示为本申请实施例所提供的干芦苇和湿芦苇相干系数幅度的概率密度曲线和样本的统计直方图，图6所示为本申请实施例所提供的湿芦苇的空间分布图；图3示出了本申请结合具体实验所提供的湿芦苇提取方法的一种流程图，便于对提取方法的理解；包括步骤201估计雷达遥感影像的相干系数幅度值，进而通过步骤202分别选取干湿芦苇样本，建立并分析干湿芦苇相干系数的统计直方图，然后通过步骤203来建立基于概率变化检测的湿芦苇提取方法，最后通过步骤204提取出湿芦苇的分布范围。

请参照图4-图6，考虑到L波段雷达波对湿地植被冠层的强穿透性和HH极化对植被垂直结构及水文环境变化的敏感性，能极大的提高成像雷达对湿地水文过程与覆水程度的获取能力，本发明采用L波段HH极化数据开展湿地植被的水文状态探测研究。为获取可靠的相干系数幅度值，采用的所有影像均为重轨且覆盖同一研究区。为此，本申请的实施例以辽河三角洲为研究区，选取2008年6月18日和2008年8月3日的两景L波段HH极化ALOS PALSAR重轨数据作为实验数据。具体采用ALOS PALSAR的高分辨率精束单极化(FBS)模式数据，影像参数包括：中心入射角约为34.3°，距离向的采样间隔分别为9米和4米，方位向均为3米，重复观测周期为46天。分别对两景雷达影像应用自适应光谱滤波以消除斑点噪声，并提高图像的信噪比，然后计算相干系数的幅度值，结果如图4所示。

图5表示观测期内不同水文状态芦苇相干系数幅度的概率分布曲线，它充分考虑了样本相干系数幅度值的统计分布特征。干芦苇由于体散射的衰减导致相干性较差，而双向散射为主导散射机制的湿芦苇则能维持很强的相干性。从概率分布图上也可以看出，干芦苇的相干系数幅度在0.1-0.60之间分布，并在相干系数为0.35时达到最大概率；而湿芦苇的相干系数幅度值在0.50-0.95之间，在0.70左右达到概率峰值。利用生成的相干系数幅度值的概率分布图，可以有效的探测并识别不同水文状态芦苇的空间分布情况。

图6展示了最终得到的芦苇的淹没格局。整体来看，湿芦苇集中分布在靠近辽河入海口的西部地区，干芦苇主要分布在辽河上游的中部以及研究区的东部地区。

本发明针对长期无水或缺水会引起湿地植被减少和退化、生物多样性降低、湿地生态系统服务功能下降等一系列生态环境问题，以及目前湿地植被水文特征的变化监测研究较少这一现状。提供了一种基于雷达遥感影像，大范围、快速、准确提取湿芦苇的方法。该方法利用相干系数对于芦苇在不同覆水情况下散射机制的敏感性，基于相干系数幅度值的统计分布特点建立概率变化检测的方法，实现不同水文状态芦苇的识别与信息提取。该方法不仅为湿地水文环境监测提供了一种新思路，也为相关部门制定湿地的保护与管理措施提供有效依据。

通过以上各实施例可知，本申请存在的有益效果是：

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。

Claims

1.一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，包括：

获取包括芦苇的雷达遥感影像，所述芦苇包括干芦苇和湿芦苇；

预设所述芦苇的散射机制，计算所述雷达遥感影像中所述芦苇对应的相干系数，得到对应的相干系数幅度值；其中，所述相干系数幅度值的计算公式为：

根据所述相干系数幅度值建立所述干芦苇和所述湿芦苇的概率密度函数，所述概率密度函数的统计表达式为：

f_t(t|T)＝2(N-1)(1-T²)^Nt(1-t²)^N-2×H(N,N；1；T²t²)

其中，t和T分别代表样本的相干系数幅度值和实际相干系数幅度值，N为所述雷达遥感影像的等效视数，H为超几何方程；

应用基于所述相干系数幅度值建立的所述干芦苇和所述湿芦苇的概率密度函数，生成不同水文状态芦苇的概率分布图；

根据不同水文状态芦苇的概率分布图，提取所述湿芦苇的空间分布范围。

2.根据权利要求1所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，在根据所述相干系数幅度值建立所述干芦苇和所述湿芦苇的概率密度函数之前，所述提取方法还包括建立并分析所述湿芦苇和所述干芦苇的相干系数的统计直方图，具体为：

在相干系数幅度值对应的图像中分别选取部分所述干芦苇和部分所述湿芦苇的样本区域，并建立相应的相干系数的统计直方图，分析所述样本区域的所述相干系数幅度值的统计分布情况。

3.根据权利要求2所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，所述应用基于所述相干系数幅度值建立的所述干芦苇和所述湿芦苇的概率密度函数，生成不同水文状态芦苇的概率分布图，具体为：

利用样本的所述相干系数幅度值为实际相干系数幅度值的最大似然估计，结合所述样本区域的所述统计分布情况，构建所述干芦苇和所述湿芦苇的概率密度函数的统计表达式，并绘制所述干芦苇和所述湿芦苇的所述相干系数的概率密度曲线；生成所述干芦苇和所述湿芦苇的所述相干系数幅度的概率分布图。

4.根据权利要求3所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，提取所述湿芦苇的空间分布范围，具体为：

应用所述概率分布图，识别所述干芦苇和所述湿芦苇的分布情况，提取所述湿芦苇空间分布范围。

5.根据权利要求1所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，还包括计算所述样本的相干系数幅度值t的偏差U(t):

其中，G代表gamma函数。

6.根据权利要求1所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，实际相干系数幅度值T通过对样本的相干系数幅度值t求空间平均获得：

其中，t_i代表样本i的相干系数幅度值。

7.根据权利要求2所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，任一所述样本区域包括至少1000个像元。

8.根据权利要求1所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，所述获取包括芦苇的雷达遥感影像，具体为：

获取包括芦苇的至少两景L波段雷达波的同向极化重轨数据。

9.根据权利要求1所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，在计算所述芦苇对应的所述相干系数得到所述相干系数幅度值之前，所述提取方法还包括：

使用自适应光谱滤波消除所述雷达遥感影像中的斑点噪声。

10.根据权利要求1所述的一种基于雷达遥感影像的湿芦苇提取方法，其特征在于，所述干芦苇的散射机制为冠层体散射；所述湿芦苇的散射机制为双向散射。