CN112883877A - 基于双重非监督分类的极化sar红树林提取方法及系统 - Google Patents
基于双重非监督分类的极化sar红树林提取方法及系统 Download PDFInfo
- Publication number
- CN112883877A CN112883877A CN202110208379.5A CN202110208379A CN112883877A CN 112883877 A CN112883877 A CN 112883877A CN 202110208379 A CN202110208379 A CN 202110208379A CN 112883877 A CN112883877 A CN 112883877A
- Authority
- CN
- China
- Prior art keywords
- mangrove
- classification
- polarized
- sar
- class
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明还提供一种双重非监督分类的极化SAR红树林提取方法及系统,进行雷达影像噪声抑制,利用斑点噪声抑制后的极化相干矩阵,进行H‑α极化目标分解,进行极化SAR影像初始化分类;基于Wishart分布利用最大似然分类器进行迭代分类,从非监督分类结果中选择功率最小的类别作为水体类;红树林分布区域初选,包括根据水体进行缓冲区提取,同时利用数字高程模型对高程大于等于预设阈值的区域进行排除;在红树林分布区域初选结果影像范围内,根据最大似然分类结果,利用似然比假设检验的方式对结果进一步迭代;红树林类提取,包括在似然比迭代分类结果的基础上,计算有效影像区类中心平均熵和平均功率并排序,将具有中等以上功率且熵最大的类作为红树林类。
Description
技术领域
本发明属于雷达遥感图像处理技术领域,特别设计一种基于双重非监督分类的极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)红树林提取新技术方案。
背景技术
红树林地处潮间带浅滩且可达性较差,且在不同潮水位下的空间分布也有一定的差异,采用传统的红树林空间分布调查方法费时费力、周期长。遥感技术以大范围、多尺度、长时序监测等优点,在红树林资源调查中得到了广泛应用。其中高分辨率和高光谱遥感影像都在红树林提取中有较多应用,但高分辨率光学遥感影像不能提供丰富的光谱信息,易造成红树林与非红树林等的混分,而高光谱虽然能提供丰富的光谱信息,但由于空间分辨率的限制,常造成混合像元的问题,其识别精度并不高。
极化合成孔径雷达是一种先进的遥感信息获取手段,通过获取地物在同极化和交叉极化方式下的回波,得到更丰富地物回波信息,而且极化信息与地物的介电特性、几何、结构等信息具有较高的敏感性,为红树林提取和散射解译提供了丰富的信息。特别是我国高分3(GF-3)雷达的升空,其极化观测模式为红树林散射机制解译和红树林大范围空间分布的提取提供了更多的数据。目前利用SAR影像进行红树林提取的方法主要通过提取极化特征进行红树林的分类,根据红树林在沿海分布的特征且微波具有一定的穿透性,一般偶次散射相对岸边红树林更强,和其他林地具有不同的散射特征。但由于红树林和沿海岸边其他林地都相对比较茂盛,特别是在短波长的SAR影像上,体散射具有一定的相似性,会造成红树林和非红树林的混分。同时基于Wishart分布的最大似然分类器是极化SAR常用的分类器,但该分类器对功率具有较强的依赖性,易导致散射功率较强的红树林的过分类且结果零碎。部分研究利用极化SAR和高光谱影像联合进行红树林精确提取,联合极化信息和光谱信息对不同类型的红树林进行了精细提取,但由于高光谱数据大范围获取的有限性,提高极化SAR影像上红树林提取的精度对开展广域资源环境监测具有重要的意义。
发明内容
本发明的技术方案为一种基于双重非监督分类的极化SAR红树林提取方案。
本发明提供一种双重非监督分类的极化SAR红树林提取方法,包括以下步骤:
步骤1,雷达影像噪声抑制,包括对极化SAR影像进行斑点噪声抑制;
步骤2,利用斑点噪声抑制后的极化相干矩阵,进行H-α极化目标分解,其中H为熵,α为极化散射角,根据H-α特征平面,进行极化SAR影像初始化分类;根据各个通道的后向散射系数,计算总功率特征;
步骤3,基于Wishart分布利用最大似然分类器进行迭代分类,包括首先基于步骤2的初始化结果计算类中心的极化相干矩阵,进而利用Wishart距离进行迭代分类,在满足迭代终止条件的时候,输出分类结果;
步骤4,根据步骤3所得分类结果提取水体类,包括从非监督分类结果中选择功率最小的类别作为水体类,其余类别为非水体类;
步骤5,红树林分布区域初选,包括根据步骤4所得水体进行缓冲区提取,同时利用数字高程模型对高程大于等于预设阈值的区域进行排除;
步骤6,在步骤5所得红树林分布区域初选结果影像范围内,根据最大似然分类结果,利用似然比假设检验的方式对结果进一步迭代;
步骤7,红树林类提取,包括在步骤6所得似然比迭代分类结果的基础上,计算有效影像区类中心平均熵和平均功率并排序,将具有中等以上功率且熵最大的类作为红树林类。
而且,步骤1中,所述对极化SAR影像进行斑点噪声抑制,采用极化精致Lee滤波方法实现。
而且,步骤2中,根据H-α特征平面,按散射机制将极化SAR影像初始化为8类。
而且,步骤3中,迭代终止条件采用预先设置的最大迭代次数,或者设置为两次迭代改变类中心的像素数小于总像素数的10%。
而且,步骤5的实现方式为,基于数字高程模型,将小于高程阀值的区域认定为红树林分布的待选区,利用水体的缓冲区进一步对待选区掩膜,初步提取红树林分布区域的有效区,得到红树林分布区域初选结果。
而且,步骤6中,迭代终止条件采用预先设置的最大迭代次数,或者设置为两次迭代改变类中心的像素数小于总像素数的10%。
另一方面,本发明还提供一种双重非监督分类的极化SAR红树林提取系统,用于实现如上任一项所述的一种双重非监督分类的极化SAR红树林提取方法。
而且,包括以下模块,
第一模块,用于雷达影像噪声抑制,包括对极化SAR影像进行斑点噪声抑制;
第二模块,用于利用斑点噪声抑制后的极化相干矩阵,进行H-α极化目标分解,其中H为熵,α为极化散射角,根据H-α特征平面,进行极化SAR影像初始化分类;根据各个通道的后向散射系数,计算总功率特征;
第三模块,用于基于Wishart分布利用最大似然分类器进行迭代分类,包括首先基于第二模块的初始化结果计算类中心的极化相干矩阵,进而利用Wishart距离进行迭代分类,在满足迭代终止条件的时候,输出分类结果;
第四模块,用于根据第三模块所得分类结果提取水体类,包括从非监督分类结果中选择功率最小的类别作为水体类,其余类别为非水体类;
第五模块,用于红树林分布区域初选,包括根据第四模块所得水体进行缓冲区提取,同时利用数字高程模型对高程大于等于预设阈值的区域进行排除;
第六模块,用于在第五模块所得红树林分布区域初选结果影像范围内,根据最大似然分类结果,利用似然比假设检验的方式对结果进一步迭代;
第七模块,用于红树林类提取,包括在第六模块所得似然比迭代分类结果的基础上,计算有效影像区类中心平均熵和平均功率并排序,将具有中等以上功率且熵最大的类作为红树林类。
或者,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种双重非监督分类的极化SAR红树林提取方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种双重非监督分类的极化SAR红树林提取方法。
本发明的创新之处在于,不同状态下的红树林的后向散射波动较大,传统的最大似然分类方法对功率具有一定的依赖性,易造成红树林类的过分类。本发明为了加强对极化信息的利用,根据似然比检验能减弱功率对相似度测度的影响,在似然比分类和辅助区域提取的基础上,利用似然比检验提高红树林提取的精度,实现基于似然比检验和最大似然的极化合成孔径雷达红树林提取技术方案。针对红树林和沿海岸边其他林地都相对比较茂盛,特别是在短波长的SAR影像上,体散射具有一定的相似性,会造成红树林和非红树林的混分。且常规的最大似然分类器对功率具有较强的依赖性,易导致散射功率较强的红树林的过分类且结果零碎的问题。本发明在最大似然分类器对水体的准确提取基础上,进行红树林分布区域聚焦,进而利用似然比检验减弱功率的影响、增强极化信息的利用。通过最大似然和似然比检验进行区域聚焦和分类,利用极化信息提高PolSAR影像红树林提取的精度。
附图说明
图1是本发明实施例的最大似然分类流程图。
图2是本发明实施例的似然比检验的流程图。
图3是本发明实施例的整体流程图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
参见图3,本发明实施例提供的基双重非监督分类的极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)红树林提取方法,流程包括以下几个步骤:
步骤1,PolSAR影像噪声去除。
雷达影像噪声抑制,斑点噪声对极化SAR影像的分类影响较大,在分类之前需要对极化SAR影像进行斑点噪声抑制,减少分类结果中的斑噪现象。
在具体的斑点噪声抑制方法上,可以选择经典的极化精致Lee滤波方法,该方法以每个待恢复点为中心开一个大小为n×n的窗口,利用PolSAR影像的功率和边缘算子进行滤波窗口配对,选取对应边界对齐窗口的哪一侧作为滤波窗口。选取窗口后根据窗口内的像素相干矩阵估计恢复点像素的相干矩阵T3。
本发明利用经典的极化Lee滤波进行极化SAR数据噪声抑制,具体描述如下。
极化Lee滤波因其较小的计算量和稳健的处理效果而成为目前PolSAR滤波处理中最为流行的滤波算法之一。极化Lee滤波设置了八个边缘检测窗口(或者称为边界对齐窗口)来自适应邻域(窗口),其边缘检测的办法是将N×N的窗口分成多个3×3的子窗口,为了消除相干斑对边缘检测的影响,利用PolSAR影像的功率,分别计算每个子窗的均值,将计算后的3×3矩阵,与3×3边缘算子进行配对(对应元素相乘,求和,取绝对值最大的算子作为边缘方向)。进一步地,通过比较中心元素与边缘两个值的接近程度,选取对应边界对齐窗口的哪一侧作为滤波窗口。相较于多视处理和均方根误差的滤波方法,极化Lee滤波的滤波效果有了明显的改善,且目前应用非常广泛。
步骤2,功率计算与H-α目标分解及其分类初始化。
利用斑点噪声抑制后的极化相干矩阵,进行熵-极化散射角(H-α)极化目标分解,获取极化散射角和极化散射熵等极化特征,根据H-α特征平面,将影像划分为8个类别,进行类别初始化;根据各个通道的后向散射系数,计算总功率特征。
根据Cloude-Pottier分解,相干矩阵T3可以分解为极化参数:熵(entropy,H)和平均散射机制。熵H描述了地物的散射随机性,alpha角α描述了地物的散射机制,不同地物的H和α处于不同的水平,因此利用H-α平面按散射机制将影像初始化为8类。
实施例中,极化协方差矩阵C3的形式为
其中,SHH、SHV、SVV为极化信息,H和V分别为水平和垂直极化,*为共轭操作,<>为集平均操作,||为取模操作。将矩阵的对角线元素相加即为总功率
SPAN=<|SHH|>2+2<|SHV|>2+<|SVV|>2
极化相干矩阵T3的形式为
根据Cloude-Pottier分解,相干矩阵T3可以分解为
其中,λi和ei分别为特征值和特征矢量,*T为共轭转置操作。
其中,λ1≥λ2≥λ3,为每个特征值λ对应散射机制的占比,αi为每个散射矢量ei对应的极化散射机制。H范围为[0,1]描述了散射的随机性,H越接近于1表明地物散射随机程度越高,反之越低。表明了散射矢量对应的散射机制,范围为[0°,90°],描述了散射机制从奇次散射(0°)到体散射(45°)再到偶次散射机制(90°)的变化。利用H-α平面按散射机制将影像初始化为8类。
步骤3,基于Wishart分布的极化SAR最大似然分类
本发明中基于Wishart分布利用最大似然分类器进行迭代分类,首先基于步骤2的初始化结果计算类中心的极化相干矩阵,由于极化相干矩阵满足Wishart分布,进而利用最大似然准测推导出的像素Z与类中心T之间的非相似性测度,即Wishart距离测度dw。利用Wishart距离进行迭代分类,在满足迭代终止条件的时候,输出分类结果。
极化SAR影像的协方差矩阵或相干矩阵为Z
其中,L表示视数,k为极化散射矢量,ki表示对应的第i个散射矢量,i=1,…,N,N为独立像元的个数,在实际影像处理中为集平均所用像素的个数。令A=LZ,则矩阵A服从L个自由度的复Wishart分布,因此容易得出Z的分布为:
利用最大似然准则推导出的像素Z与类中心T之间的非相似性测度是Wishart距离测度dw,
dw(Z,T)=ln(Z)+Tr(Z-1T)
其中ln为取以e为底的对数,Tr为矩阵的迹。Wishart距离测度的缺陷是其不具有对称性,而且计算出来的值很多情况下是负数。因此它不适合度量两个像素样本间的距离,只适合于度量样本到聚类中心的距离。利用Wishart距离进行分类迭代,当满足迭代终止条件时,终止迭代。
具体实施时,迭代终止条件可以采用预先设置的最大迭代次数,也可以设置为两次迭代改变类中心的像素数小于总像素数的10%。
步骤3中,利用最大似然分类对功率的依赖性,在准确提取水体的基础上,做红树林分布区域初选,减少其他地物对后续红树林提取的影响。后续针对最大似然对红树林等高后向散射目标的过分类问题,利用似然比检验减弱功率的影响、增强极化信息的利用,最后根据红树林的极化特征进行红树林类的提取。利用极化信息提高PolSAR影像红树林提取的精度。
步骤4,根据分类结果提取水体类,由于基于Wisahrt的最大似然分类器对弱后向散射地物的散射强度不敏感,对水体有较好的分类效果,因此根据步骤3的分类结果,计算各个类中心的平均功率并排序。根据水体后向散射强度较低的特点,从非监督分类结果中选择功率最小的类别,即为水体类,其余功率非最小的类别为非水体类。
步骤5,红树林分布区域初选(粗提取)。利用水体、数字高程模型(DEM)进行红树林区域粗提取,包括根据沿海红树林和水体相邻的特征,利用沿海水域进行待选区提取。
对步骤4中的水体进行缓冲区提取,即利用提取的水体为基础,选择和水体相连的一定距离范围的陆地区域作为缓冲区。为防止范围过小产生红树林漏检,可以选择较大的缓冲区范围。同时利用数字高程模型对高程等于或大于相应阈值的区域进行进一步排除,具体高程阀值大小可以根据实验区实际情况选择。
具体实施时,可以基于数字高程模型,将小于高程阀值的区域认定为红树林分布待选区,利用水体的缓冲区进一步对待选区掩膜,初步提取红树林分布区域的有效区,即红树林分布区域粗提取结果。
步骤6,在步骤5所得粗提取结果的影像范围内,根据步骤3所得最大似然分类结果,利用似然比假设检验的方式对结果进一步迭代,减少最大似然对功率依赖性造成的强散射目标过于琐碎的分类。似然比检验能够通过矩阵比的方式计算相似度,在一定程度上能够减少对功率的依赖性,增强极化信息的利用程度,提高红树林提取的精度。具体利用似然比检验进行类别迭代的步骤如下。
首先将步骤3所得最大似然分类结果作为似然比假设检验分类的初始类中心。重新利用似然比检验获取的相似度对像素和类中心的距离进行计算,将此像素归为具有最小相似度的类别中。像素和类中心相似度计算过程如下,对某一个给定的类别Tw,判断一个像素T1是否属于这一类,可以归为如下的假设检验问题:当类别中心没有给定时记为T2,原假设为T1=T2,备择假设为T1≠T2,即:
根据N-P引理,似然比检验具有最优性,则似然比检验Λ为:
其中,L()为似然函数,为T1与T2的最大似然估计,N=N1+N2,Ni为估计矩阵Ti使用到的样本数;Ai=NiTi,服从Wishart分布;m为极化散射矢量的维数,单基情况下m=3。直观上看,当Λ接近于1时,接受原假设,接近于0时,拒绝原假设。此处i=1,2,为得到无偏的检验,使用自由度υi=Ni-1代替Ni,得到修正的似然比检验:
若
其中ρ和w为极化统计量u的调整系数,其和极化散射矢量的维数m,假设检验总体个数k,假设检验统计自由度υ有关。,则对统计量u=-2ρln(Λ*),在阈值u0处使原假设成立的概率P(u≤u0)为:
其中,P()表示相应概率,k=2为总体的个数;代表卡方分布χ2的自由度,由常数k和矩阵的维数m确定,O((ρn)-3)为由调整系数ρ和类别数n的高阶渐进残差。统计量-2ρlnΛ*可以近似自由度为f的卡方分布在检验水平为α时,对应的拒绝域为
C={-2ρlnΛ*≥cf(α)}
当该像素统计量u≥cf(α)时,拒绝原假设,即此像素和类别w不相似;反之,接受原假设,此像素和类别w相似。
本专利中将一个像素和步骤3中最大似然分类得到的类中心分别进行似然比检验,得到n个统计量u1,…un,取最小的统计量
umin={u1,…,un}
若umin≥cf(α),说明此像素与所有的类别都不相似,将其归为拒绝类;反之,则将其归为具有最小统计量即相似性最大的类别中。同样进行迭代,即重新计算各类中心并统计类改变像素数,满足其中任一迭代条件后,终止迭代,输出似然比校验结果。
具体实施时,迭代终止条件可以设置最大迭代次数,也可以设置为两次迭代改变类中心的像素数小于总像素数的10%。
似然比检验对红树林初选区域的迭代分类能够减少步骤3中最大似然对红树林造成的过分类问题。
步骤7,红树林类提取。
红树林的冠层结构比较复杂且主茎干相对较细,因此冠层的散射随机性较高,相对其他地物具有更高的熵,但由于部分区域平静水体受加性噪声的影响较大,也会出现高熵的情况,针对此问题利用后向散射功率进一步做红树林筛选。由于红树林冠层生物量较大,散射功率较高,特别对于短波长下的SAR观测,如高分3(GF-3)和哨兵-1(Sentinel-1),部分生物量较高的红树林能达到后向散射饱和。根据此特性,在步骤6所得似然比迭代分类结果的基础上,计算有效影像区类中心的平均熵和平均功率并进行排序,将具有中等以上功率且熵最大类作为红树林类。具体条件如下:
以上方法流程的步骤1-3具体实现可采用现有技术,步骤4-7是本发明提出的新技术手段。具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种双重非监督分类的极化SAR红树林提取系统,包括以下模块,
第一模块,用于雷达影像噪声抑制,包括对极化SAR影像进行斑点噪声抑制;
第二模块,用于利用斑点噪声抑制后的极化相干矩阵,进行H-α极化目标分解,其中H为熵,α为极化散射角,根据H-α特征平面,进行极化SAR影像初始化分类;根据各个通道的后向散射系数,计算总功率特征;
第三模块,用于基于Wishart分布利用最大似然分类器进行迭代分类,包括首先基于第二模块的初始化结果计算类中心的极化相干矩阵,进而利用Wishart距离进行迭代分类,在满足迭代终止条件的时候,输出分类结果;
第四模块,用于根据第三模块所得分类结果提取水体类,包括从非监督分类结果中选择功率最小的类别作为水体类,其余类别为非水体类;
第五模块,用于红树林分布区域初选,包括根据第四模块所得水体进行缓冲区提取,同时利用数字高程模型对高程大于等于预设阈值的区域进行排除;
第六模块,用于在第五模块所得红树林分布区域初选结果影像范围内,根据最大似然分类结果,利用似然比假设检验的方式对结果进一步迭代;
第七模块,用于红树林类提取,包括在第六模块所得似然比迭代分类结果的基础上,计算有效影像区类中心平均熵和平均功率并排序,将具有中等以上功率且熵最大的类作为红树林类。
在一些可能的实施例中,提供一种双重非监督分类的极化SAR红树林提取系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种双重非监督分类的极化SAR红树林提取方法。
在一些可能的实施例中,提供一种双重非监督分类的极化SAR红树林提取系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种双重非监督分类的极化SAR红树林提取方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种双重非监督分类的极化SAR红树林提取方法,其特征在于,包括以下步骤:
步骤1,雷达影像噪声抑制,包括对极化SAR影像进行斑点噪声抑制;
步骤2,利用斑点噪声抑制后的极化相干矩阵,进行H-α极化目标分解,其中H为熵,α为极化散射角,根据H-α特征平面,进行极化SAR影像初始化分类;根据各个通道的后向散射系数,计算总功率特征;
步骤3,基于Wishart分布利用最大似然分类器进行迭代分类,包括首先基于步骤2的初始化结果计算类中心的极化相干矩阵,进而利用Wishart距离进行迭代分类,在满足迭代终止条件的时候,输出分类结果;
步骤4,根据步骤3所得分类结果提取水体类,包括从非监督分类结果中选择功率最小的类别作为水体类,其余类别为非水体类;
步骤5,红树林分布区域初选,包括根据步骤4所得水体进行缓冲区提取,同时利用数字高程模型对高程大于等于预设阈值的区域进行排除;
步骤6,在步骤5所得红树林分布区域初选结果影像范围内,根据最大似然分类结果,利用似然比假设检验的方式对结果进一步迭代;
步骤7,红树林类提取,包括在步骤6所得似然比迭代分类结果的基础上,计算有效影像区类中心平均熵和平均功率并排序,将具有中等以上功率且熵最大的类作为红树林类。
2.根据权利要求1所述的双重非监督分类的极化SAR红树林提取方法,其特征在于:步骤1中,所述对极化SAR影像进行斑点噪声抑制,采用极化精致Lee滤波方法实现。
3.根据权利要求1所述的双重非监督分类的极化SAR红树林提取方法,其特征在于:步骤2中,根据H-α特征平面,按散射机制将极化SAR影像初始化为8类。
4.根据权利要求1所述的双重非监督分类的极化SAR红树林提取方法,其特征在于:步骤3中,迭代终止条件采用预先设置的最大迭代次数,或者设置为两次迭代改变类中心的像素数小于总像素数的10%。
5.根据权利要求1所述的双重非监督分类的极化SAR红树林提取方法,其特征在于:步骤5的实现方式为,基于数字高程模型,将小于高程阀值的区域认定为红树林分布的待选区,利用水体的缓冲区进一步对待选区掩膜,初步提取红树林分布区域的有效区,得到红树林分布区域初选结果。
6.根据权利要求1或2或3或4或5所述的双重非监督分类的极化SAR红树林提取方法,其特征在于:步骤6中,迭代终止条件采用预先设置的最大迭代次数,或者设置为两次迭代改变类中心的像素数小于总像素数的10%。
7.一种双重非监督分类的极化SAR红树林提取系统,其特征在于:用于实现如权利要求1-6任一项所述的一种双重非监督分类的极化SAR红树林提取方法。
8.根据权利要求7所述双重非监督分类的极化SAR红树林提取系统,其特征在于:包括以下模块,
第一模块,用于雷达影像噪声抑制,包括对极化SAR影像进行斑点噪声抑制;
第二模块,用于利用斑点噪声抑制后的极化相干矩阵,进行H-α极化目标分解,其中H为熵,α为极化散射角,根据H-α特征平面,进行极化SAR影像初始化分类;根据各个通道的后向散射系数,计算总功率特征;
第三模块,用于基于Wishart分布利用最大似然分类器进行迭代分类,包括首先基于第二模块的初始化结果计算类中心的极化相干矩阵,进而利用Wishart距离进行迭代分类,在满足迭代终止条件的时候,输出分类结果;
第四模块,用于根据第三模块所得分类结果提取水体类,包括从非监督分类结果中选择功率最小的类别作为水体类,其余类别为非水体类;
第五模块,用于红树林分布区域初选,包括根据第四模块所得水体进行缓冲区提取,同时利用数字高程模型对高程大于等于预设阈值的区域进行排除;
第六模块,用于在第五模块所得红树林分布区域初选结果影像范围内,根据最大似然分类结果,利用似然比假设检验的方式对结果进一步迭代;
第七模块,用于红树林类提取,包括在第六模块所得似然比迭代分类结果的基础上,计算有效影像区类中心平均熵和平均功率并排序,将具有中等以上功率且熵最大的类作为红树林类。
9.根据权利要求7所述双重非监督分类的极化SAR红树林提取系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-6任一项所述的一种双重非监督分类的极化SAR红树林提取方法。
10.根据权利要求7所述双重非监督分类的极化SAR红树林提取系统,其特征在于:包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-6任一项所述的一种双重非监督分类的极化SAR红树林提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208379.5A CN112883877B (zh) | 2021-02-24 | 2021-02-24 | 基于双重非监督分类的极化sar红树林提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208379.5A CN112883877B (zh) | 2021-02-24 | 2021-02-24 | 基于双重非监督分类的极化sar红树林提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883877A true CN112883877A (zh) | 2021-06-01 |
CN112883877B CN112883877B (zh) | 2022-07-19 |
Family
ID=76054356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110208379.5A Active CN112883877B (zh) | 2021-02-24 | 2021-02-24 | 基于双重非监督分类的极化sar红树林提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883877B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944851A (zh) * | 2022-04-26 | 2022-08-26 | 中国人民解放军国防科技大学 | 一种高速率环境后向散射通信方法、装置、设备和介质 |
CN115063687A (zh) * | 2022-08-19 | 2022-09-16 | 航天宏图信息技术股份有限公司 | 一种极化sar图像分类方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005767A (zh) * | 2015-07-01 | 2015-10-28 | 东北林业大学 | 一种基于微波遥感影像森林类型识别方法 |
US20170061217A1 (en) * | 2015-08-31 | 2017-03-02 | Massachusetts Institute Of Technology | Combined Intensity And Coherent Change Detection In Images |
CN106529385A (zh) * | 2016-08-12 | 2017-03-22 | 上海卫星工程研究所 | 基于相干谱参数的极化干涉sar图像非监督分类方法 |
CN106600607A (zh) * | 2016-11-22 | 2017-04-26 | 武汉大学 | 一种基于水平集分割极化sar影像的水体精确提取方法 |
-
2021
- 2021-02-24 CN CN202110208379.5A patent/CN112883877B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005767A (zh) * | 2015-07-01 | 2015-10-28 | 东北林业大学 | 一种基于微波遥感影像森林类型识别方法 |
US20170061217A1 (en) * | 2015-08-31 | 2017-03-02 | Massachusetts Institute Of Technology | Combined Intensity And Coherent Change Detection In Images |
CN106529385A (zh) * | 2016-08-12 | 2017-03-22 | 上海卫星工程研究所 | 基于相干谱参数的极化干涉sar图像非监督分类方法 |
CN106600607A (zh) * | 2016-11-22 | 2017-04-26 | 武汉大学 | 一种基于水平集分割极化sar影像的水体精确提取方法 |
Non-Patent Citations (2)
Title |
---|
肖伟山等: "ALOS PALSAR数据在漳江口红树林提取中的应用", 《遥感技术与应用》 * |
赵伶俐等: "极化SAR影像弱散射地物统计分类", 《遥感学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944851A (zh) * | 2022-04-26 | 2022-08-26 | 中国人民解放军国防科技大学 | 一种高速率环境后向散射通信方法、装置、设备和介质 |
CN114944851B (zh) * | 2022-04-26 | 2023-11-21 | 中国人民解放军国防科技大学 | 一种高速率环境后向散射通信方法、装置、设备和介质 |
CN115063687A (zh) * | 2022-08-19 | 2022-09-16 | 航天宏图信息技术股份有限公司 | 一种极化sar图像分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112883877B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images | |
Bujor et al. | Application of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images | |
CN108122008B (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
Yousif et al. | Improving urban change detection from multitemporal SAR images using PCA-NLM | |
CN110349160B (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
CN107527023B (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
CN112883877B (zh) | 基于双重非监督分类的极化sar红树林提取方法及系统 | |
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
Zhang et al. | Regularization framework for target detection in hyperspectral imagery | |
CN109901130A (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
Fan et al. | An automatic ship detection method for PolSAR data based on K-Wishart distribution | |
CN111611965B (zh) | 一种基于Sentinel-2影像的陆表水体提取方法 | |
Sun et al. | Ship detection in SAR images based on multilevel superpixel segmentation and fuzzy fusion | |
Sui et al. | Flood detection in PolSAR images based on level set method considering prior geoinformation | |
Jiang et al. | Ship detection based on feature confidence for high resolution SAR images | |
CN113822361A (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
Liu et al. | Unsupervised classification of polarimetric SAR images integrating color features | |
CN113516187A (zh) | 一种采用局部特征对比度的红外弱小目标检测算法 | |
CN112883898A (zh) | 一种基于sar影像的地物分类方法及装置 | |
CN112782690A (zh) | 星载雷达高度计的近岸非海洋波形检测分类方法及系统 | |
Qu et al. | An improved method for SAR image coastline detection based on despeckling and SVM |
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 |