CN112884029B - 融合全极化sar与高光谱遥感的协同分类方法 - Google Patents
融合全极化sar与高光谱遥感的协同分类方法 Download PDFInfo
- Publication number
- CN112884029B CN112884029B CN202110151172.9A CN202110151172A CN112884029B CN 112884029 B CN112884029 B CN 112884029B CN 202110151172 A CN202110151172 A CN 202110151172A CN 112884029 B CN112884029 B CN 112884029B
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- polarization
- remote sensing
- hyperspectral
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012706 support-vector machine Methods 0.000 claims abstract description 26
- 230000010287 polarization Effects 0.000 claims abstract description 25
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 241000586290 Suaeda salsa Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000011780 sodium chloride Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002102 hyperpolarization Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- G06V10/40—Extraction of image or video features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种融合全极化SAR与高光谱遥感的协同分类方法，包括：对同一区域合成孔径雷达(SAR)进行极化分解和纹理特征计算，对高光谱以及SAR影像进行重采样到相同分辨率；将样本矢量文件转换为栅格数据并进行标签提取一并作为分类器的训练样本；调用最大似然法(ML)、马氏距离法(MD)、支持向量机(SVM)等机器学习方法，对影像训练数据集进行分类器模型训练；将重采样过后的影像分别拉伸成不同的一维特征向量，然后组合成为预测数据集；调用先前训练完成的模型实现标签值的预测。本发明的优点是：可以直接用于全极化合成孔径雷达与高光谱遥感影像湿地协同分类，同时也可应用于其他场景下的地物类型分类。
Description
技术领域
本发明涉及空间对地观测(卫星遥感)与湿地生态学、地理环境学科交叉技术领域，特别涉及一种融合全极化SAR与高光谱遥感影像的湿地协同分类方法。
背景技术
湿地是水陆生态系统间的过渡地域，拥有众多动植物资源，是极其重要的自然生态系统，具有强大的环境净化能力，对生物多样性、水质保护、气候改善、径流调节等有重要意义。近年来，全球湿地受到人类过度开发与全球变化的双重影响，导致面积锐减、生态环境恶化。以黄河三角洲为例，该地区面临断流、污染、海水入侵等威胁，湿地面积萎缩、生态破坏与功能退化等问题。因此，对湿地环境变化的连续监测，对湿地环境、资源保护与开发等极其重要。
与传统地面监测技术相比，湿地高光谱遥感技术具有数据获取方便、时空尺度多样、光谱信息丰富、覆盖面广等优势，近年来成为湿地环境监测的重要手段。但是，可见光遥感资料通常受到光照条件、云覆盖等客观限制，并且难以穿透植被，尤其是在植被覆盖密集的热带、亚热带等地区，经常难以获得足够的高质量无云影像，使其在湿地变化研究中受到显著地制约。作为一种主动成像传感器，合成孔径雷达(Synthetic Aperture Radar，SAR)能够穿透云雾以及部分植被冠层，具备全天时、全天候和高空间分辨率观测能力。由于雷达信号蕴含了丰富的强度、相位、极化等信息，因此湿地极化特征可以为湿地生态环境监测提供重要的参考。
发明内容
本发明针对现有技术的缺陷，提供了一种融合全极化SAR与高光谱遥感的协同分类方法。
为了实现以上发明目的，本发明采取的技术方案如下：
一种融合全极化SAR与高光谱遥感影像的湿地协同分类方法，包括以下步骤：
(1)全极化SAR影像进行极化分解，并基于极化分解求解极化总功率，最后求得纹理特征：
PSPAN＝|SHH|2+2|SHV|2+|SVV|2＝PS+PD+PV 公式1
其中PSPAN为极化总功率、SHH、SHV、SVV为不同模式的极化散射矩阵元素，HH水平发射信号水平接收信号、HV垂直发射信号水平接收信号或者水平发射信号垂直接收信号、VV垂直发射信号垂直接收信号、PS为表面散射分量、PD为二次散射分量、PV是体散射分量。
高光谱影像经过预处理之后，通过主成分分析方法(PCA)进行降维，得到影像的光谱特征，再通过归一化植被指数(NDVI)、归一化水体指数(NDWI)计算其指数特征：
其中NIR、R、G分别表示近红外波段、红色波段、绿色波段。
(2)根据步骤(1)，将全极化SAR遥感影像处理得到的纹理特征、极化特征和高光谱遥感影像，处理得到的光谱特征、指数特征投影到同一坐标系下并进行重采样，得到具有相同空间分辨率的影像文件；
(3)根据步骤(2)，对实地观测得到的样本区域土地利用类型矢量数据进行栅格化，并提取每个像素的类型标签值；
(4)根据步骤(3)，对样本数据以及样本标签值进行最大似然法(ML)、马氏距离法(MD)、支持向量机(SVM)监督分类模型训练，为影像分类做准备，其中样本数据包括：全极化SAR数据处理后得到的纹理特征、极化特征和高光谱数据处理后得到的光谱特征、指数特征。
(5)根据步骤(1)和步骤(4)，基于训练完成的分类模型，对拉伸成一维特征向量的重采样影像文件进行无标签值预测；
(6)根据步骤(5)，基于联合影像的投影坐标系，将完成预测的一维标签值输出为带有地理信息的图像，将标签值与地物类型进行匹配并分配给带有不同标签值的像素不同的显示色彩，用于遥感影像分类等应用。
与现有技术相比，本发明的优点在于：
(1)全极化SAR具有探测物体表面散射特征和纹理特征的能力，在影像数据比较稀疏的时候，可以为地物分类提供重要的、不可替代的观测特征。
(2)对于不同分类方法，分类精度会有差异，总体结果显示协同分类相比单一数据分类精度都有明显改善。
附图说明
图1是本发明实施例协同分类方法的流程图；
图2是本发明实施例研究区域黄河口湿地示意图；
图3是本发明实施例基于最大似然法(ML)、马氏距离法(MD)、支持向量机(SVM)模型得到的黄河口湿地地物分类结果示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
以OHS高光谱和GF-3全极化SAR遥感数据为例，开展面向湿地的融合全极化SAR与高光谱遥感影像的协同分类，并讨论协同前分类与协同后分类的总体精度与Kappa系数的变化。相比OHS高光谱数据，GF-3全极化SAR数据可以克服光照条件、云覆盖等客观限制条件，同时提供丰富的强度、相位、极化等信息。
如图1所示，本发明的数据处理流程图，先对两种源数据分别进行预处理、特征提取，然后通过精准配准融合两种源数据，最后进行分类并对分类结果进行评定。
融合全极化SAR与高光谱遥感的协同分类方法，包括以下步骤：
(1)全极化SAR影像基于Freeman三分量分解法和H-A-α分解法进行极化分解；
Freeman三分量分解法是以物理实际为基础，对极化协方差矩阵C3建立3种基本散射机制模型，分别为适度粗糙表面散射、随机方向偶极子组成的体散射、由正交平面构成的二次散射。
H-A-α分解利用散射矩阵S转换得到相干矩阵[T3]，其中[T3]是半正定埃尔米特矩阵。H-A-α分解的3个二阶参数是[T3]的特征值和特征矢量函数，其定义如下：
①极化散射熵H：
其中，
λk为散射矩阵中第k个特征值。
②平均α角：
α＝P1α1+P2α2+P3α3 公式2
其中，α1、α2、α3的大小指示主要的散射机制。
③极化各向异性度A：
其中λ2散射矩阵中第2个特征值、λ3散射矩阵中第3个特征值。
全极化SAR影像进过极化分解得到极化特征用于监督分类。
(2)根据步骤(1)，将极化特征影像以及光学影像投影到同一坐标系下并进行重采样，得到具有相同空间分辨率的影像文件；
(3)根据步骤(2)，对实地观测得到的样本区域土地利用类型矢量数据进行栅格化，并提取每个像素的类型标签值；
(4)根据步骤(3)，对样本数据(包括全极化SAR数据处理后得到的纹理特征、极化特征和高光谱数据处理后得到的光谱特征、指数特征)以及样本标签值进行最大似然法(ML)、马氏距离法(MD)、支持向量机(SVM)等监督分类模型训练，为影像分类做准备。
最大似然法分类原理：假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率，在两类或多类判决中，用统计方法根据贝叶斯判决法则中的最大似然法建立非线判别函数集进行图像分类。
假设B1,B2,…互斥且构成一个完全事件，A伴随它们出现，已知它们分别发生的先验概率P(Bi),i＝1,2,…及A的条件概率P(A|Bi)，则可以得到事件A的后验概率P(Bi|A)。
P(AB)＝P(A)*P(B|A)＝P(B)*P(A|B) 公式4
最大似然分类的优点是简单、实施方便，并以贝叶斯理论和其它先验知识融合分类，密度分布函数可以有效、清晰地解释分类结果。
马氏距离是由印度统计学家马哈拉诺比斯提出的，是一种加权的欧式距离，它以协方差的倒数作为权重，协方差越大表示距离越短，数据的协方差距离就是马氏距离。
已知样本H1和H2，它们的均值是U，协方差矩阵为S，其中
S(i,j)＝{[H1(i)-U(i)]*[H1(j)-U(j)]+[H2(i)-U(i)]*[H2(j)-U(j)]}/2，马氏距离
D＝sqrt{[H1-H2]*S-1*[H1-H2]T}。
马氏距离监督分类的优点是不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关，马氏距离还可以排除变量之间相关性的干扰。
SVM分类就是寻找超平面的过程，这个超平面就是SVM分类器，能将不同的样本划分开，同时使得样本集中的点到这个分类超平面的最小距离(即分类间隔)最大化。SVM分类依据离分类超平面最近的样本点划定为该类。
ω、x是n维空间里的向量，其中x是函数变量；ω是法向量，即垂直于平面的直线所表示的向量，它决定了超平面的方向。b是位移项，决定原点到超平面的距离。超平面可以表示为：
g(x)＝ωTx+b，其中ω、x∈Rn 公式5
SVM在求解最大分类间隔的过程，还需要对分类间隔的大小进行定义。首先，定义某类样本集到超平面的距离是这个样本集合内的样本到超平面的最短距离。用di代表点xi到超平面ωxi+b＝0的欧氏距离。因此di的最小值代表这个样本到超平面的最短距离。di可以用公式计算得出：
其中||w||为超平面的范数，di的公式可以用解析几何知识进行推导；需要寻找的最大间隔就是支持向量机。
(5)根据步骤(1)和步骤(4)，基于训练完成的各种分类模型，对拉伸成一维特征向量集的重采样影像文件进行无标签值预测；
(6)根据步骤(5)，基于联合影像的投影坐标系，将完成预测的一维标签值输出为带有地理信息的影像，将标签值与地物类型进行匹配，并分配给带有不同标签值的像素不同的显示色彩，可用于遥感影像分类等应用。
如图2所示，黄河口湿地位于中国山东省东营市东北部黄河入海口，东临莱州湾，北靠渤海，属温带大陆性季风气候，年均气温12.1℃，年降水量551.6mm。该地区动植物资源丰富，其中湿地植被以水生、盐生为主，土壤类型以潮土、盐土为主。如图1所示，因人类开发活动影响，该处也遍布盐田、养殖池、农田、人工构筑物等地物类型，地物类型复杂多样且易受人为干扰，所以对该区域的地物分类难度较大。
如图3所示，基于ML、MD、SVM监督分类方法分别对光学影像、全极化SAR影像进行分类，以及二者数据精准配准后基于以上三种监督分类方法进行协同分类。将黄河口湿地地物分为咸水(Salt Water)、农田(Farmland)、河流(River)、灌木(Shrub)、草地(Grass)、碱蓬(Suaeda Salsas)、潮滩(Tidal Flat)这七种类型。从结果上可以观察出全极化SAR单独分类的效果相对不理想；相反，协同分类以及采用单一高光谱遥感分类效果较好，且协同分类方法的总体分类精度达到最高，其中基于最大似然法在协同分类总体分类精度高达97.3％。
如表1所示，融合全极化SAR和高光谱数据的三种监督分类总体精度分别为：最大似然法97.3％；马氏距离法89.0％；支持向量机法97.2％。相比采用单独的全极化SAR数据，协同分类的总体精度都有大幅度提升；相比采用单独的高光谱数据，协同分类的总体精度都有所提升，其中马
氏距离法的分类精度提高1.4％，支持向量机法的分类精度提高1.3％，最大似然法的分类精度提高0.6％。
表1基于最大似然法(ML)、马氏距离法(MD)、支持向量机(SVM)模型分类后得到的分类总体精度和Kappa系数
| ML方法 | MD方法 | SVM方法 | |
| GF-3分类总体精度 | 52.5％ | 55.7％ | 80.7％ |
| GF-3Kappa系数 | 0.36 | 0.41 | 0.70 |
| OHS分类总体精度 | 96.7％ | 87.6％ | 95.9％ |
| OHS Kappa系数 | 0.95 | 0.82 | 0.94 |
| GF-3+OHS分类总体精度 | 97.3％ | 89.0％ | 97.2％ |
| GF-3+OHS Kappa系数 | 0.96 | 0.84 | 0.96 |
| 协同分类相对GF-3总体精度的提高 | 44.8％ | 33.3％ | 16.5％ |
| 协同分类相对GF-3Kappa系数的提高 | 0.60 | 0.43 | 0.26 |
| 协同分类相对OHS总体精度的提高 | 0.6％ | 1.4％ | 1.3％ |
| 协同分类相对OHS Kappa系数的提高 | 0.02 | 0.02 | 0.02 |
如表2、表3所示，分别为基于支持向量机法的协同分类数据和单独采用高光谱数据的混淆矩阵精度评定。对比这两个混淆矩阵，可知协同分类的咸水、灌木、碱蓬、潮滩分类精度相对单一高光谱数据分类结果有一定提高。
表2 GF3与OHS数据基于支持向量机(SVM)模型协同分类后得到的混淆矩阵
表3 OHS数据基于支持向量机(SVM)模型分类后得到的混淆矩阵
如表4、表5所示，分别为基于最大似然法的协同分类数据和单独采用高光谱数据的混淆矩阵精度评定。对比这两个混淆矩阵，可知协同分类的农田、河流、草地、潮滩分类精度相对单一高光谱数据分类结果有一定提高。
表4 GF3与OHS数据基于最大似然法(ML)模型协同分类后得到的混淆矩阵
表5 OHS数据基于最大似然法(ML)模型分类后得到的混淆矩阵
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种融合全极化SAR与高光谱遥感影像的湿地协同分类方法，其特征在于，包括以下步骤：
(1)全极化SAR影像进行极化分解，并基于极化分解求解极化总功率，最后求得纹理特征：
PSPAN＝|SHH|2+2|SHV|2+|SVV|2＝PS+PD+PV 公式1
其中PSPAN为极化总功率、SHH、SHV、SVV为不同模式的极化散射矩阵元素，HH水平发射信号水平接收信号、HV垂直发射信号水平接收信号或者水平发射信号垂直接收信号、VV垂直发射信号垂直接收信号、PS为表面散射分量、PD为二次散射分量、PV是体散射分量；
高光谱影像经过预处理之后，通过主成分分析方法(PCA)进行降维，得到影像的光谱特征，再通过归一化植被指数(NDVI)、归一化水体指数(NDWI)计算其指数特征：
其中NIR、R、G分别表示近红外波段、红色波段、绿色波段；
(2)根据步骤(1)，将全极化SAR遥感影像处理得到的纹理特征、极化特征和高光谱遥感影像，处理得到的光谱特征、指数特征投影到同一坐标系下并进行重采样，得到具有相同空间分辨率的影像文件；
(3)根据步骤(2)，对实地观测得到的样本区域土地利用类型矢量数据进行栅格化，并提取每个像素的类型标签值；
(4)根据步骤(3)，对样本数据以及样本标签值进行最大似然法(ML)、马氏距离法(MD)、支持向量机(SVM)监督分类模型训练，为影像分类做准备，其中样本数据包括：全极化SAR数据处理后得到的纹理特征、极化特征和高光谱数据处理后得到的光谱特征、指数特征；
(5)根据步骤(1)和步骤(4)，基于训练完成的分类模型，对拉伸成一维特征向量的重采样影像文件进行无标签值预测；
(6)根据步骤(5)，基于联合影像的投影坐标系，将完成预测的一维标签值输出为带有地理信息的图像，将标签值与地物类型进行匹配并分配给带有不同标签值的像素不同的显示色彩。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110151172.9A CN112884029B (zh) | 2021-02-03 | 2021-02-03 | 融合全极化sar与高光谱遥感的协同分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110151172.9A CN112884029B (zh) | 2021-02-03 | 2021-02-03 | 融合全极化sar与高光谱遥感的协同分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112884029A CN112884029A (zh) | 2021-06-01 |
| CN112884029B true CN112884029B (zh) | 2022-03-18 |
Family
ID=76057120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110151172.9A Active CN112884029B (zh) | 2021-02-03 | 2021-02-03 | 融合全极化sar与高光谱遥感的协同分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112884029B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114545416A (zh) * | 2022-02-25 | 2022-05-27 | 中山大学 | 一种面向对象的定量降水估测方法、装置及终端设备 |
| CN116188947B (zh) * | 2023-04-28 | 2023-07-14 | 珠海横琴圣澳云智科技有限公司 | 基于领域知识的半监督信号点检测方法及装置 |
| CN117173584B (zh) * | 2023-08-02 | 2024-07-02 | 宁波大学 | 一种PolSAR与Pan影像融合的陆面小微水体提取方法与装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
| CN106569209A (zh) * | 2016-10-28 | 2017-04-19 | 核工业北京地质研究院 | 一种利用全极化雷达数据提取土壤含水信息的方法 |
| CN107256414A (zh) * | 2017-06-27 | 2017-10-17 | 哈尔滨工业大学 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
| CN108764326A (zh) * | 2018-05-23 | 2018-11-06 | 北京工业大学 | 基于深度置信网络的城市不透水层提取方法 |
-
2021
- 2021-02-03 CN CN202110151172.9A patent/CN112884029B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
| CN106569209A (zh) * | 2016-10-28 | 2017-04-19 | 核工业北京地质研究院 | 一种利用全极化雷达数据提取土壤含水信息的方法 |
| CN107256414A (zh) * | 2017-06-27 | 2017-10-17 | 哈尔滨工业大学 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
| CN108764326A (zh) * | 2018-05-23 | 2018-11-06 | 北京工业大学 | 基于深度置信网络的城市不透水层提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄河三角洲地区GF-3雷达数据与Sentinel-2多光谱数据湿地协同分类研究;李鹏等;《武汉大学学报(信息科学版)》;20191105;第44卷(第11期);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112884029A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112884029B (zh) | 融合全极化sar与高光谱遥感的协同分类方法 | |
| Geng et al. | Deep supervised and contractive neural network for SAR image classification | |
| Mather et al. | Classification methods for remotely sensed data | |
| CN108960300B (zh) | 一种基于深度神经网络的城市土地利用信息分析方法 | |
| Du et al. | Mapping wetland plant communities using unmanned aerial vehicle hyperspectral imagery by comparing object/pixel-based classifications combining multiple machine-learning algorithms | |
| Bagan et al. | Combination of AVNIR-2, PALSAR, and polarimetric parameters for land cover classification | |
| Zhang et al. | Polarimetric HRRP recognition based on ConvLSTM with self-attention | |
| CN108764326A (zh) | 基于深度置信网络的城市不透水层提取方法 | |
| CN112733746B (zh) | 融合InSAR相干性与多光谱遥感的协同分类方法 | |
| Lv et al. | Novel Distribution Distance based on Inconsistent Adaptive Region for Change Detection Using Hyperspectral Remote Sensing Images | |
| Wu et al. | Identification of native and invasive vegetation communities in a tidal flat wetland using gaofen-1 imagery | |
| Fu et al. | Performance evaluation of backscattering coefficients and polarimetric decomposition parameters for marsh vegetation mapping using multi-sensor and multi-frequency SAR images | |
| Yumus et al. | Land cover classification for synthetic aperture radar imagery by using unsupervised methods | |
| CN115410093B (zh) | 基于双通道编码网络和条件随机场的遥感图像分类方法 | |
| CN114545410B (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
| Cui et al. | Spectral-angle-based discriminant analysis of hyperspectral data for robustness to varying illumination | |
| Su et al. | Discrimination of land use patterns in remote sensing image data using minimum distance algorithm and watershed algorithm | |
| Yan et al. | Unsupervised classification of polarimetric SAR images using deep embedding network | |
| Wang et al. | Monitoring the wetland of the yellow river delta by combining GF-3 polarimetric synthetic aperture radar and sentinel-2A multispectral data | |
| Fu et al. | Examination of the performance of ASEL and MPViT algorithms for classifying mangrove species of multiple natural reserves of Beibu Gulf, south China | |
| Li et al. | Identification of saline-alkali soil based on target decomposition of full-polarization radar data | |
| Zulkifle et al. | Integrated NIR-HE based SPOT-5 image enhancement method for features preservation and edge detection | |
| Zhang et al. | Land cover/use classification based on feature selection | |
| Khamphilung et al. | Flood Event Detection and Assessment using Sentinel-1 SAR-C Time Series and Machine Learning Classifiers Impacted on Agricultural Area, Northeastern, Thailand. | |
| Hong et al. | Mangrove extraction from super-resolution images generated by deep learning models |
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 |