CN112989940A - 基于高分三号卫星sar影像的筏式养殖区提取方法 - Google Patents
基于高分三号卫星sar影像的筏式养殖区提取方法 Download PDFInfo
- Publication number
- CN112989940A CN112989940A CN202110172689.6A CN202110172689A CN112989940A CN 112989940 A CN112989940 A CN 112989940A CN 202110172689 A CN202110172689 A CN 202110172689A CN 112989940 A CN112989940 A CN 112989940A
- Authority
- CN
- China
- Prior art keywords
- extraction
- raft culture
- resolution
- sar image
- features
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 39
- 239000013535 sea water Substances 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000003672 processing method Methods 0.000 claims abstract description 6
- 238000011160 research Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000010287 polarization Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 abstract description 3
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000009364 mariculture Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于高分三号卫星SAR影像的筏式养殖区提取方法，首先获取包括研究区域的高分三号卫星SAR影像数据；对SAR影像数据进行特征提取，得到提取出的若干个特征；对提取出的若干个特征进行特征筛选，得到能够体现筏式养殖区与海水差异的若干个有效特征；基于所述若干个有效特征，利用迭代阈值算法进行筏式养殖区的初步提取；利用密度聚类算法、交并集重构和形态学处理方法对初步提取结果进行后处理，提取出筏式养殖区。本发明中，采用高分三号卫星SAR影像中提取的多个特征共同进行筏式养殖区的提取，再采用迭代阈值法和密度聚类相结合，能够减少SAR影像斑点噪声的影响，准确提取出较大块连续成排的筏式养殖区。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及基于高分三号卫星SAR影像的筏式养殖区提取方法。
背景技术
海水养殖业是许多海岸带区域最主要的水产养殖方式，具有极高的商业价值。及时、准确地获取海水养殖区域面积及其空间分布，对渔业管理部门合理规划养殖用海提供辅助决策信息，控制养殖密度、遏制养殖环境的恶化、防治养殖病害等均具有重要意义。而遥感技术相对于传统的实地调查，具有无可替代的高频率、宽覆盖、低成本优势，是一种非常具有潜力的评估手段。尤其是近些年发展起来的米级高分遥感，更是能够用于精准地识别、提取。因此，利用遥感技术针对海水养殖区域的提取是一件非常有意义的工作。
在遥感影像的自动提取方法中，基于像元的提取方法是较为经典、传播度较广的方法之一，该方法是根据像元间光谱、纹理特征的相似性或差异性，通过算法运算增强或减弱地物的特征信息来实现对目标地物的提取。如发明专利CN108256534A公开的一种基于高分遥感影像的筏式海水养殖区域提取方法，该方法采用归一化植被指数(NDVI)进行海水养殖区域的提取。
然而，上述方法往往仅凭借单一特征的分割方法进行地物分类，难以区分出光谱差异很小的筏式养殖区与海水。
发明内容
有鉴于此，本发明提供了一种基于高分三号卫星SAR影像的筏式养殖区提取方法，以实现对筏式养殖区的定期监测，全面、客观地分析筏式养殖的分布状况和变化情况，为渔业管理部门合理规划养殖用海提供辅助决策信息，也可为控制养殖密度、遏制养殖环境的恶化、防治养殖病害提供可靠的科学依据。
本发明提供了如下技术方案：
本发明提供了一种基于高分三号卫星SAR影像的筏式养殖区提取方法，所述方法包括：
获取包括研究区域的高分三号卫星SAR影像数据；
对所述SAR影像数据进行特征提取，得到提取出的若干个特征；
对提取出的若干个特征进行特征筛选，得到能够体现筏式养殖区与海水差异的若干个有效特征；
基于所述若干个有效特征，利用迭代阈值算法进行筏式养殖区的初步提取；
对初步提取结果进行交集重构；
利用密度聚类算法对交集重构后的结果进行聚类；
对聚类结果进行并集重构；
利用形态学处理方法对并集重构后的结果进行处理，得到筏式养殖区。
进一步地，对所述SAR影像数据进行特征提取，包括：
对所述SAR影像数据进行辐射定标处理；
将所述SAR影像数据由斜距单视复数影像转换为极化散射矩阵S2格式；
使用全分辨率将极化散射矩阵S2格式的影像数据提取到极化协方差矩阵C2；
对所述极化协方差矩阵C2进行斑点噪声滤波以及特征提取；
获取提取到的特征的后向散射系数图像；
对提取到的特征图进行几何校正，完成地理编码，使其具有地理坐标；
对几何校正后的特征图进行正射校正使其具有投影。
进一步地，对所述极化协方差矩阵C2进行斑点噪声滤波处理以及特征提取，包括：
对所述极化协方差矩阵C2进行精致极化LEE滤波，并对滤波后的极化协方差矩阵C2进行特征提取，得到第一组特征；
对所述极化协方差矩阵C2进行特征提取；并对提取到的特征进行9*9的均值滤波，得到第二组特征。
进一步地，利用迭代阈值算法进行筏式养殖区的初步提取，包括：
(1)设置初始阈值t1；当目标与背景的面积相当时，将初始阈值t1置为整幅图像的平均灰度；当目标与背景的面积相差超过预设值时，将初始阈值t1置为最大灰度值与最小灰度值的中间值；
(2)根据t1将图像F分割为F1和F2两部分，其中F1包含所有灰度值小于t1的像素，F2包含所有大于t1的像素，分别求出F1和F2的平均灰度值μ1和μ2；
(3)计算新的阈值t2＝(μ1+μ2)/2；
(4)指定常数t0，如果|t2-t1|<＝t0，即迭代过程中前后两次阈值很接近时，终止迭代，最终输出的t2即为所求阈值T；否则令t1＝t2，返回步骤(2)。
进一步地，对初步提取结果进行交集重构，包括：
初步提取结果包括：Lee_C2_HH、Lee_C2_HV、Mean_C2_HH和Mean_C2_HV；
通过取交集的方式分别从HH极化、HV极化、精致Lee滤波、均值滤波四个角度对初步提取结果进行重构，交集重构规则如下：
进一步地，利用密度聚类算法对交集重构后的结果进行聚类之后，还包括：
基于轮廓系数对聚类结果进行筛选，所述轮廓系数为：
其中，a(i)为样本i的簇内不相似度，等于样本i到同簇其他样本的平均距离，a(i)越小说明样本i越应该被聚类到该簇；b(i)为样本i的簇间不相似度，等于样本i到其他各簇中所有样本的平均距离的最小值，b(i)越大说明样本i越不属于其他簇。
进一步地，利用形态学处理方法对并集重构后的结果进行处理，包括：
去除100像素以下的小斑块和填充100像素以内的小空洞。
本发明的优点和积极效果：
本发明中，采用高分三号卫星SAR影像中提取的多个特征共同进行筏式养殖区的提取，再采用迭代阈值法和密度聚类相结合，能够减少SAR影像斑点噪声的影响，准确提取出较大块连续成排的筏式养殖区。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于高分三号卫星SAR影像的筏式养殖区提取方法流程图；
图2为本发明实施例中包含研究区域的SAR影像示意图；
图3为本发明实施例中特征提取流程图；
图4为本发明实施例中特征提取结果示意图；
图5为本发明实施例中结合迭代阈值算法和密度聚类算法进行筏式养殖区提取的流程图；
图6为本发明实施例中迭代阈值算法流程图；
图7为本发明实施例中又一基于高分三号卫星SAR影像的筏式养殖区提取方法流程图；
图8为本发明实施例中迭代阈值算法处理结果示意图；
图9为本发明实施例中交集重构结果示意图；
图10为本发明实施例中密度聚类结果示意图；
图11为本发明实施例中双极化GF-3SAR影像筏式养殖区提取结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1，其示出了本发明实施例提供的一种基于高分三号卫星SAR影像的筏式养殖区提取方法的流程图，该方法包括：
S1、获取包括研究区域的高分三号卫星SAR影像数据。
高分三号(GF-3)卫星是“国家高分辨率对地观测系统重大专项”中唯一的民用微波遥感成像卫星，也是我国首颗C频段多极化高分辨率合成孔径雷达卫星。GF-3卫星具有高分辨率大成像幅宽、高辐射精度、多成像模式和长时工作的特点，能够实现全天候全天时全球海洋和陆地信息的监视监测。GF-3卫星具备条带、聚束、扫描等12种成像模式，是目前世界上成像模式最多的SAR(Synthetic Aperture Radar，合成孔径雷达)卫星，卫星定量化水平高，图像质量指标达到或超过国外同类SAR卫星水平。卫星图像分辨率为1～500m，相应观测幅宽为10～650km，同时具备双通道、多极化、详查和普查等功能。高分三号卫星各成像模式主要技术指标如表1所示。
表1
本发明实施例中选用GF-3SAR影像L1级SLC数据作为数据源，包括1景精细条带成像模式(FSI)的HH、HV双极化影像，成像时间是2019年3月23日，覆盖区域为烟台近海(如图2，方框表示为研究区域范围)，如表2所示。
表2
S2、对所述SAR影像数据进行特征提取，得到提取出的若干个特征。
本实施例中，在IDL8.5+ENVI5.3+PolSARpro5.0+PIESAR6.0环境下对GF-3SAR影像进行特征提取(如图3)，输入为GF-3FS1双极化SAR影像，输出为8个特征图。其中，PolSARpro5.0软件用于分析来自机载传感器的极化SAR数据，它为科学利用全部和部分极化数据以及开发相应的遥感应用提供了一整套功能。PIESAR6.0是主流星载SAR数据的处理分析软件，包括基础处理、干涉处理、极化处理、转DB影像等模块。
特征提取包括以下几个步骤：
(1)原始数据定标及格式转换；
获取的GF-3SAR影像是L1A级别产品，即斜距单视复数(single look complex，SLC)影像，需要转换为适于PolSARpro支持的极化散射矩阵S2格式，以便进一步处理。由于多种误差源的存在，SLC数据存在辐射误差，为能精确反映地物回波特性，需要进行辐射定标处理。
高分三号数据的数据格式转换，是将单视复图像产品转化为8bit可在计算机进行图像解译的数据类型。所以，对单视复图像产品进行数据转换是必不可少的过程。SAR影像的1级复图像产品中是以实部数据和虚部数据的规格存储，每个像元点都表示为a+bi的复数形式，对应于地面上的每一个像元，回波数据按顺序以实数据和虚数据各16位有符号整型存放在复图像数据文件中，由公式(1)可将SLC影像转换为幅度影像，其中振幅信号对应于地面的灰度值。
其中Pamp(i,j)表示幅度值，Re表示复数实部，Im表示复数虚部。
极化散射矩阵S2又称Sinclair散射矩阵，反映了不同线性极化状态的散射信息，其中shh表示发射和接收的电磁波均为H极化，shv表示发射和接收的电磁波分别为H极化和V极化，如公式(2)所示：
在实际应用中，借助IDL程序实现原始数据的读取，辐射定标和格式转换。
(2)极化矩阵转换；
基于Lexicographic基对极化散射矩阵进行矢量化可以得到S2的矢量形式---散射矢量K2，如公式(3)所示。由K2计算可以得到极化协方差矩阵C2，其包含4部分，分别是：C11_HH、C12_real、C12_imag、C22_HV，如公式(4)所示。
K2＝[shh,shv]T(3)
其中Re表示复数实部，Im表示复数虚部，T表示转置，*表示复共轭。
在实际应用中，借助PolSARpro软件使用全分辨率将极化散射矩阵S2格式的影像数据提取到极化协方差矩阵C2。
(3)滤波及特征提取；
由于SAR系统是相干系统，相干斑噪声是SAR影像的固有现象。相干斑噪声的存在严重影响了SAR影像的地物可解议性，因此需要进行斑点噪声滤波处理。滤波算法(空间域算法)是利用空间窗口模板对图像进行卷积处理，从而抑制噪声，提高信噪比。
本发明实施例中，采取先后两种顺序和两种滤波算法对影像进行处理：
一是先对C2矩阵进行精致极化LEE滤波，再进行特征提取；RefinedLee_C2表示经过精致极化LEE滤波的C2，其包含4部分，分别是：RL_C11_HH、RL_C12_real、RL_C12_imag、RL_C22_HV。
精致极化Lee滤波(Refined Lee)利用非方形的边缘方向窗口和局域统计滤波器，既能对极化协方差矩阵和极化相干矩阵中的主对角线进行噪声抑制，同时也对次对角线上的元素进行滤波。Refined Lee算法主要包括2个过程：首先在SPAN图像上进行边缘模板匹配，以选取方向窗口；接着在该方向窗口内，应用局部统计滤波器进行滤波处理。其具体步骤为：
a.边缘检测及方向窗口选取。将滤波窗口分解成9个子窗口，计算各子窗口的总功率均值，获得3×3大小的均值窗口；在均值窗口内，采用4方向边缘模板进行检测，以确定边缘方向；比较边缘两侧的像素与中心像素的邻近性，以邻近性好的一侧作为方向窗口(即其滤波同质区)。
b.权值参数计算及滤波处理。在方向窗口内，采用公式(5)计算线性最小均方滤波器的权值参数b。由参数b，根据公式(6)计算滤波后中心像素的协方差矩阵
式(5)中，σy表示方向窗口内像素的方差，var(y)表示方向窗口内像素的总功率方差，y表示其数学期望，σv表示相干斑噪声的方差。式(6)中，Z表示方向窗口内像素的协方差矩阵的数学期望，Z表示中心像素的协方差矩阵。
二是先对C2进行特征提取，得到C11_HH/VH、C12_real、C12_img、C22_HV/VV，再对提取到的特征进行9*9的均值滤波。
均值滤波又称为线性滤波，其是指对窗口内的所有象元的像素值求平均值，并赋值给窗口的中心象元的一种滤波算法，对窗口范围内的象元起到平滑的作用，但在滤波过程中容易造成图像细节的模糊。假设窗口大小为(2N+1)×(2N+1)，其中N为正整数，则图像中心像素值的计算公式为：
需要说明的是，本发明对上述两种处理的顺序不做限制，可以先执行一，再执行二，也可以先执行二，再执行一，还可以同时执行一和二，得到的两组特征都作为提取出的特征。
(4)后向散射系数；
在合成孔径雷达及散射计等遥感器中，所观测的散射波的方向是入射方向，这个方向上的散射就称作后向散射，后向散射系数(backscattering coefficient)对应地物的绝对后向散射值。
在实际应用中，可以借助PIESAR软件中的转DB影像功能获取提取到的特征图的后向散射系数图像；其中，DB_HH和DB_HV分别是由C11_HH和C22_HV转换而来的后向散射系数；RL_DB_HH和RL_DB_HV分别是由RL_C11_HH和RL_DB_HV转换而来的后向散射系数。
(5)地理编码及正射校正；
借助高分三号影像自带的RPC控制点数据对提取到的特征图进行几何校正，完成地理编码，使其具有地理坐标。
使用ENVI默认的全球DEM数字高程模型数据对几何校正后的特征图进行正射校正使其具有投影。
经过上述(5)个步骤处理之后，得到特征提取结果，研究区域的特征提取结果如图4所示，包括Mean_C2_HH、Mean_C2_HV、Mean_DB_HH和Mean_DB_HV，分别是由C11_HH、C22_HV、DB_HH和DB_HV通过均值滤波、正射校正和地理编码得到的4维特征；还包括Lee_C2_HH、Lee_C2_HV、Lee_DB_HH和Lee_DB_HV分别是由RL_C11_HH、RL_C22_HV、RL_DB_HH和RL_DB_HV通过正射校正和地理编码得到的4维特征。
S3、对提取出的若干个特征进行特征筛选，得到能够体现筏式养殖区与海水差异的若干个有效特征。
从提取到的特征可以看出，特征Mean_DB_HH和Mean_DB_HV无法清晰显示目标地物且噪声过多，故以其余6个特征作为筏式养殖区提取的可用特征。
进一步筛选出能够体现筏式养殖区与海水差异的4个有效特征：Lee_C2_HH、Lee_C2_HV、Mean_C2_HH和Mean_C2_HV。
筏式养殖区与海水的光谱差异很小，再加上SAR影像中噪声较大，很难区分海水和筏式养殖区，所以，为了加大养殖区与海水的差异，有助于区分，本发明实施例中计算了8种特征，最终选出了最能够体现筏式养殖区与海水的差异的4种特征，采用这4种特征实现筏式养殖区提取。
本发明实施例中，基于这四个特征，结合迭代阈值算法和密度聚类算法进行筏式养殖区提取，具体流程如图5所示。其中迭代阈值算法用于初步提取，实现筏式养殖区与海水的分类。密度聚类算法、交并集重构和形态学处理用于对初步提取结果的后处理，得到最终的筏式养殖区。
S4、基于所述若干个有效特征，利用迭代阈值算法进行筏式养殖区的初步提取。
阈值分割法是应用最为广泛的绿潮提取方法，该方法易于实现，速度快，但难点在于阈值的确定。人机交互是选取阈值最直接的方式，但当处理大批量数据时效率低下，并且获取的结果主观性强，可追踪性差。针对人机交互阈值选取方法上的不便，自动化阈值选取方法被应用到绿潮提取中。常用的自动阈值分割选取方法有直方图双峰法、最大类间方差法、最大熵阈值法、最小误差阈值法和迭代阈值法等。
本发明实施例中采用阈值分割方法中的迭代阈值法，对GF-3SAR影像进行筏式养殖区进行初步提取，迭代阈值法是基于逼近思想的，如图6所示，其算法流程具体如下：
(1)设置初始阈值t1。
当目标与背景的面积相当时，可以将初始阈值t1置为整幅图像的平均灰度；当目标与背景的面积相差较大(如超过预设值)时，更好的选择是将初始阈值t1置为最大灰度值与最小灰度值的中间值。
(2)根据t1将图像F分割为F1和F2两部分，其中F1包含所有灰度值小于t1的像素，F2包含所有大于t1的像素，分别求出F1和F2的平均灰度值μ1和μ2。
(3)计算新的阈值t2＝(μ1+μ2)/2。
(4)指定常数t0(很小的正数)，如果|t2-t1|<＝t0，即迭代过程中前后两次阈值很接近时(或者说μ1和μ2不再变化)，终止迭代；否则令t1＝t2，重复步骤(2)、(3)、(4)。设定常数t0的目的是为了加快迭代速度，如果不关心迭代速度，则可以设置为0。
(5)程序运行结束后，最终输出的t2即为所求阈值T。
需要说明的是，本发明对步骤S3和S4的顺序不做限制，可以先执行S3进行特征筛选，然后按照S4对筛选出的4个特征进行初步提取；也可以先执行S4对6个可用特征进行初步提取，然后再对初步提取结果进行筛选。
S5、对初步提取结果进行交集重构；
为了降低SAR影像噪声引起的检测虚警率，采用四个特征的提取结果进行交集，获得最终的提取结果。
初步提取结果包括：result Lee_C2_HH、result Lee_C2_HV、result Mean_C2_HH和result Mean_C2_HV；
通过取交集的方式分别从HH极化、HV极化、精致Lee滤波、均值滤波四个角度对初步提取结果进行重构，交集重构规则如下：
S6、利用密度聚类算法对交集重构后的结果进行聚类；
考虑到SAR影像存在斑点噪声，筏式养殖区可以看成是低密度噪声区域中的高密度区域，所以采用密度聚类法提取出筏式养殖区的高密度区域。
密度聚类算法(DBSCAN，Density-Based Spatial Clustering of Applicationswith Noise)一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，它们之间是紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，就可以得到最终的所有聚类类别结果。DBSCAN密度聚类算法的伪代码如下表所示：
利用密度聚类算法对交集重构后的结果进行聚类之后，还包括：基于轮廓系数对聚类结果进行筛选。其中，轮廓系数的计算公式为：
其中，a(i)为样本i的簇内不相似度，等于样本i到同簇其他样本的平均距离，a(i)越小说明样本i越应该被聚类到该簇；b(i)为样本i的簇间不相似度，等于样本i到其他各簇中所有样本的平均距离的最小值，b(i)越大说明样本i越不属于其他簇。
S7、对聚类结果进行并集重构；
S8、利用形态学处理方法对并集重构后的结果进行处理，得到提取出的筏式养殖区。
其中，形态学处理包括：去除100像素以下的小斑块和填充100像素以内的小空洞。
本发明实施例中，采用SAR影像中提取的多个特征共同进行筏式养殖区的提取，再采用迭代阈值法和密度聚类相结合，能够减少SAR影像斑点噪声的影响，准确提取出较大块连续成排的筏式养殖区。
下面以一个具体实例对本发明提供的基于高分三号卫星SAR影像的筏式养殖区提取方法进行说明。
如图7所示，其示出了基于从GF-3SAR FS1双极化SAR影像中提取到6个特征，进行筏式养殖区提取的流程图。迭代阈值算法得出的分割阈值如表3所示，初步提取结果如图8所示。
表3
从图8中可以看出，迭代阈值法提取结果中含有较多噪声且提取到的筏式养殖区存在严重的斑块破碎现象，为改善这一现象，本发明实施例中采用交并集重构、密度聚类算法和形态学方法对提取结果进行后处理。从6个特征的提取结果中筛选出提取效果较好的4个，分别是Lee_C2_HH、Lee_C2_HV、Mean_C2_HH和Mean_C2_HV，通过取交集的方式分别从HH极化、HV极化、精致Lee滤波、均值滤波四个角度对上述4个特征的提取结果进行重构，重构结果如图9所示。
基于重构后的4个提取结果，采用DBSCAN算法对其进行密度聚类处理，并分别采用噪声比和轮廓系数两个指标评判聚类效果，密度聚类结果如图10所示，评价指标如表4所示。DBSCAN算法的参数Eps为邻域的最大半径，本发明实施例中将其设置为10像素，参数MinPts为核心对象以Eps为半径的邻域内的最小像素个数，本发明实施例中将其设置为MinPts＝1.25*Eps2。
噪声比为图像中噪声像素点数量与图像所有像素点数量的比值，可以用来评判图像的噪声水平。轮廓系数(Silhouette Coefficient)结合了内聚度和分离度两种因素，能够有效评价聚类效果的好坏。
表4
通过图10的聚类结果以及表4的轮廓系数，可以判断出cluster_HH和cluster_Mean的聚类效果较好，采用取并集的方式对两者进行重构，对得到的重构结果进行形态学处理，包括去除100像素以下的小斑块和填充100像素以内的小空洞，得到最终的筏式养殖区提取结果，如图11所示。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于高分三号卫星SAR影像的筏式养殖区提取方法，其特征在于，所述方法包括：
获取包括研究区域的高分三号卫星SAR影像数据；
对所述SAR影像数据进行特征提取，得到提取出的若干个特征；
对提取出的若干个特征进行特征筛选，得到能够体现筏式养殖区与海水差异的若干个有效特征；
基于所述若干个有效特征，利用迭代阈值算法进行筏式养殖区的初步提取；
对初步提取结果进行交集重构；
利用密度聚类算法对交集重构后的结果进行聚类；
对聚类结果进行并集重构；
利用形态学处理方法对并集重构后的结果进行处理，得到筏式养殖区。
2.根据权利要求1所述的基于高分三号卫星SAR影像的筏式养殖区提取方法，其特征在于，对所述SAR影像数据进行特征提取，包括：
对所述SAR影像数据进行辐射定标处理；
将所述SAR影像数据由斜距单视复数影像转换为极化散射矩阵S2格式；
使用全分辨率将极化散射矩阵S2格式的影像数据提取到极化协方差矩阵C2；
对所述极化协方差矩阵C2进行斑点噪声滤波以及特征提取；
获取提取到的特征的后向散射系数图像；
对提取到的特征图进行几何校正，完成地理编码，使其具有地理坐标；
对几何校正后的特征图进行正射校正使其具有投影。
3.根据权利要求2所述的基于高分三号卫星SAR影像的筏式养殖区提取方法，其特征在于，对所述极化协方差矩阵C2进行斑点噪声滤波处理以及特征提取，包括：
对所述极化协方差矩阵C2进行精致极化LEE滤波，并对滤波后的极化协方差矩阵C2进行特征提取，得到第一组特征；
对所述极化协方差矩阵C2进行特征提取；并对提取到的特征进行9*9的均值滤波，得到第二组特征。
4.根据权利要求1所述的基于高分三号卫星SAR影像的筏式养殖区提取方法，其特征在于，利用迭代阈值算法进行筏式养殖区的初步提取，包括：
(1)设置初始阈值t1；当目标与背景的面积相当时，将初始阈值t1置为整幅图像的平均灰度；当目标与背景的面积相差超过预设值时，将初始阈值t1置为最大灰度值与最小灰度值的中间值；
(2)根据t1将图像F分割为F1和F2两部分，其中F1包含所有灰度值小于t1的像素，F2包含所有大于t1的像素，分别求出F1和F2的平均灰度值μ1和μ2；
(3)计算新的阈值t2＝(μ1+μ2)/2；
(4)指定常数t0，如果|t2-t1|<＝t0，即迭代过程中前后两次阈值很接近时，终止迭代，最终输出的t2即为所求阈值T；否则令t1＝t2，返回步骤(2)。
5.根据权利要求1所述的基于高分三号卫星SAR影像的筏式养殖区提取方法，其特征在于，对初步提取结果进行交集重构，包括：
初步提取结果包括：Lee_C2_HH、Lee_C2_HV、Mean_C2_HH和Mean_C2_HV；
通过取交集的方式分别从HH极化、HV极化、精致Lee滤波、均值滤波四个角度对初步提取结果进行重构，交集重构规则如下：
6.根据权利要求1所述的基于高分三号卫星SAR影像的筏式养殖区提取方法，其特征在于，利用密度聚类算法对交集重构后的结果进行聚类之后，还包括：
基于轮廓系数对聚类结果进行筛选，所述轮廓系数为：
其中，a(i)为样本i的簇内不相似度，等于样本i到同簇其他样本的平均距离，a(i)越小说明样本i越应该被聚类到该簇；b(i)为样本i的簇间不相似度，等于样本i到其他各簇中所有样本的平均距离的最小值，b(i)越大说明样本i越不属于其他簇。
7.根据权利要求1所述的基于高分三号卫星SAR影像的筏式养殖区提取方法，其特征在于，利用形态学处理方法对并集重构后的结果进行处理，包括：
去除100像素以下的小斑块和填充100像素以内的小空洞。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172689.6A CN112989940B (zh) | 2021-02-08 | 2021-02-08 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172689.6A CN112989940B (zh) | 2021-02-08 | 2021-02-08 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112989940A true CN112989940A (zh) | 2021-06-18 |
| CN112989940B CN112989940B (zh) | 2023-08-01 |
Family
ID=76347620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110172689.6A Active CN112989940B (zh) | 2021-02-08 | 2021-02-08 | 基于高分三号卫星sar影像的筏式养殖区提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112989940B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114936992A (zh) * | 2022-07-25 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 一种遥感影像可用域的建立方法 |
| CN115657033A (zh) * | 2022-12-29 | 2023-01-31 | 北京九天微星科技发展有限公司 | 一种高分辨率低轨卫星合成孔径雷达成像方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899562A (zh) * | 2015-05-29 | 2015-09-09 | 河南理工大学 | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 |
| CN106815559A (zh) * | 2016-12-21 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 |
| CN107527023A (zh) * | 2017-08-07 | 2017-12-29 | 西安理工大学 | 基于超像素和主题模型的极化sar图像分类方法 |
| CN109409265A (zh) * | 2018-10-15 | 2019-03-01 | 中国科学院地理科学与资源研究所 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
| CN109490886A (zh) * | 2018-11-28 | 2019-03-19 | 北京工业大学 | 一种极化合成孔径雷达遥感海面溢油区域精确提取方法 |
| CN112131924A (zh) * | 2020-07-10 | 2020-12-25 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于密度聚类分析的变电站设备图像识别方法 |
| CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
-
2021
- 2021-02-08 CN CN202110172689.6A patent/CN112989940B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899562A (zh) * | 2015-05-29 | 2015-09-09 | 河南理工大学 | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 |
| CN106815559A (zh) * | 2016-12-21 | 2017-06-09 | 中国科学院深圳先进技术研究院 | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 |
| CN107527023A (zh) * | 2017-08-07 | 2017-12-29 | 西安理工大学 | 基于超像素和主题模型的极化sar图像分类方法 |
| CN109409265A (zh) * | 2018-10-15 | 2019-03-01 | 中国科学院地理科学与资源研究所 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
| CN109490886A (zh) * | 2018-11-28 | 2019-03-19 | 北京工业大学 | 一种极化合成孔径雷达遥感海面溢油区域精确提取方法 |
| CN112131924A (zh) * | 2020-07-10 | 2020-12-25 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于密度聚类分析的变电站设备图像识别方法 |
| CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114936992A (zh) * | 2022-07-25 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 一种遥感影像可用域的建立方法 |
| CN114936992B (zh) * | 2022-07-25 | 2022-10-11 | 北京数慧时空信息技术有限公司 | 一种遥感影像可用域的建立方法 |
| CN115657033A (zh) * | 2022-12-29 | 2023-01-31 | 北京九天微星科技发展有限公司 | 一种高分辨率低轨卫星合成孔径雷达成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112989940B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahdianpari et al. | Random forest wetland classification using ALOS-2 L-band, RADARSAT-2 C-band, and TerraSAR-X imagery | |
| CN109583293B (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
| Mishra et al. | Land cover classification of PALSAR images by knowledge based decision tree classifier and supervised classifiers based on SAR observables | |
| EP2767849B1 (en) | Method and apparatus for processing polarimetric synthetic aperture radar image | |
| CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
| Zhang et al. | Mapping flood by the object-based method using backscattering coefficient and interference coherence of Sentinel-1 time series | |
| KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
| CN105160648B (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
| Qi et al. | A three-component method for timely detection of land cover changes using polarimetric SAR images | |
| CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
| CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
| CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
| Qi et al. | Land use and land cover classification using RADARSAT-2 polarimetric SAR image | |
| Ghasemi et al. | Urban classification using preserved information of high dimensional textural features of Sentinel-1 images in Tabriz, Iran | |
| Dobrinić et al. | Integration of multitemporal Sentinel-1 and Sentinel-2 imagery for land-cover classification using machine learning methods | |
| CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及系统 | |
| Nezry et al. | Supervised classification of K-distributed SAR images of natural targets and probability of error estimation | |
| Shitole et al. | Selection of suitable window size for speckle reduction and deblurring using SOFM in polarimetric SAR images | |
| Fayad et al. | Hy-TeC: a hybrid vision transformer model for high-resolution and large-scale mapping of canopy height | |
| Kusetogullari et al. | Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach | |
| 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 | |
| Wang et al. | Remote Sensing Satellite Image-Based Monitoring of Agricultural Ecosystem | |
| Carvalho et al. | Optical and SAR imagery for mapping vegetation gradients in Brazilian savannas: Synergy between pixel-based and object-based approaches | |
| Wang et al. | Monitoring the wetland of the yellow river delta by combining GF-3 polarimetric synthetic aperture radar and sentinel-2A multispectral data | |
| Wei et al. | Preliminary evaluation of Gaofen-3 quad-polarized SAR imagery for Longbao protected plateau wetland reserve |
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 |